Univ.-Doz.Dipl.-Ing.Dr. Thomas Schrefl
- thomas.schrefl@donau-uni.ac.at
- +43 2622 23420-20
- +43 2622 23420-99 (Fax)
- Zum Kontaktformular
- TFZ Wiener Neustadt, Bauteil E - Stock 2
- Universität für Weiterbildung Krems
- Zentrum für Modellierung und Simulation
- Viktor Kaplan Straße 2 - Bauteil E
- 2700 Wiener Neustadt
- Österreich
Projekte (Auszug Forschungsdatenbank)
Laufende Projekte
Multi-property Compositionally Complex Magnets for Advanced Energy Applications
Projektzeitraum: 01.06.2023–31.05.2026
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: EU
Projektzeitraum: 01.04.2023–31.03.2025
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: EU
Projektzeitraum: 01.07.2022–30.06.2026
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: EU
Magnet design through physics informed machine learning
Projektzeitraum: 01.09.2020–31.08.2027
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: Private (Stiftungen, Vereine etc.)
Projektzeitraum: 01.01.2019–31.12.2021
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: FFG
Förderprogramm: Produktion der Zukunft
Abgeschlossene Projekte
Simumag - GFF Horizon Europe Anbahnungsfinanzierung
Projektzeitraum: 01.01.2022–30.03.2022
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: Bundesländer (inkl. deren Stiftungen und Einrichtungen)
Projektzeitraum: 01.03.2018–28.02.2022
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: EU
Förderprogramm: Horizon 2020
Nanostructured multiphase permanent magnets
Projektzeitraum: 01.04.2019–31.12.2020
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: sonstige öffentlich-rechtliche Einrichtungen (Körperschaften, Stiftungen, Fonds)
Atomistic Simulation of rare-earth reduced permanent magnets
Projektzeitraum: 01.11.2017–31.12.2019
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: Unternehmen
NOVel, critical materials free, high Anisotropy phases for permanent MAGnets, by design
Projektzeitraum: 01.04.2016–30.09.2019
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: EU
Förderprogramm: H2020
Vicom Multiscale simulations of magnetic nanostructures
Projektzeitraum: 01.01.2015–30.06.2019
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: FWF
Förderprogramm: FWF
Nanostructured multiphase permanent magnets
Projektzeitraum: 01.04.2018–31.03.2019
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: Sonstige
NanoStructured Multiphase Permanent Magnets
Projektzeitraum: 01.04.2017–31.03.2018
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: andere internationale Organisationen
CREST III Simulation of hard magnet magnetic materials
Projektzeitraum: 01.04.2016–31.03.2017
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: andere internationale Organisationen
Förderprogramm: CREST
Nano-Structured Multi-Phase Permanent Magnets II
Projektzeitraum: 01.04.2016–31.03.2017
Projektverantwortung (Universität für Weiterbildung Krems): Thomas Schrefl
Fördergeber: andere internationale Organisationen
Publikationen (Auszug Forschungsdatenbank)
Breth, L.; Fischbacher, J.; Kovacs, A.; Özelt, H.; Schrefl, T.; Brückl, H.; Czettl, C.; Kührer, S.; Pachlhofer, J., Schwarz, M. (2023). FORC diagram features of Co particles due to reversal by domain nucleation. Journal of Magnetism and Magnetic Materials 571 (2023) 170567 Available online 24 February 2023 0304-8853/© 2023 Elsevier B.V. All rights reserved.Contents lists available at ScienceDirect Journal of Magnetism and Magnetic Materials, Vol. 571: 1-6
Kovacs, A.; Fischbacher, J.; Oezelt, H.; Kornell, A.; Ali, Q.; Gusenbauer, M.; Yano, M.; Sakuma, N.; Kinoshita, A.; Shoji, T.; Kato, A.; Hong, Y.; Grenier, S.; Devillers, T.; Dempsey, N. M.; Fukushima, T.; Akai, H.; Kawashima, N.; Miyake, T.; Schrefl, T. (2023). Physics-Informed Machine Learning Combining Experiment and Simulation for the Design of Neodymium-Iron-Boron Permanent Magnets with Reduced Critical-Elements Content. Frontiers in Materials 2023, Vol. 9: 1-19
Yamano, H.; Kovacs, A.; Fischbacher, J.; Danno, K.; Umetani, Y.; Shoji, T.; Schrefl, T. (2023). Efficient optimization approach for designing power device structure using machine learning. Japanese Journal of Applied Physics, Vol. 1: 1-17
Zhao, P.; Gusenbauer, M.; Oezelt, H.; Wolf, D.; Gemming, T.; Schrefl, T.; Nielsch, K.; Woodcock, T. G. (2023). Nanoscale chemical segregation to twin interfaces in t -MnAl-C and resulting effects on the magnetic properties. Journal of Materials Science & Technology, Vol. 134: 22-32
Heistracher, P.; Abert, C.; Bruckner, F.; Schrefl, T.; Suess, D. (2022). Proposal for a micromagnetic standard problem: domain wall pinning at phase boundaries. Journal of Magnetism and Magnetic Materials, Vol. 548: 168875
Kovacs, A.; Exl, L.; Kornell, A.; Fischbacher, J.; Hovorka, M.; Gusenbauer, M.; Breth, L.; Oezelt, H.; Yano, M.; Sakuma, N.; Kinoshita, A.; Shoji, T.; Kato, A.; Schrefl, T. (2022). Conditional physics informed neural networks. Communications in Nonlinear Science and Numerical Simulation, Vol. 104: 106041
Kovacs, A.; Exlc, L.; Kornell, A.; Fischbacher, J.; Hovorka, M.; Gusenbauer, M.; Breth, L.; Oezelt, H.; Praetorius, D.; Suess, D.; Schrefl, T. (2022). Magnetostatics and micromagnetics with physics informed neural networks. Journal of Magnetism and Magnetic Materials, Vol. 548: 168951
Mohapatra, J.; Fischbacher, J.; Gusenbauer, M.; Xing, M. Y.; Elkins, J.; Schrefl, T.; Liu, J. P. (2022). Coercivity limits in nanoscale ferromagnets. Phys. Rev. B, Vol. 105, Iss. 21: 214431
Oezelt, H.; Qu, L.; Kovacs, A.; Fischbacher, J.; Gusenbauer, M.; Beigelbeck, R.; Praetorius, D.; Yano, M.; Shoji, T.; Kato, A.; Chantrell, R.; Winklhofer, M.; Zimanyi, G.; Schrefl, T. (2022). Full- Spin-Wave-Scaled Stochastic Micromagnetism for Mesh-Independent Simulations of Ferromagnetic Resonance and Reversal. npj Computational Materials, Vol. 8: 35
Zhao, P.; Gusenbauer, M.; Oezelt, H.; Wolf, D.; Gemming, T.; Schrefl, T.; Nielsch, K.; Woodcock, T. G. (2022). Nanoscale chemical segregation to twin interfaces in t-MnAl-C and resulting effects on the magnetic properties. Journal of Materials Science & Technology, Vol. 134: 22-32
Cuadrado, R.; Evans, R. F. L.; Shoji, T.; Yano, M.; Kato, A.; Ito, M.; Hrkac, G.; Schrefl, T.; Chantrell, R.W. (2021). First principles and atomistic calculation of the magnetic anisotropy of Y2Fe14B. JOURNAL OF APPLIED PHYSICS, 130: 023901
Ener, S.; Skokov, K. P.; Palanisamy, D.; Devillers, T.; Fischbacher, J.; Eslavac, G.; Maccaria, F.; Schäfer, L.; Diop, L.; Radulov, I.; Gault, B.; Hrkac, G.; Dempsey, N.; Schrefl, T.;Raabe, D.; Gutfleisch, O. (2021). Twins – A weak link in the magnetic hardening of ThMn12-type permanent magnets. Acta Materialia, Vol. 214: 116968
Exl, L.; Mauser, N. J.; Schaffer, S.; Schrefl, T.; Suess, D.; (2021). Prediction of magnetization dynamics in a reduced dimensional feature space setting utilizing a low-rank kernel method. JOURNAL OF COMPUTATIONAL PHYSICS, 444: 110586
Gusenbauer, M.; Kovacs, A.; Özelt, H.; Fischbacher, J.; Zhao, P.; Woodcock, T.G.;Schrefl, T. (2021). Insights into MnAl-C nano-twin defects by micromagnetic characterization. Journal of Applied Physics, 129(9): 093902
Perna, S.; Schrefl, T.; Serpico, C.; Fischbacher, J.; Del Pizzo, A. (2021). Microstructure Role in Permanent Magnet Eddy Current Losses. IEEE TRANSACTIONS ON MAGNETICS, 57: 6300405
Tsuchiura, H.; Yoshioka, T.; Novák, P.; Fischbacher, J.; Kovacs, A.; Schrefl, T. (2021). First-principles calculations of magnetic properties for analysis of magnetization processes in rare-earth permanent magnets". Science and Technology of Advanced Materials (STAM), Vol. 22, no. 1: 748-757
Exl, L.; Mauser, N.; Schrefl, T.; Suess, D. (2020). Learning time-stepping by nonlinear dimensionality reduction to predict magnetization dynamics. Communications in Nonlinear Science and Numerical Simulation, Vol. 84: 105205
Gusenbauer, G.; Oezelt, H.; Fischbacher, J.; Kovacs, A.; Zhao, P.; Woodcock, T. G.; Schrefl, T. (2020). Extracting local switching fields in permanent magnets using machine learning. npj Computational Materials, 6: 89ff
Kovacs, A.; Fischbacher, J.; Gusenbauer, M.; Oezelt, H.; Herper, H. C.; Vekilova, O. Y.; Nieves, P.; Arapan, S.; Schrefl, T. (2020). Computational design of rare-earth reduced permanent magnets. Engineering, 6: 148
Schönhöbel, A.M.; Madugundo, R.; Barandiarán, J.M.; Hadjipanayis, G.C.; Palanisamy, D.; Schwarz, T.; Gault, B.; Raabe, D.; Skokov, K.; Gutfleisch, O.; Fischbacher, J.; Schrefl, T. (2020). Nanocrystalline Sm-based 1:12 magnets. Acta Materialia, Vol. 200: 652-658
Vorträge (Auszug Forschungsdatenbank)
Generative deep learning for permanent magnet microstructures
67th Annual Conference on Magnetism and Magnetic Materials (MMM 2022), 03.11.2022
How to Create an Effective Scientific Video Presentation
67th Annual Conference on Magnetism and Magnetic Materials (MMM 2022), 02.11.2022
Materials Informatics for the Design of Rare-Earth Reduced Permanent Magnets
Magnetic Materials and Applications 22, 26.10.2022
Magnetization processes in SmFeO3
DPG Frühjahrstagung, 06.09.2022
Machine Learning Analysis of Multiphase Magnetic Microstructures
CIMTEC 2022, 23.06.2022
Physics informed neural networks for computational magnetism
MMM-Intermag 2022, 10.01.2022
Inverse design of Nd-substituted permanent magnets
Physics and the green economy, 25.11.2021
Tutorial: An introduction to machine learning for solving micromagnetic problems
The 2021 Around-the-Clock Around-the-Globe Magnetics Conference, 24.08.2021
Deep learning magnetization dynamics
IEEE Advances in Magnetism 2021, 16.06.2021
New trends for machine learning in permanent magnet design
The 26th International Workshop on Rare Earth and Future Permanent Magnets and Their Application, 10.06.2021
Machine Learning for Relating Structure and Coercivity of Permanent Magnets
Virtual REPM 2021, 09.06.2021
Machine learning, micromagnetics and magnet design
University of York, Computational Magnetism, 02.12.2020
Finding weak spots in permanent magnets through micromagnetism and machine learning
CMD2020GEFES, 02.09.2020
Computational Design of Bulk Permanent Magnet
TMS2020, 25.02.2020
Bridging the gap between biomedical applications and material sciences
3rd Workshop on Modelling of Biological Cells, Fluid Flow and Microfluidics, 11.02.2020
Advancing permanent magnets by machine learning
Meeting of CRC/TRR 270 - Hysteresis design of magnetic materials for efficient energy conversion, 05.02.2020
Computer based optimization of permanent magnets
Seminar, CEA, Grenoble, 17.12.2019
Learning Magnetization Dynamics
64th Annual Conference on Magnetism and Magnetic Material, Las Vegas, USA, 07.11.2019
Machine learning for permanent magnet optimization
2019 - Sustainable Industrial Processing Summit & Exhibition, Paphos, Cryprus, 26.10.2019
Micromagnetic optimization of permanent magnetic materials
27th International Conference on Materials and Technology, Portoroz, Slovenia, 17.10.2019