KSE: Kritikalität Seltener Erden

Projektbeschreibung

Für die Herstellung von Handys, Laptops, Elektromotoren und Windturbinen sind Seltene Erden ein unverzichtbarer Rohstoff. Insbesondere Motoren für Elektrofahrzeuge oder Generatoren für Windkraftwerke brauchen leistungsfähige Permanentmagnete, die Seltene Erden wie Neodym und Dysprosium enthalten. Angesichts der kritischen Versorgungslage und steigenden Preise, die nicht zuletzt durch die dominierende Marktposition Chinas bedingt sind, hat ein Konsortium von sieben Fraunhofer-Instituten das Fraunhofer-Leitprojekt KSE (Kritikalität Seltener Erden) initiiert, um eine ressourceneffiziente Versorgung der Industrie mit Hochleistungsmaterialien für Permanentmagnete sicherzustellen.

Ziel des Projekts war es, den spezifischen, primären Bedarf an schweren Seltenen Erden bis 2017 zu reduzieren. Das Forscherteam untersuchte dabei verschiedene Ansätze – darunter die Suche nach Ersatzmaterialien, die Optimierung der Herstellungsverfahren und Produktionstechnologien für Permanentmagnete sowie die Entwicklung von Konzepten für das Recycling gebrauchter Elektromotoren. Zu Demonstrationszwecken wurden zwei Elektromotoren (ein einfacher elektrischer Kleinantrieb und ein komplizierter Traktionsmotor) aus Magnetmaterialien hergestellt, die einen geringeren Anteil an Neodym und Dysprosium aufweisen. Dabei wurde erstmals die komplette Prozesskette von der theoretischen Vorhersage neuer Magnetwerkstoffe bis hin zu einem praxistauglichen Elektromotor abgebildet. Zudem wurde ein dynamisches Marktmodell entwickelt, um Risiken und Umwelteinflüsse besser zu kalkulieren. 

Teilvorhaben Fraunhofer IWM

Das Fraunhofer IWM hat im Rahmen des Verbundprojekts mithilfe von Computational-Screening-Simulationen nach neuartigen intermetallischen Phasen mit guten hartmagnetischen Eigenschaften gesucht. Zur Suche nach SE-freien Materialsubstituten wurde die ab-initio-Dichtefunktionaltheorie zur Berechnung magnetischer Kenngrößen für reale und hypothetische Kristallphasen eingesetzt. Mittels materialtheoretischem High-Throughput Screening und informationstheoretischem Data Mining wurden aus Tausenden von Magnetphasen vielversprechende Kandidaten vorhergesagt. Die am Fraunhofer IWM entwickelte Web-Anwendung MagnetPredictor (Magnet Predictor RETM12X) demonstriert den Nutzen von modernen Machine Learning Methoden für die Vorhersage der magnetischen Eigenschaften von (virtuellen) intermetallischen Verbindungen mit beliebigen chemischen Zusammensetzungen.