Auf dem Weg zum digitalen Zwilling eines Permanentmagneten

Permanentmagnete (PM) sind eine kritische Komponente von E-Motoren und Generatoren in zahlreichen Anwendungen, von denen die wichtigsten Windturbinen und Hybrid -/E- Fahrzeuge sind. Das rasche Wachstum dieser Sektoren hat zu einer erhöhten Nachfrage nach Hochleistungs-PM auf Nd-Fe-B-Basis geführt, aber die Nachhaltigkeit der Nutzung der Ressourcen an Seltenerdelementen wie Nd und Dy bei dieser hohen Rate ist fraglich. Es besteht daher ein klarer Bedarf an der Entwicklung eines Seltenerd-freien PM, der bestimmte Typen von Nd-Fe-B-PM ersetzen und so den Druck auf die Seltenerdressourcen verringern könnte. Ein digitaler Zwilling ist ein Informationssatz, der die Struktur und die Eigenschaften eines Objekts vollständig beschreibt; jede Information, die durch die Inspektion des Objekts gewonnen werden könnte, könnte auch von seinem digitalen Zwilling gewonnen werden. Neben der Struktur des Materials muss der digitale Zwilling eines PM daher auch seinen magnetischen Zustand beschreiben. Dies ist eine große Herau sforderung, da der magnetische Zustand eines Materials nicht nur von seiner Struktur und seinen magnetischen Eigenschaften, sondern auch von seiner magnetischen und thermischen Geschichte abhängt. Der digitale Zwilling eines PM könnte eine entscheidende Rolle bei der Entwicklung neuartiger PM und bei der Echtzeit-Überwachung der Leistung von PM in Anwendungen spielen. Der digitale Zwilling eines PM würde wichtige Beiträge zur Digitalisierung der Materialwissenschaften, zur Nachhaltigkeit und zur Elektromobilität liefern. Der digitale Zwilling eines PM umfasst experimentelle Daten und Simulationen sowohl auf atomistischer als auch auf mikroskopischer Ebene. In einem ersten Schritt werden sich die Anstrengungen in diesem Projekt auf die Mikroskala konzentrieren. Der seltenerdfreie PM, MnAl-C, wird als Modellsystem genommen und ein verbessertes mikromagnetisches Modell wird entwickelt. Fortschrittliche Charakterisierung in Kombination mit magnetischen Domänenbildern und Messungen werden die Grundlage für die Simulationen bilden. Anschließend wird ein maschinelles Lernmodell entwickelt und Datenassimilation eingesetzt, um die Differenz zwischen vorhergesagten und gemessenen Eigenschaften zu verringern. Das trainierte Modell stellt die mikroskalige Komponente des digitalen Zwillings eines MnAl - C-PM dar.