Gestalten Sie Ihr gewünschtes Magnetmaterial und lassen Sie sich dessen wichtigste Eigenschaften KI-gestützt vorhersagen.
Vergleichen Sie die Leistungsfähigkeit mit der von Standard-Materialien aus unserer Datenbasis berechneter Kristallstrukturen.
Mit dem Magnetmaterialdesigner zeigen wir, wie wir Datenbanken von Materialien und ihren Eigenschaften erstellen und damit mit Machine Learning die Suche nach neuen Bauteilen erleichtern. Als Beispiel untersucht man in diesem Tool eine neue hartmagnetische Phase (sogenannte 1-12-X Phase, z.B. NdFe12N), die mit ihrem geringeren Seltenerdanteil eine vielversprechende Alternative zu marktüblichen Hartmagneten darstellt.
Das Berechnungstool beantwortet die Frage der chemischen Zusammensetzung in dieser Phase, also welche Elemente den optimalen Magneten mit dem höchsten magnetischen Energieprodukt und der höchsten Anisotropie ausmachen. Statt jede ausgewählte Möglichkeit einzeln quantenmechanisch simulieren zu müssen, wird KI benutzt, um die Eigenschaften direkt anzuzeigen und mit gebräuchlichen Standardmaterialien zu vergleichen.
Es werden Eigenschaften für die 1-12-X Phase bestimmt. Das heißt man kann ein Seltenerdatom aussuchen, 12 Übergangsmetalle und 1 leichtes Element. Wenn man in der Schaltfläche insgesamt 13 oder mehr Übergangsmetallatome angibt (mit dem Plus weiter hochgeht), wird angezeigt, dass dieses Material nicht kompatibel ist. Die berechenbaren Eigenschaften sind
Gewinnen Sie Aufschluss über die Auswirkungen von Verunreinigungen durch Legierungsbestandteile auf die magnetischen Eigenschaften. Bestimmen Sie die tolerierbare Menge bestimmter Elemente, um Ihre gewünschten Materialeigenschaften zu erreichen.
Das Berechnungstool zeigt, wie sich Veränderungen in der chemischen Zusammensetzung auf die magnetischen Eigenschaften von Materialien auswirken und es liefert Erkenntnisse zur tolerierbaren Menge bestimmter Elemente. Unser Modell sind Neodym-Eisen-Bor-Magnete. Diese machen ungefähr die Hälfte aller weltweit benutzten Permanentmagnete aus. Die andere Hälfte sind fast ausschließlich Ferrite, die eine geringere Kritikalität aufgrund der fehlenden seltenen Erden haben. Weil Nd2Fe14B mit Neodym seltene Erden beinhaltet und der aktuell stärkste Permanentmagnet auf dem Markt ist (auch viel in Windkraftanlagen und E-Motoren vorkommt), ist der Stellenwert von Recycling hier sehr hoch.
Die Berechnung der Eigenschaften von hartmagnetischen Verbindungen erfolgt mit der quantenmechanischen Methode TB-LMTO-ASA [1]. Die Durchführung dieser Berechnungen für alle möglichen Zusammensetzungen ist jedoch rechnerisch ineffizient. Um dieses Problem zu lösen, haben wir die Eigenschaften für eine bestimmte Untergruppe von Zusammensetzungen berechnet, die alle in derselben Phase von Nd2Fe14B1 (auch als 2-14-1-Phase bekannt) vorliegen, und ein Machine Learning Modell trainiert, um die Eigenschaften anderer Zusammensetzungen vorherzusagen. Unser Fokus liegt auf der Vorhersage der zwei Schlüsseleigenschaften Magnetisierung und Anisotropie. Der allgemeine Rahmen unseres Maschinellen Lernmodells leitet sich aus früheren Arbeiten zur 1-12-X-Phase ab [2]. Zusätzlich können Abschätzungen zum CO2-Fußabdruck durchgeführt werden.
[1] Drebov, N.; Gercsi, Z.; Delczeg-Czirjak, E. K.; Bergqvist, L.; Nordström, L.; Eriksson, O.; Vitos, L., Ab initio screening methodology applied to the search for new permanent magnetic materials, New Journal of Physics 15 (2013) Art. 125023 Link
[2] Möller, J. J.; Schäfer, R.; Körner, W.; Kruk, R.; Hahn, H., Compositional optimization of hard-magnetic phases with machine-learning models, Acta Materialia 153 (2018) 53–61 Link
Berechnen Sie, wie sich Wasserstoff unter variablen Bedingungen durch Legierungen aus Eisen und Chrom bewegt. Bestimmen Sie die relative Wasserstoffkonzentration in Abhängigkeit von der Zeit.
Mit diesem interaktiven Tool können Sie untersuchen, wie Wasserstoff unter verschiedenen Umgebungsbedingungen in Legierungen aus Eisen und Chrom eindringt. Die Diffusivität von Wasserstoff wurde auf atomistischer Ebene berechnet und tabelliert, was in dem Tool erlaubt, Echtzeit-Simulationen der Be- und Entladung eines Bauteils mit Wasserstoff zu simulieren.
Die Frage ist, wie sich der zeitliche Verlauf der Wasserstoffkonzentration in dem Material verändert, wenn sich die Legierungszusammensetzung oder die äußeren Parameter wie Wasserstoffpartialdruck und Temperatur ändern. Grundlage für die tabellierten Werte sind atomistische Berechnungen der Energiebarrieren, die Wasserstoffatome für die Diffusion überwinden müssen, und eine Simulation der makroskopischen Eigenschaften im Diffusionsnetzwerk, also in den möglichen Diffusionspfaden des Materials.
Diese Methode kann auch auf weitere komplexe Systeme angewandt werden, wie ferritische Materialien, also Legierungen mit Elementen, die in derselben Kristallstruktur vorkommen. Prinzipiell sind alle Strukturen möglich, die ein klar definiertes Diffusionsnetzwerk aufweisen. Hierfür muss allerdings die Berechnungsmethode angepasst werden. In der vorliegenden Version ist das Berechnungstool auf ferritische Materialien wie Stähle adaptiert, da dies der häufigste Anwendungsbereich für Werkstoffe im Kontakt mit Wasserstoff ist.
Über die variablen (Einsatz-)Bedingungen kann im Berechnungstool die Praxissituation im Ansatz nachgebildet werden (Probendicke, Wasserstoffpartialdruck, Chromanteil, Temperatur).
Fraunhofer-Institut für Werkstoffmechanik IWM