هل يمكن التنبؤ بصيغة مغناطيسات Ndfeb الجديدة من خلال علم المواد (مثل التعلم الآلي)؟

1. المقدمة

مغناطيسات NdFeB، المكونة أساسًا من المركب المعدني Nd₂Fe₁₄B، تهيمن على سوق المغناطيسات الدائمة عالية الأداء بفضل ناتج الطاقة (BHmax) الفريد وقوة الإكراه (Hci). ومع ذلك، يواجه انتشارها تحديين رئيسيين:

1. ندرة الموارد : يتم تصنيف النيوديميوم والديسبروسيوم على أنهما مواد خام أساسية من قبل المفوضية الأوروبية، مع تفاقم مخاطر العرض بسبب التوترات الجيوسياسية والتوزيع العالمي غير المتكافئ.
2. التنازلات بين التكلفة والأداء : يؤدي محتوى النيوديميوم العالي إلى تحسين الخصائص المغناطيسية ولكنه يزيد من تكاليف المواد، في حين تؤدي الإضافات المفرطة للداي إلى زيادة القوة القسرية على حساب البقايا (البروميد).

لمعالجة هذه المشكلات، يسعى الباحثون إلى تصميم صيغ مغناطيسية جديدة بتركيبات مُحسّنة تُقلل من استخدام العناصر الأرضية النادرة دون المساس بالأداء. يُقدم التعلم الآلي بديلاً قائمًا على البيانات للطرق التجريبية التقليدية، مما يُمكّن من الاستكشاف السريع للمساحات التركيبية الشاسعة وتحديد الارتباطات غير الواضحة بين نسب العناصر والخصائص العيانية.

2. أساسيات تركيب مغناطيس NdFeB

2.1 العناصر الأساسية وأدوارها

• نيوديميوم (Nd) : يُشكِّل مصفوفة Nd₂Fe₁₄B، وهي المصدر الرئيسي للمغناطيسية العالية. يتراوح محتواه النموذجي بين ٢٩ و٣٢٪ وزنًا في الأصناف التجارية.
• الحديد (Fe) : يشكل 64-69% من وزن السبائك، مما يوفر الاستقرار الهيكلي ويساهم في مغناطيسية التشبع.
• البورون (ب) : عند نسبة 1.0-1.2% من الوزن، يعمل البورون على تثبيت البنية البلورية الرباعية الأساسية للتباين أحادي المحور.
• إضافات العناصر الأرضية النادرة:
  • الديسبروسيوم (Dy) : بدائل للنيوديميوم في الطور 2:14:1، مما يعزز الإكراه من خلال زيادة تباين البلورات المغناطيسية. يُستخدم بنسبة 0.8-1.2% وزنيًا في التطبيقات عالية الحرارة.
  • البراسيوديميوم (Pr) : بديل أرخص من النوديوم، ويستخدم غالبًا في المغناطيسات القائمة على المعادن المختلطة لتقليل التكاليف.
  • النيوبيوم (Nb) والألومنيوم (Al) : يضافان بكميات صغيرة (0.2-1٪ وزناً) لتحسين بنية الحبوب وتحسين مقاومة التآكل.

2.2 عملية التصنيع والتأثيرات التركيبية

تتضمن عملية إنتاج مغناطيسات NdFeB المسحوقة خطوات من مسحوق المعادن - الصهر، والطحن النفاث، والمحاذاة المغناطيسية، والضغط، والتلبيد - كل منها حساسة للتركيب:

• التحكم في حجم الحبوب : تعمل إضافات الديسبروسيوم على قمع نمو الحبوب غير الطبيعي أثناء التلبيد، مما يقلل من متوسط ​​حجم الحبوب ويعزز القوة القسرية.
• نقاء الطور : يؤدي البورون الزائد إلى مراحل ثانوية هشة من Nd₁₊ₓFe₄B₄، في حين يؤدي البورون غير الكافي إلى زعزعة استقرار مصفوفة Nd₂Fe₁₄B.
• المحاذاة المغناطيسية : تتطلب المغناطيسات المتباينة الخواص حبيبات Nd₂Fe₁₄B متجانسة ومتراصة على طول المحور c، وهي عملية تتأثر باستبدال Dy وشكل المسحوق.

وتؤكد هذه التعقيدات على الحاجة إلى نماذج تنبؤية تلتقط العلاقات بين التركيب والمعالجة والملكية بشكل شامل.

3. التعلم الآلي في علوم المواد: مقدمة

3.1 نظرة عامة على تقنيات التعلم الآلي

تُطبّق معلوماتية المواد التعلم الآلي لتسريع اكتشاف المواد من خلال تحديد الأنماط في مجموعات البيانات الضخمة. وتشمل التقنيات الرئيسية ما يلي:

• التعلم الخاضع للإشراف : يتنبأ بخصائص الهدف (على سبيل المثال، الإكراه) من ميزات الإدخال (على سبيل المثال، تركيزات العناصر) باستخدام نماذج الانحدار مثل الانحدار المتجه الداعم (SVR)، والغابات العشوائية (RF)، والشبكات العصبية (NNs).
• التعلم غير الخاضع للإشراف : يقوم بتجميع التركيبات المتشابهة أو تحديد المتغيرات الكامنة في البيانات غير المسمىة (على سبيل المثال، تحليل المكونات الأساسية لاستكشاف مخطط الطور).
• التعلم التعزيزي : يعمل على تحسين المساحات التركيبية من خلال مكافأة النماذج لاكتشاف الصيغ عالية الأداء، كما هو موضح في تصميم السبائك.

3.2 متطلبات البيانات والتحديات

تتطلب نماذج التعلم الآلي مجموعات بيانات عالية الجودة ومتعددة الوسائط تشمل:

• البيانات التركيبية : النسب المئوية للعناصر، والنسب المتكافئة، ومستويات الشوائب.
• السمات البنيوية الدقيقة : توزيعات حجم الحبيبات، وكسور الطور، وكثافات العيوب من حيود الأشعة السينية (XRD) أو حيود التشتت الإلكتروني (EBSD).
• الخصائص العيانية : تم قياس Br وHci وBHmax من قياس المغناطيسية للعينة المهتزة (VSM) أو حلقات الهستيريسيس.

وتشمل التحديات ما يلي:

• ندرة البيانات : مجموعات البيانات التجريبية لـ NdFeB محدودة بتكلفة التركيب والتشخيص.
• الضوضاء والتحيز : يؤدي التباين في ظروف التصنيع إلى إحداث حالة من عدم اليقين في قياسات الخصائص.
• أبعاد عالية : مع أكثر من 6 عناصر، تنمو المساحة التركيبية بشكل كبير، مما يتطلب تقنيات تقليل الأبعاد.

4. التنبؤ بصيغ NdFeB باستخدام التعلم الآلي

4.1 دراسة الحالة 1: الانحدار متعدد الرؤوس للانتباه (MHAR) للتنبؤ بالملكية

طورت دراسة أجريت عام ٢٠٢٣ نماذج MHAR للتنبؤ بـ Br وHci وBHmax والتربيع (SQ) في مغناطيسات NdFeB المُلبَّدة. الأفكار الرئيسية:

• هندسة النموذج : يستخدم MHAR آليات الاهتمام الذاتي لوزن أهمية ميزات الإدخال (على سبيل المثال، Nd، Dy، وحجم الحبيبات) بشكل ديناميكي، مما يحسن القدرة على التفسير عبر الشبكات العصبية ذات الصندوق الأسود.
• مقاييس الأداء : تم تحقيق درجات R² 0.97 لـ Br و 0.84 لـ Hci على بيانات الاختبار، متفوقة على الانحدار الخطي وخطوط الأساس SVM.
• إمكانية التفسير : كشفت أوزان الانتباه أن محتوى Dy وحجم الحبيبات كانا من أهم المتنبئين بالإكراه، بما يتماشى مع معرفة المجال.

4.2 دراسة الحالة 2: XGBoost لاستعادة العناصر الأرضية النادرة وتحسين الصيغة

في إعادة تدوير العناصر الأرضية النادرة، تنبأت نماذج XGBoost بتركيزات Nd وDy في مغناطيسات الخردة، مع قيم R² تتراوح بين 0.80 و0.99 عبر مجموعات التحقق المتبادل. وتم توسيع نطاق هذا النهج ليشمل تصميم الصيغ:

• هندسة الميزات : تم دمج الموصوفات الديناميكية الحرارية (على سبيل المثال، محتوى الخلط) ومعلمات المعالجة (على سبيل المثال، درجة حرارة التلبيد) إلى جانب النسب العنصرية.
• التحسين : تم استخدام التحسين البايزي للتنقل في الفضاء التركيبي، وتحديد صيغ Dy المنخفضة مع Hci > 20 kOe.

4.3 دراسة الحالة 3: محاكاة الميكرومغناطيسية - التعلم الآلي المعزز

ولمعالجة ندرة البيانات، قام الباحثون بدمج المحاكاة الدقيقة مع التعلم الآلي:

• إنشاء مجموعة البيانات : محاكاة أكثر من 10000 بنية دقيقة حبيبية من NdFeB بأحجام حبيبات مختلفة وزوايا عدم المحاذاة وربط التبادل بين الحبوب.
• تدريب النموذج : تم تدريب نماذج SVR للتنبؤ بـ Hci وBHmax من السمات البنيوية الدقيقة المحاكاة، وتحقيق متوسط ​​الأخطاء المطلقة (MAEs) بنسبة <5٪ على البيانات غير المرئية.
• نقل التعلم : نماذج دقيقة على بيانات تجريبية محدودة، لسد الفجوة بين المحاكاة والتجربة.

5. التحديات والتوجهات المستقبلية

5.1 القيود الحالية

• الاستقراء : تواجه نماذج التعلم الآلي صعوبة في التنبؤ بالصيغ خارج توزيع التدريب (على سبيل المثال، البدائل الأرضية النادرة الجديدة).
• السببية مقابل الارتباط : لا تضمن درجات R² العالية وجود علاقات سببية، مما يعرضنا لخطر التنبؤات الزائفة في الأنظمة غير المستكشفة.
• النمذجة متعددة المقاييس : لا يزال دمج الحسابات على المستوى الذري (على سبيل المثال، نظرية الكثافة الوظيفية) مع التنبؤات الخاصة بالخصائص العيانية يمثل مشكلة مفتوحة.

5.2 الاتجاهات الناشئة

• التعلم النشط : الاستعلام بشكل متكرر عن المساحة التركيبية للتركيز على الجهود التجريبية على المناطق ذات الإمكانات العالية، مما يقلل من متطلبات البيانات.
• التعلم الآلي المستند إلى الفيزياء : يدمج المعرفة المجالية (على سبيل المثال، نموذج ستونر-وولفارث للإكراه) في هياكل الشبكة العصبية لتحسين التعميم.
• النماذج التوليدية : تقترح برامج التشفير التلقائي المتغيرة (VAEs) والشبكات التنافسية التوليدية (GANs) تركيبات جديدة من خلال تعلم التمثيلات الكامنة للمغناطيسات عالية الأداء.

6. الخاتمة

يُحدث التعلم الآلي نقلة نوعية في اكتشاف صيغ جديدة لمغناطيسات NdFeB، وذلك من خلال تمكين الاستكشاف السريع القائم على البيانات للمساحات التركيبية. وقد عالجت التطورات الحديثة في النماذج القائمة على الانتباه، والتعلم المُعزز بالمحاكاة، وأطر التفسير، تحديات رئيسية في الدقة والموثوقية. ومع ذلك، يجب على هذا المجال التغلب على قيود الاستقراء والتكامل متعدد المقاييس لتحقيق كامل إمكاناته. وينبغي أن تُعطي الأبحاث المستقبلية الأولوية لأنابيب التعلم النشط، والهياكل المُستندة إلى الفيزياء، والتعاون بين علماء المواد ومهندسي التعلم الآلي لتسريع تطوير مغناطيسات مستدامة وعالية الأداء للانتقال إلى الطاقة النظيفة.