AI legt verborgen energieverliezen in elektromotoren bloot

Onderzoekers van de Tokyo University of Science hebben een AI-gestuurd model ontwikkeld dat inzicht geeft in een van de lastigst te doorgronden energieverliezen in elektromotoren: magnetische hysteresisverliezen. Door complexe magnetische patronen in zachte magnetische materialen zichtbaar en analyseerbaar te maken, hopen de onderzoekers de efficiëntie van toekomstige elektromotoren verder te verbeteren.

De groei van elektrische voertuigen heeft de zoektocht naar manieren om elektromotoren energiezuiniger te maken, geïntensiveerd. Een belangrijke uitdaging is ijzerverlies, ook wel magnetisch hysteresisverlies genoemd, dat optreedt wanneer magnetische velden in de motor herhaaldelijk van richting veranderen. Dit proces verspilt energie in de vorm van warmte in de motorkern, die is gemaakt van zachte magnetische materialen. Omdat elektromotoren vaak op hoge temperaturen werken, kunnen thermische effecten deze materialen ook gedeeltelijk demagnetiseren, waardoor het energieverliesprobleem nog complexer wordt.

Een belangrijke factor achter deze effecten is het gedrag van magnetische domeinen, dit zijn kleine magnetische gebieden in materialen. De rangschikking en structuur van deze domeinen beïnvloeden sterk hoe magnetische materialen reageren op warmte en hoeveel energie ze verliezen tijdens gebruik.

Complexe magnetische doolhofdomeinen

Sommige zachte magnetische materialen bevatten zeer complexe magnetische structuren, doolhofdomeinen genaamd, vanwege hun zigzagvormige, labyrintachtige uiterlijk. Deze doolhofdomeinen kunnen abrupt veranderen wanneer de temperatuur stijgt of daalt, wat van invloed is op hoe energie in het materiaal verloren gaat. Wetenschappers hebben echter moeite gehad om deze structuren volledig te begrijpen, omdat er veel factoren een rol spelen, waaronder de microscopische structuur van het materiaal, thermische effecten en energiestabiliteit.

Om dit gedrag beter te begrijpen, hebben onderzoekers onder leiding van professor Masato Kotsugi en dr. Ken Masuzawa van de afdeling Materiaalwetenschappen en -technologie aan de Tokyo University of Science (TUS) in Japan, samen met onderzoekers van de Universiteit van Tsukuba, de Universiteit van Okayama en de Universiteit van Kyoto, een nieuw model ontwikkeld, het zogenaamde entropy-feature-eXtended Ginzburg-Landau (eX-GL) model. Het team gebruikte deze aanpak om het energielandschap van doolhofdomeinen in een zeldzame-aardijzergranaat (RIG) te bestuderen.

“Conventionele simulaties vereenvoudigen echte materialen te veel, terwijl experimenten complexiteit onthullen zonder een duidelijke manier om oorzaak en gevolg te kwantificeren”, legt professor Kotsugi uit. “Ons op fysica gebaseerde, verklaarbare kunstmatige intelligentiekader pakt deze beperkingen aan en is ontworpen om het temperatuurafhankelijke magnetisatieomkeringsproces mechanistisch te verklaren.”

Hun bevindingen werden gepubliceerd in het tijdschrift Scientific Reports.

AI en natuurkunde onthullen verborgen magnetisch gedrag

Om te onderzoeken hoe temperatuur de verwijdering van magnetisatie in doolhofdomeinen beïnvloedt, maakten de onderzoekers microscopische beelden van de magnetische domeinen in het RIG-monster bij verschillende temperaturen. Deze beelden werden vervolgens geanalyseerd met behulp van het eX-GL-model.

De eerste fase van het model maakt gebruik van persistente homologie (PH), een geavanceerde wiskundige methode die topologische kenmerken in data identificeert. Dit stelde het team in staat om onregelmatige structurele kenmerken in de beelden van de magnetische domeinen te detecteren. Vervolgens werd patroonherkenning op basis van machine learning gebruikt om de belangrijkste kenmerken uit de PH-data te bepalen, wat resulteerde in een digitaal vrije-energielandschap dat laat zien hoe magnetische microstructuren evolueren naarmate de energie verandert. Ten slotte koppelde de analyse deze microscopische domeinstructuren wiskundig aan het grotere proces van magnetisatieomkering.

Met behulp van deze methode identificeerden de onderzoekers een dominant kenmerk, bekend als PC1, dat het proces van magnetisatieomkering succesvol vastlegde. Door PC1 te koppelen aan fysische eigenschappen visualiseerde het team vier belangrijke energiebarrières die de dynamiek van magnetisatieomkering sterk beïnvloeden.

Verborgen energiebarrières in magnetische materialen

Een gedetailleerde analyse van deze barrières en de bijbehorende microstructuren onthulde hoe verschillende vormen van energie de magnetisatieomkering beïnvloeden. De onderzoekers maten de energieoverdracht waarbij wisselwerkingen, demagnetiserende effecten en entropie een rol spelen.

Ze ontdekten ook dat doolhofdomeinen complexer worden naarmate de lengte van de domeinwanden toeneemt. Deze toenemende complexiteit wordt veroorzaakt door interacties tussen entropie en wisselwerkingskrachten. Deze resultaten hielpen de fysische mechanismen achter het omkeringsgedrag van doolhofdomeinen te verduidelijken.

“Onze eX-GL-aanpak automatiseert effectief de interpretatie van complexe magnetisatieomkeringsprocessen en maakt de identificatie mogelijk van verborgen mechanismen die moeilijk te onderscheiden zijn met conventionele methoden”, aldus prof. Kotsugi. “Bovendien, aangezien vrije energie een universele thermodynamische maatstaf is, kan ons model worden uitgebreid naar andere systemen met vergelijkbare eigenschappen.”

Over het geheel genomen werpt de studie niet alleen licht op de mechanica van doolhofdomeinen, maar introduceert ook een bredere strategie voor het onderzoeken van complexe energielandschappen in magnetische systemen en andere materialen.