آیا می‌توان فرمول آهنرباهای جدید Ndfeb را از طریق علم مواد (مانند یادگیری ماشین) پیش‌بینی کرد؟

۱. مقدمه

آهنرباهای NdFeB که عمدتاً از ترکیب بین فلزی Nd₂Fe₁₄B تشکیل شده‌اند، به دلیل حاصلضرب انرژی بی‌نظیر (BHmax) و وادارندگی (Hci) خود، بر بازار آهنرباهای دائمی با کارایی بالا تسلط دارند. با این حال، پذیرش گسترده آنها با دو چالش اساسی روبرو است:

1. کمبود منابع : نئودیمیوم و دیسپروزیوم توسط کمیسیون اروپا به عنوان مواد اولیه حیاتی طبقه‌بندی می‌شوند و خطرات تأمین آنها به دلیل تنش‌های ژئوپلیتیکی و توزیع ناهموار جهانی تشدید می‌شود.
2. بده‌بستان‌های هزینه-عملکرد : محتوای بالای Nd خواص مغناطیسی را بهبود می‌بخشد اما هزینه‌های مواد را افزایش می‌دهد، در حالی که افزودن بیش از حد Dy باعث افزایش وادارندگی به قیمت پسماند (Br) می‌شود.

برای پرداختن به این مسائل، محققان به دنبال طراحی فرمول‌های جدید آهنربا با ترکیبات بهینه هستند که استفاده از عناصر خاکی کمیاب را بدون به خطر انداختن عملکرد به حداقل برساند. یادگیری ماشینی یک جایگزین داده‌محور برای روش‌های تجربی سنتی ارائه می‌دهد و امکان کاوش سریع فضاهای ترکیبی وسیع و شناسایی همبستگی‌های غیر واضح بین نسبت‌های عنصری و خواص ماکروسکوپی را فراهم می‌کند.

۲. اصول ترکیب آهنربای NdFeB

۲.۱ عناصر اصلی و نقش‌های آنها

• نئودیمیم (Nd) : ماتریس Nd₂Fe₁₄B را تشکیل می‌دهد که منبع اصلی مغناطش بالا است. میزان معمول آن در گریدهای تجاری بین ۲۹ تا ۳۲ درصد وزنی است.
• آهن (Fe) : 64 تا 69 درصد وزنی آلیاژ را تشکیل می‌دهد و پایداری ساختاری را فراهم می‌کند و به مغناطش اشباع کمک می‌کند.
• بور (B) : بور با غلظت ۱.۰ تا ۱.۲ درصد وزنی، ساختار بلوری تتراگونال را که برای ناهمسانگردی تک‌محوری ضروری است، تثبیت می‌کند.
• افزودنی‌های عناصر خاکی کمیاب:
  • دیسپروزیم (Dy) : جایگزین Nd در فاز 2:14:1 می‌شود و از طریق افزایش ناهمسانگردی مغناطیسی-بلوری، وادارندگی را افزایش می‌دهد. در غلظت‌های 0.8 تا 1.2 درصد وزنی برای کاربردهای دما بالا استفاده می‌شود.
  • پراسئودیمیوم (Pr) : جایگزین ارزان‌تری برای Nd است که اغلب در آهنرباهای مبتنی بر فلز مذاب برای کاهش هزینه‌ها استفاده می‌شود.
  • نیوبیوم (Nb) و آلومینیوم (Al) : به مقدار جزئی (0.2 تا 1 درصد وزنی) برای اصلاح ساختار دانه و بهبود مقاومت در برابر خوردگی اضافه می‌شوند.

۲.۲ فرآیند تولید و اثرات ترکیبی

تولید آهنرباهای NdFeB متخلخل شامل مراحل متالورژی پودر - ذوب، آسیاب جت، تراز مغناطیسی، پرس و تفجوشی - است که هر کدام به ترکیب شیمیایی حساس هستند:

• کنترل اندازه دانه : افزودن دیسپروزیم، رشد غیرطبیعی دانه را در طول تف‌جوشی سرکوب می‌کند، اندازه متوسط ​​دانه را کاهش می‌دهد و نیروی وادارندگی را افزایش می‌دهد.
• خلوص فازی : بور اضافی منجر به شکننده شدن فازهای ثانویه Nd₁₊ₓFe₄B₄ می‌شود، در حالی که بور ناکافی ماتریس Nd₂Fe₁₄B را ناپایدار می‌کند.
• تراز مغناطیسی : آهنرباهای ناهمسانگرد به دانه‌های همگن Nd₂Fe₁₄B نیاز دارند که در امتداد محور c تراز شده باشند، فرآیندی که تحت تأثیر جایگزینی Dy و مورفولوژی پودر قرار دارد.

این پیچیدگی‌ها، نیاز به مدل‌های پیش‌بینی‌کننده‌ای را که روابط ترکیب-پردازش-ویژگی را به طور جامع در نظر بگیرند، برجسته می‌کند.

۳. یادگیری ماشین در علم مواد: مقدمه‌ای بر

۳.۱ مروری بر تکنیک‌های یادگیری ماشینی

انفورماتیک مواد، با شناسایی الگوها در مجموعه داده‌های بزرگ، از یادگیری ماشینی برای تسریع کشف مواد استفاده می‌کند. تکنیک‌های کلیدی عبارتند از:

• یادگیری نظارت‌شده : ویژگی‌های هدف (مثلاً وادارندگی) را از ویژگی‌های ورودی (مثلاً غلظت عناصر) با استفاده از مدل‌های رگرسیون مانند رگرسیون بردار پشتیبان (SVR)، جنگل‌های تصادفی (RF) و شبکه‌های عصبی (NN) پیش‌بینی می‌کند.
• یادگیری بدون نظارت : ترکیبات مشابه را خوشه‌بندی می‌کند یا متغیرهای پنهان را در داده‌های بدون برچسب شناسایی می‌کند (مثلاً تحلیل مؤلفه‌های اصلی برای کاوش نمودار فاز).
• یادگیری تقویتی : با پاداش دادن به مدل‌ها برای کشف فرمول‌های با کارایی بالا، همانطور که در طراحی آلیاژ نشان داده شده است، فضاهای ترکیبی را بهینه می‌کند.

۳.۲ الزامات و چالش‌های داده‌ها

مدل‌های یادگیری ماشینی به مجموعه داده‌های چندوجهی و با کیفیت بالا نیاز دارند که شامل موارد زیر می‌شود:

• داده‌های ترکیبی : درصد عناصر، نسبت‌های استوکیومتری و میزان ناخالصی.
• ویژگی‌های ریزساختاری : توزیع اندازه دانه، کسر فازها و چگالی نقص‌ها از پراش اشعه ایکس (XRD) یا پراش الکترون‌های برگشتی (EBSD).
• خواص ماکروسکوپی : Br، Hci و BHmax اندازه‌گیری شده از مغناطیس‌سنجی نمونه ارتعاشی (VSM) یا حلقه‌های هیسترزیس.

چالش‌ها عبارتند از:

• کمبود داده‌ها : مجموعه داده‌های تجربی برای NdFeB به دلیل هزینه سنتز و توصیف محدود است.
• نویز و بایاس : تغییر در شرایط تولید، عدم قطعیت در اندازه‌گیری‌های خواص را ایجاد می‌کند.
• ابعاد بالا : با بیش از ۶ عنصر، فضای ترکیبی به صورت نمایی رشد می‌کند و نیاز به تکنیک‌های کاهش ابعاد دارد.

۴. پیش‌بینی مبتنی بر یادگیری ماشین برای فرمول‌های NdFeB

۴.۱ مطالعه موردی ۱: رگرسیون توجه چند سر (MHAR) برای پیش‌بینی ویژگی

یک مطالعه در سال 2023 مدل‌های MHAR را برای پیش‌بینی Br، Hci، BHmax و مربعی بودن (SQ) در آهنرباهای NdFeB زینتر شده توسعه داد. بینش‌های کلیدی:

• معماری مدل : MHAR از مکانیسم‌های خود-توجهی برای سنجش اهمیت ویژگی‌های ورودی (مثلاً Nd، Dy و اندازه دانه) به صورت پویا استفاده می‌کند و قابلیت تفسیر را نسبت به شبکه‌های عصبی جعبه سیاه بهبود می‌بخشد.
• معیارهای عملکرد : در داده‌های آزمایشی، امتیاز R² برابر با 0.97 برای Br و 0.84 برای Hci به دست آمد که از مقادیر پایه رگرسیون خطی و SVM بهتر عمل می‌کند.
• قابلیت تفسیر : وزن‌های توجه نشان داد که محتوای Dy و اندازه دانه، پیش‌بینی‌کننده‌های اصلی وادارندگی هستند که با دانش دامنه همسو است.

۴.۲ مطالعه موردی ۲: XGBoost برای بازیابی عناصر کمیاب و بهینه‌سازی فرمول

در بازیافت عناصر نادر خاکی، مدل‌های XGBoost غلظت Nd و Dy را در آهنرباهای قراضه با مقادیر R² 0.80-0.99 در مجموعه‌های اعتبارسنجی متقابل پیش‌بینی کردند. این رویکرد به طراحی فرمول نیز تعمیم داده شد:

• مهندسی ویژگی‌ها : توصیف‌گرهای ترمودینامیکی (مثلاً آنتالپی اختلاط) و پارامترهای فرآیند (مثلاً دمای پخت) در کنار نسبت‌های عنصری گنجانده شده‌اند.
• بهینه‌سازی : از بهینه‌سازی بیزی برای پیمایش فضای ترکیبی استفاده شد و فرمول‌های با Dy پایین با Hci > 20 kOe شناسایی شدند.

۴.۳ مطالعه موردی ۳: شبیه‌سازی میکرومغناطیسی-یادگیری ماشین افزوده

برای رفع کمبود داده‌ها، محققان شبیه‌سازی‌های میکرومغناطیسی را با یادگیری ماشینی ترکیب کردند:

• تولید مجموعه داده‌ها : شبیه‌سازی بیش از ۱۰،۰۰۰ ریزساختار دانه‌ای NdFeB با اندازه‌های دانه، زوایای ناهم‌ترازی و کوپلینگ تبادلی بین دانه‌ای متفاوت.
• آموزش مدل : مدل‌های SVR آموزش داده شده برای پیش‌بینی Hci و BHmax از ویژگی‌های ریزساختاری شبیه‌سازی شده، و دستیابی به میانگین خطاهای مطلق (MAE) کمتر از 5٪ در داده‌های دیده نشده.
• یادگیری انتقالی : مدل‌های تنظیم‌شده دقیق روی داده‌های تجربی محدود، که شکاف شبیه‌سازی-آزمایش را پر می‌کنند.

۵. چالش‌ها و مسیرهای آینده

۵.۱ محدودیت‌های فعلی

• برون‌یابی : مدل‌های یادگیری ماشین برای پیش‌بینی فرمول‌های خارج از توزیع آموزشی (مثلاً جایگزین‌های جدید عناصر کمیاب) با مشکل مواجه هستند.
• علیت در مقابل همبستگی : نمرات بالای R² روابط علی را تضمین نمی‌کنند و خطر پیش‌بینی‌های نادرست در حوزه‌های ناشناخته را به همراه دارند.
• مدل‌سازی چندمقیاسی : ادغام محاسبات در مقیاس اتمی (مثلاً نظریه تابعی چگالی) با پیش‌بینی‌های خواص ماکروسکوپی همچنان یک مسئله حل نشده است.

۵.۲ روندهای نوظهور

• یادگیری فعال : به صورت تکراری فضای ترکیبی را جستجو می‌کند تا تلاش‌های تجربی را روی مناطق با پتانسیل بالا متمرکز کند و نیازهای داده را کاهش دهد.
• یادگیری ماشین مبتنی بر فیزیک : دانش دامنه (مثلاً مدل استونر-ولفارث برای وادارندگی) را در معماری‌های شبکه عصبی جاسازی می‌کند تا تعمیم‌پذیری را بهبود بخشد.
• مدل‌های مولد : خودرمزگذارهای متغیر (VAE) و شبکه‌های مولد تخاصمی (GAN) با یادگیری بازنمایی‌های نهفته آهنرباهای با کارایی بالا، ترکیبات جدیدی را پیشنهاد می‌دهند.

۶. نتیجه‌گیری

یادگیری ماشینی با فراهم کردن امکان کاوش سریع و داده‌محور در فضاهای ترکیبی، در حال متحول کردن کشف فرمول‌های جدید آهنربای NdFeB است. پیشرفت‌های اخیر در مدل‌های مبتنی بر توجه، یادگیری تقویت‌شده با شبیه‌سازی و چارچوب‌های تفسیرپذیری، چالش‌های کلیدی در دقت و قابلیت اعتماد را برطرف کرده‌اند. با این حال، این حوزه باید بر محدودیت‌های برون‌یابی و ادغام چندمقیاسی غلبه کند تا پتانسیل کامل خود را محقق سازد. تحقیقات آینده باید خطوط لوله یادگیری فعال، معماری‌های مبتنی بر فیزیک و همکاری‌های بین دانشمندان مواد و مهندسان یادگیری ماشین را در اولویت قرار دهد تا توسعه آهنرباهای پایدار و با عملکرد بالا را برای گذار به انرژی پاک تسریع کند.