सामग्री के चुंबकीय गुणों की भविष्यवाणी

el AURA Y LOS CHAKRAS, COMO VER EL AURA, QUE ES EL AURA Y SU COLOR con la contactada JULIETA HUERTA (जुलाई 2019).

Anonim

विद्युत कारों और पवन टर्बाइनों में उपयोग किए जाने वाले स्थायी चुंबक वर्तमान में दुर्लभ पृथ्वी धातुएं हैं। चुंबकों में इन तत्वों की मात्रा को कम करना महत्वपूर्ण है, क्योंकि खनन उन्हें स्वास्थ्य और पर्यावरण दोनों के लिए हानिकारक है। शोधकर्ताओं ने अब उपन्यास सामग्री रचनाओं के फेरोमैग्नेटिक क्रिस्टल गुणों की त्वरित और आसानी से भविष्यवाणी करने में सहायता के लिए एक नया मशीन लर्निंग टूल विकसित किया है।

नवीकरणीय ऊर्जा भविष्य के लिए एक महत्वपूर्ण तकनीक है। हालांकि, दोनों इलेक्ट्रिक कारों और पवन टर्बाइनों के लिए बड़े और मजबूत स्थायी चुंबक की आवश्यकता होती है। अंतर्निहित समस्या यह है कि उच्च प्रदर्शन वाले चुंबकीय पदार्थों में 12 से 17 प्रतिशत दुर्लभ पृथ्वी तत्व होते हैं, मुख्य रूप से नियोडियम और समरियम, बल्कि डिस्पप्रोसियम और टेरबियम भी होते हैं। इन तत्वों का स्रोत लगभग पूरी तरह से चीन है। इसके अलावा, खनिक जो इन कच्चे माल को निकालने में आमतौर पर स्वास्थ्य-खतरनाक परिस्थितियों में काम करते हैं, और प्रक्रिया पर्यावरण को नुकसान पहुंचाती है। आश्चर्य की बात नहीं है, सामग्री शोधकर्ताओं ने स्थायी मैग्नेट में दुर्लभ पृथ्वी धातुओं के विकल्पों को खोजने के लिए वर्षों से अपनी जगहें निर्धारित की हैं। पूरी तरह से, मानक विधि "परीक्षण और त्रुटि" है: कौन सा मौलिक रचनाएं अतीत में अच्छी तरह से काम करती हैं, और जो भविष्य में समान रूप से अच्छी तरह से काम कर सकती है? इस तरह का परीक्षण एक महंगा और समय लेने वाला उपक्रम है।

कंप्यूटर सिमुलेशन का उपयोग कर उम्मीदवारों को इकट्ठा करना

Freiburg में सामग्री IWM के मैकेनिक्स के फ्रौनहोफर इंस्टीट्यूट के शोधकर्ता एक वैकल्पिक, अधिक प्रभावी दृष्टिकोण अग्रणी हैं। फ्रौनहोफर आईडब्लूएम में मटेरियल डिज़ाइन बिजनेस यूनिट में एक शोध वैज्ञानिक डॉ जोहान्स मोलर बताते हैं, "हमने स्थायी चुंबकों के लिए उम्मीदवारों के रूप में बड़ी संख्या में सामग्रियों के रूप में व्यवस्थित रूप से और तेजी से परीक्षण करने के लिए एक उच्च-थ्रूपुट कंप्यूटर सिमुलेशन विधि विकसित की है।" "हमारी विधि यह नहीं माननी है कि मैंगनीज, कोबाल्ट या बोरॉन का कौन सा विशेष प्रतिशत व्यवहार्य हो सकता है, लेकिन कंप्यूटर को कई कल्पनीय रूपों को अनुकरण करने दें।" यह संयोजक दृष्टिकोण उचित सैद्धांतिक उम्मीदवारों का संग्रह बनाने के लिए आशाजनक रचनाओं को फ़िल्टर कर सकता है जिन्हें व्यवस्थित रूप से जांच की जा सकती है। यह परंपरागत परीक्षण और त्रुटि विधियों की तुलना में चीजों को काफी कम करता है। "सिद्धांत रूप में, यह दृष्टिकोण चुंबकीय गुणों तक ही सीमित नहीं है, लेकिन अन्य भौतिक गुणों पर भी लागू किया जा सकता है, " मोलर कहते हैं।

सिमुलेशन करने के लिए कंप्यूटर को केवल सीमित मात्रा में जानकारी की आवश्यकता होती है: केवल चुंबकीय सामग्री की क्रिस्टल संरचना और उसके रासायनिक तत्व शामिल हैं। "सब कुछ भौतिक संदर्भ पर निर्भर करता है, " मोलर स्पष्ट करता है। जब क्रिस्टल संरचना की बात आती है, तो शोधकर्ता क्रिस्टल लैटिस पर बैंकिंग कर रहे हैं जिसमें प्रत्येक चौदह परमाणुओं में से केवल एक दुर्लभ पृथ्वी धातु तत्व होता है - केवल सात प्रतिशत के अनुरूप होता है। टीम ने जांच की है कि सिमुलेशन ज्ञात चुंबकीय सामग्री का उपयोग कर कितना सफल है। ऐसी सामग्रियों के ज्ञात गुणों की सफलतापूर्वक पहचान करके, उन्होंने दिखाया है कि सिमुलेशन उपन्यास सामग्री के चुंबकत्व की सफलतापूर्वक भविष्यवाणी कर सकता है। हालांकि, उतना ही महत्वपूर्ण है कि चुंबकीय एनीसोट्रॉपी निरंतर है। यह मान एक चुंबकीय क्षेत्र को लागू करके चुंबकीय सामग्री की ध्रुवीयता को दूर करना कितना आसान या मुश्किल है इसका एक उपाय है। मोलर कहते हैं, "इस मूल्य की भविष्यवाणी करने में सक्षम होना कंप्यूटर-सहायता प्राप्त चुंबकीय सामग्री विज्ञान के लिए एक बड़ी चुनौती है।" हालांकि, वैज्ञानिक इसके बजाय अर्ध-मात्रात्मक मूल्य की गणना कर सकते हैं; दूसरे शब्दों में, सिमुलेशन चुंबकीय एनीसोट्रॉपी के लिए व्यवस्थित रूप से एक मूल्य की भविष्यवाणी कर सकता है जो मात्रात्मक रूप से सटीक रूप से गुणात्मक रूप से होता है। उदाहरण के लिए, अनुकरण, यह दिखा सकता है कि सामग्री एक्स सामग्री वाई से सात गुना मजबूत चुंबकीय क्षेत्रों का सामना करने में सक्षम है।

मशीन सीखने अंतराल भरता है

टीम अब सामग्री के चुंबकीय गुणों पर आगे और बड़े, कदम में अपने डेटा को नियोजित कर सकती है। "सिमुलेशन हमें कई हज़ार से दस हजार उम्मीदवारों के साथ प्रदान करता है। हालांकि, लाखों या यहां तक ​​कि संभावित मौलिक रचनाओं और संयोजनों के अरबों भी हैं, " मोलर बताते हैं। "मशीन सीखने के तरीकों का उपयोग करके, हम नकली और सैद्धांतिक आंकड़ों के बीच बड़े अंतराल को भरने में सक्षम हैं।" शोधकर्ता सामग्री को अनुकूलित करने के लिए प्रक्रिया को भी उलट सकते हैं। ऐसा करने के लिए, वे सामग्री के लिए न्यूनतम आवश्यकताओं को निर्दिष्ट करते हैं, उदाहरण के लिए चुंबकीय शक्ति या एनीसोट्रॉपी, रासायनिक तत्वों के साथ वे नियोजित करने की उम्मीद करते हैं, उदाहरण के लिए "दुर्लभ और महंगे कोबाल्ट की बजाय सस्ते तांबा का उपयोग करें।" एक ऑप्टिमाइज़ेशन एल्गोरिदम सामग्री सामग्री से मशीन सीखने द्वारा गणना की गई सामग्री मॉडल का उपयोग करके सामग्री की सर्वोत्तम संभव मौलिक संरचना प्रदान करता है।

सॉफ़्टवेयर का उपयोग करना आसान बनाने के लिए टीम ने उपयोगकर्ता के अनुकूल वेब टूल विकसित किए हैं। यह उपयोगकर्ताओं को लक्षित गुणों और स्रोत सामग्री में प्रवेश करने की अनुमति देता है। उपकरण तब चुंबकीय गुणों और कच्चे माल की लागत पर जानकारी प्रदान करता है। कार्यान्वित अनुकूलन एल्गोरिदम जल्द ही उपलब्ध होगा।

menu
menu