CN117524386A - 基于微磁学和机器学习的磁性合金磁导率计算方法和装置 - Google Patents
基于微磁学和机器学习的磁性合金磁导率计算方法和装置 Download PDFInfo
- Publication number
- CN117524386A CN117524386A CN202410011458.0A CN202410011458A CN117524386A CN 117524386 A CN117524386 A CN 117524386A CN 202410011458 A CN202410011458 A CN 202410011458A CN 117524386 A CN117524386 A CN 117524386A
- Authority
- CN
- China
- Prior art keywords
- magnetic
- micromagnetism
- magnetic alloy
- alloy
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229910001004 magnetic alloy Inorganic materials 0.000 title claims abstract description 122
- 230000035699 permeability Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000010801 machine learning Methods 0.000 title claims abstract description 44
- 230000005291 magnetic effect Effects 0.000 claims abstract description 240
- 230000004044 response Effects 0.000 claims abstract description 42
- 238000001228 spectrum Methods 0.000 claims abstract description 40
- 230000009471 action Effects 0.000 claims abstract description 20
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 239000013598 vector Substances 0.000 claims description 43
- 238000009826 distribution Methods 0.000 claims description 35
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 32
- 239000000696 magnetic material Substances 0.000 claims description 23
- 238000013461 design Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000010941 cobalt Substances 0.000 claims description 18
- 229910017052 cobalt Inorganic materials 0.000 claims description 18
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 claims description 18
- 229910052742 iron Inorganic materials 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 abstract description 15
- 238000005259 measurement Methods 0.000 abstract description 5
- QVYYOKWPCQYKEY-UHFFFAOYSA-N [Fe].[Co] Chemical compound [Fe].[Co] QVYYOKWPCQYKEY-UHFFFAOYSA-N 0.000 description 22
- 239000000463 material Substances 0.000 description 11
- 229910000531 Co alloy Inorganic materials 0.000 description 6
- 239000000956 alloy Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000013016 damping Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000011358 absorbing material Substances 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005294 ferromagnetic effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000005415 magnetization Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 229910045601 alloy Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Measuring Magnetic Variables (AREA)
Abstract
本申请涉及一种基于微磁学和机器学习的磁性合金磁导率计算方法和装置。所述方法包括：构建磁性合金的微磁学模型；获取所述微磁学模型在微扰磁场作用下的动态磁学响应数据；基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据；将所述高频磁谱数据输入机器学习算法，预测得到所述磁性合金的磁导率的峰值信息；解决了实测过程中成本高效率低的问题，实现了以微观方式模拟磁性合金在外加磁场作用下的动态磁学响应特征，从而更高效的揭示磁性合金的高频磁学特性。
Description
技术领域
本申请涉及磁性材料技术领域，特别是涉及一种基于微磁学和机器学习的磁性合金磁导率计算方法和装置。
背景技术
高频磁导率的本质是磁性合金在微扰磁场作用下的一种动态磁学特征，其数值一般表现为虚部为正值，其虚部峰值越大表示材料的吸波性能越好。由于电子器件的工作频率逐渐朝着高频的方向发展，这就要求磁性合金材料的磁导率峰值位置向高频的方向移动。
为了更好的研究磁性合金材料的高频动态磁学特性，现有技术中常常需要对磁性合金的实体进行测量，得到不同材料组分或不同尺寸等材料工程设计特征下的实体磁性材料的高频磁谱，但调节磁性合金的材料工程设计特征需要花费大量的时间和费用。由于实验测量的效率较低，获取磁性材料磁导率的效率也受到限制。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高磁导率计算效率的基于微磁学和机器学习的磁性合金磁导率计算方法和装置。
第一方面，本申请提出一种基于微磁学和机器学习的磁性合金磁导率计算方法，所述方法包括：
构建磁性合金的微磁学模型；
获取所述微磁学模型在微扰磁场作用下的动态磁学响应数据；
基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据；
将所述高频磁谱数据中的峰值数据输入机器学习算法，预测得到不同设计参数下所述磁性合金的磁导率的峰值信息。
在其中一个实施例中，所述构建磁性合金的微磁学模型，包括：
在微磁学模拟计算软件中，基于预设的几何形状、至少两组尺寸数值、磁学参数以及初始磁矩矢量分布，设计磁性合金的微磁学模型，得到具有不同尺寸的所述微磁学模型。
在其中一个实施例中，所述磁性合金的磁性材料包括铁和钴；
基于铁和钴在所述磁性材料中的组分比例和铁和钴的磁参量计算磁学参数。
在其中一个实施例中，所述初始磁矩矢量分布采用随机分布。
在其中一个实施例中，所述几何形状为椭球形。
在其中一个实施例中，所述构建磁性合金的微磁学模型，包括：
在微磁学模拟计算软件中，基于预设的几何形状、尺寸大小、至少两组磁学参数以及初始磁矩矢量分布，设计磁性合金的微磁学模型，得到具有不同磁学参数的所述微磁学模型。
在其中一个实施例中，所述基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据，包括：
基于快速傅里叶变换将所述动态磁学响应数据从时域转换至频域；
并基于所述转换后的数据计算得到磁导率的实部数据和虚部数据，基于所述实部数据和所述虚部数据得到高频磁普数据。
在其中一个实施例中，所述方法还包括：
对不同方向的磁矩矢量设置不同的显示方式；
基于所述动态磁学响应数据，在可视化界面输出所述磁性合金的磁矩矢量分布图像。
第二方面，本申请还提供了一种基于微磁学和机器学习的磁性合金磁导率计算装置，所述装置包括：
微磁学模型构建模块，用于构建磁性合金的微磁学模型；
动态响应输出模块，用于获取所述微磁学模型在微扰磁场作用下的动态磁学响应数据；
高频磁谱计算模块，用于基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据；
峰值信息预测模块，用于将所述高频磁谱数据中的峰值数据输入机器学习算法，预测得到不同设计参数下所述磁性合金的磁导率的峰值信息。
第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现第一方面所述的基于微磁学和机器学习的磁性合金磁导率计算方法。
上述基于微磁学和机器学习的磁性合金磁导率计算方法和装置，通过构建磁性合金的微磁学模型；获取所述微磁学模型在微扰磁场作用下的动态磁学响应数据；基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据；将所述高频磁谱数据中的峰值数据输入机器学习算法，预测得到不同设计参数下所述磁性合金的磁导率的峰值信息；解决了实测过程中成本高效率低的问题，实现了以微观方式模拟磁性合金在外加磁场作用下的动态磁学响应特征，从而更高效的揭示磁性合金的高频磁学特性。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为一个实施例中基于微磁学和机器学习的磁性合金磁导率计算方法的硬件结构框图；
图2为一个实施例中基于微磁学和机器学习的磁性合金磁导率计算方法的流程示意图；
图3为一个实施例中特定方向的微扰磁场大小数值图；
图4为一个优选实施例中外加微扰磁场下铁钴磁性合金自由能变化图；
图5为一个优选实施例中基于微磁学计算得出的铁钴磁性材料的高频磁谱图；
图6为一个优选实施例中基于机器学习算法得出的铁钴磁性材料的高频磁导率虚部峰值图；
图7为一个优选实施例中外加微扰磁场下铁钴磁性合金的磁矩矢量分布图；
图8为一个实施例中基于微磁学和机器学习的磁性合金磁导率计算装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
显而易见地，下面描述中的附图仅仅是本申请的一些示例或实施例，对于本领域的普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图将本申请应用于其他类似情景。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计、制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指两个或两个以上。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
在本实施例中提供的方法实施例可以在终端、计算机或者类似的运算装置中执行。比如在终端上运行，图1是本实施例的基于微磁学和机器学习的磁性合金磁导率计算方法的硬件结构框图。如图1所示，终端可以包括一个或多个（图1中仅示出一个）处理器102和用于存储数据的存储器104，其中，处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置。上述终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述终端的结构造成限制。例如，终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示出的不同配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如在本实施例中的基于微磁学和机器学习的磁性合金磁导率计算方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106用于经由一个网络接收或者发送数据。上述的网络包括终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（NetworkInterface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种基于微磁学和机器学习的磁性合金磁导率计算方法，图2是本实施例的基于微磁学和机器学习的磁性合金磁导率计算方法的流程示意图，如图2所示，该流程包括如下步骤：
步骤S210，构建磁性合金的微磁学模型。
具体的，微磁学模拟计算软件中，基于几何形状、尺寸数值、磁学参数和初始磁矩矢量分布等设计参数构建磁性合金的微磁学模型。在本实施例中，基于几何形状和尺寸数值构建一个三维几何模型，为该三维几何模型设置磁学参数和初始磁矩矢量分布，并对该模型进行弛豫，得到更加稳定的微磁学模型。其中，几何形状包括但不限于椭球形、球形、方形等形状。磁学参数可以基于磁性合金的组分比例和组分中每种材料的磁参量计算得到。磁性合金的材料和组分比例可根据测试需要做适应性调整。
在三维的微磁学模型建立过程中，首先选取三维几何模型的离散网格单元尺寸大小，要求网格单元尺寸小于材料的交换长度Lex，交换长度Lex的计算公式如下：
；
其中，A为材料的磁交换系数，Ms为饱和磁化强度，μ0为真空中的磁导率。
示例性的，以组分比例为1:1的铁钴合金为例，其磁参量的数值由铁和钴的磁参量加权计算，通过上述公式计算得到铁钴磁性合金的交换长度Lex为4.1nm，因此，网格单元尺寸设置为3nm×3nm×3nm。然后，把动态阻尼系数大小选取为0.5，这是因为在实验中通常样品材料的微观组织并不均匀，多晶结构存在着缺陷，这样得到的磁导率峰型更为平整。
在其他实施例中，也可利用采用神经网络的方式来构建磁性合金的微磁学模型，构建微磁学模型的方法在此不进行限制。
步骤S220，获取微磁学模型在微扰磁场作用下的动态磁学响应数据。
具体的，设置外加的微扰磁场的时间步长以及总步数。示例性的，微扰磁场以每步1ps的速率进行变化，直到30000步为止，总时长为30ns，如图3所示。
步骤S230，基于动态磁学响应数据计算磁性合金的高频磁谱数据。
具体的，基于快速傅里叶变换将实时采集到的动态磁学响应数据从时域转化为频域，并基于该频域数据计算磁导率的实部数据和虚部数据。将实部数据和虚部数据以表格方式写入到文件中并绘制该磁性合金的磁导率频谱曲线图。并可与之前研究公开发表的相应材料的高频磁谱数据进行对比，从而验证该微磁学模型的准确性。
将磁导率虚部数据以表格的方式写入到文件，构成磁性合金的高频磁谱数据库，以该高频磁谱数据库作为下述机器学习的原料。
步骤S240，将高频磁谱数据中的峰值数据输入机器学习算法，预测得到不同设计参数下磁性合金的磁导率的峰值信息。
其中，峰值数据为虚部数据中的峰值，机器学习算法可采用支持向量回归算法，峰值信息包括磁导率的虚部峰值和出峰频率。
当基于多组设计参数构建出组磁性合金的微磁学模型时，将多组磁导率虚部数据以表格的方式写入到文件，构成磁性合金的高频磁谱数据库，基于该数据库预测得到不同设计参数下的多组磁导率的峰值信息。基于多组磁导率的峰值信息分析不同设计参数下磁性合金的高频动态磁学特性的规律。需要注意的是，在设置多组设计参数时，注意控制变量，例如需要分析磁性合金的高频动态磁特性与磁性合金尺寸变化之间的规律，需控制除模型尺寸大小这一变量外的其他设计参数保持一致。同理，本实施例也可用于分析高频动态磁特性与组分之间的规律。本实施例的分析结果对宽频强吸收磁性吸波材料的设计有指导意义。
在本实施例中，通过构建磁性合金的微磁学模型；获取微磁学模型在微扰磁场作用下的动态磁学响应数据；基于动态磁学响应数据计算磁性合金的高频磁谱数据；将高频磁谱数据输入机器学习算法，预测得到磁性合金的磁导率的峰值信息；解决了实测过程中成本高效率低的问题，实现了以微观方式模拟磁性合金在外加磁场作用下的动态磁学响应特征，从而更高效的揭示磁性合金的高频磁学特性。
在其中一个实施例中，基于上述步骤S210，构建磁性合金的微磁学模型，包括：
步骤S211，在微磁学模拟计算软件中，基于预设的几何形状、至少两组尺寸数值、磁学参数以及初始磁矩矢量分布，设计磁性合金的微磁学模型，得到具有不同尺寸的微磁学模型。
在本实施例中，在微磁学模拟计算软件中输入多组设计参数，从而得到不同尺寸的微磁学模型，以便在后续通过预测结果分析磁性合金尺寸与其高频动态磁特性的规律。
在其中一个实施例中，磁性合金的磁性材料包括铁和钴；基于铁和钴在磁性材料中的组分比例和铁和钴的磁参量计算磁学参数。
具体的，以铁和钴在磁性合金中的占比作为权重，结合铁和钴自身的磁参量，进行加权计算，得到铁钴合金的磁学参数。
在其中一个实施例中，初始磁矩矢量分布采用随机分布。
在其中一个实施例中，几何形状为椭球形。
在其中一个实施例中，基于上述步骤S210，构建磁性合金的微磁学模型，包括：
步骤S212，在微磁学模拟计算软件中，基于预设的几何形状、尺寸大小、至少两组磁学参数以及初始磁矩矢量分布，设计磁性合金的微磁学模型，得到具有不同磁学参数的微磁学模型。
在本实施例中，在微磁学模拟计算软件中输入多组设计参数，从而得到不同组分的微磁学模型，以便在后续通过预测结果分析磁性合金组分与其高频动态磁特性的规律。
在其中一个实施例中，基于上述步骤S230，基于动态磁学响应数据计算磁性合金的高频磁谱数据，包括：
步骤S231，基于快速傅里叶变换将动态磁学响应数据从时域转换至频域。
步骤S232，并基于转换后的数据计算得到磁导率的实部数据和虚部数据，基于实部数据和虚部数据得到高频磁普数据。
在其中一个实施例中，方法还包括：
步骤S250，对不同方向的磁矩矢量设置不同的显示方式。
步骤S260，基于动态磁学响应数据，在可视化界面输出磁性合金的磁矩矢量分布图像。
具体的，针对不同方向的磁矩矢量可以在可视化软件中设置不同的背景颜色，或不同的显示图例，从而更加直观的展现磁矩矢量分布的情况。由于，在外加微扰磁场作用过程中的磁性材料内部的磁矩矢量分布变化是一个复杂的过程，静微磁学中磁性材料内部的磁矩矢量方向和有效场平行，而在动微磁学中磁性材料内部的磁矩矢量方向会在有效场作用下发生进动，随着阻尼的作用磁矩矢量进动的半径会越来越小，逐渐与有效场方向平行，在实测磁性合金材料高频动态磁特性过程中难以实时观测到有效场以及磁矩矢量分布的进动过程，因而在微观形式更便于分析在外加微扰磁场作用过程中的磁矩矢量分布的演化规律。
下面通过优选实施例对本实施例进行描述和说明。
在Mumax3软件中设置微磁学模型的几何形状为椭球形，模型尺寸大小为：赤道直径为160-200 nm，方向沿着x轴和y轴方向，每组尺寸间隔2nm；沿着z轴的极直径与赤道直径之比设定为1.5，极直径尺寸为240-300 nm。磁性材料为组分比例为1:1的铁钴合金，其磁参量的数值由铁和钴的磁参量加权计算得到。动态阻尼系数大小选取为0.5。初始磁矩矢量分布为随机分布。通过Mumax3中的B_ext命令设置微扰磁场，微扰磁场方向与z轴方向平行，表达式为：H(t)= 100×exp(-109t)(t单位为s，H单位为A/m)；微扰磁场以每步1ps的速率进行变化，直到30000步为止，总时长为30ns。
实时采集铁钴磁性合金在微扰磁场作用下的动态磁学响应数据，基于快速傅里叶变换将动态磁学响应数据从时域转化为频域，然后，通过公式计算磁导率。磁导率计算公式如下：
；
其中，M(f)为磁化强度；H(f)为微扰磁场强度；μ´(f)为磁导率实部；μ"(f)为磁导率虚部。
图4为铁钴磁性合金尺寸为182nm的微磁学模型中计算得出的铁钴磁性材料在微扰磁场作用下各能量的数值大小图。可以看出尽管微扰磁场的作用将增大系统的总自由能，但在阻尼的作用下体系的总自由能呈缓慢的减小。磁性材料通过自然共振或涡流效应来吸收多余的电磁能，表现为磁导率虚部为正值，并且其峰值越高表示磁性材料的吸波性能越好。
图5为计算得到的该铁钴磁性合金尺寸为182nm的高频磁谱。如图5所示，当铁钴合金的磁导率频谱在2GHz时，磁导率虚部逐渐地上升至0.61，磁共振峰的位置为8.5GHz，出现了明显的较宽的磁共振峰。基于经典的snoek极限公式，在当前仿真中，磁共振峰的出峰频率由形状各向异性主导。此外，可以从图5中看到，磁导率实部从2.1缓慢地下降到1.3之后基本保持不变。与实验测得的结果相对比验证，在当前得到的高频磁谱数值与实验结果基本相近，在一定程度上验证了仿真结果的准确性。然后，将磁导率虚部数据以表格的方式写入到文件，即构成铁钴磁性合金的高频磁谱数据库。将高频磁谱数据库中的磁导率峰值作为预测量，铁钴磁性合金的赤道直径尺寸为自变量数据，采用支持向量回归算法预测计算了随着模型赤道尺寸变化的磁导率虚部峰值，如图6所示。
从图6中可以看出，大部分的样本点都在支持向量回归的拟合范围内，这说明支持向量回归的预测结果具有良好的准确性，但也可以看到随着容忍因子ε的变化，预测结果也相应的有一定程度的变化，随着容忍因子从0.5增大到1.5，支持向量回归线的斜率增大，说明随着铁钴磁性材料的尺寸增大，其磁导率虚部峰值呈一定程度的增加趋势。
将动态磁学响应数据通过oommf软件进行可视化展示，首先通过GUI界面中的mmDisp模块导入动态磁学响应数据中的磁矩矢量分布的ovf文件，可以通过设置Pixel类型对不同方向的磁矩矢量进行着色，并以箭头的方向表示磁矩矢量的方向，以直线的长短表示磁矩矢量大小，从而输出磁矩矢量分布的具体信息。如图7所示，图7为经外加微扰磁场处理后得到的YOZ截面的磁矩分布图。可以从图7中看到，铁钴合金出现了一个涡旋结构，涡旋结构的位置在合金的中间位置。其中铁钴合金的两端出现磁矩分布不均匀区域，左侧大多数朝向z轴正方向，而右侧则相反，主要是由两端的退磁场导致的。此外本实例通过对不同磁矩矢量分布的高频磁导率数据进行对比，能分析得出磁矩分布状态对铁钴磁性合金材料的高频磁特性的影响，例如铁钴磁性材料中对吸波性能有重要影响的共振峰出峰频率和高频磁导率虚部峰值。
在本优选实施例中，采用Mumax3软件，从微纳尺度的微磁学角度对铁钴磁性合金在微扰磁场的动态磁学响应过程进行模拟，以及采用微磁学计算的高频磁谱数据为“原料”，基于机器学习算法预测计算大尺寸铁钴磁性材料的磁导率峰值，为后面该新型宽频、强吸收的铁钴磁性吸波材料的微观研究提供了理论支撑。本实例同样可以根据不同的材料组分调整，改变铁钴磁性合金的磁学参数以及在微扰磁场作用过程中的自由能，揭示其在微观层面中材料动态磁学特性增强的机理，对后面的新型磁性材料设计有理论指导意义。
应该理解的是，虽然如上的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思，在本实施例中还提供了一种基于微磁学和机器学习的磁性合金磁导率计算装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。以下所使用的术语“模块”、“单元”、“子单元”等可以实现预定功能的软件和/或硬件的组合。尽管在以下实施例中所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
本申请还提供了一种基于微磁学和机器学习的磁性合金磁导率计算装置，装置包括：微磁学模型构建模块81、动态响应输出模块82、高频磁谱计算模块83以及峰值信息预测模块84。
微磁学模型构建模块81，用于构建磁性合金的微磁学模型。
动态响应输出模块82，用于获取微磁学模型在微扰磁场作用下的动态磁学响应数据。
高频磁谱计算模块83，用于基于动态磁学响应数据计算磁性合金的高频磁谱数据。
峰值信息预测模块84，用于将高频磁谱数据中的峰值数据输入机器学习算法，预测得到不同设计参数下磁性合金的磁导率的峰值信息。
在其中一个实施例中，微磁学模型构建模块81还用于在微磁学模拟计算软件中，基于预设的几何形状、至少两组尺寸数值、磁学参数以及初始磁矩矢量分布，设计磁性合金的微磁学模型，得到具有不同尺寸的微磁学模型。
在其中一个实施例中，磁性合金的磁性材料包括铁和钴；
基于铁和钴在磁性材料中的组分比例和铁和钴的磁参量计算磁学参数。
在其中一个实施例中，初始磁矩矢量分布采用随机分布。
在其中一个实施例中，几何形状为椭球形。
在其中一个实施例中，微磁学模型构建模块81还用于在微磁学模拟计算软件中，基于预设的几何形状、尺寸大小、至少两组磁学参数以及初始磁矩矢量分布，设计磁性合金的微磁学模型，得到具有不同磁学参数的微磁学模型。
在其中一个实施例中，高频磁谱计算模块83还用于基于快速傅里叶变换将动态磁学响应数据从时域转换至频域；并基于转换后的数据计算得到磁导率的实部数据和虚部数据，基于实部数据和虚部数据得到高频磁普数据。
在其中一个实施例中，该装置还包括可视化模块，该可视化模块用于对不同方向的磁矩矢量设置不同的显示方式；基于动态磁学响应数据，在可视化界面输出磁性合金的磁矩矢量分布图像。
上述基于微磁学和机器学习的磁性合金磁导率计算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在其中一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述任一实施例中基于微磁学和机器学习的磁性合金磁导率计算方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述任一实施例中基于微磁学和机器学习的磁性合金磁导率计算方法的步骤。
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述任一实施例中基于微磁学和机器学习的磁性合金磁导率计算方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-OnlyMemory，ROM）、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器（ReRAM）、磁变存储器（Magnetoresistive Random Access Memory，MRAM）、铁电存储器（Ferroelectric Random Access Memory，FRAM）、相变存储器（Phase Change Memory，PCM）、石墨烯存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic RandomAccess Memory，DRAM）等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于微磁学和机器学习的磁性合金磁导率计算方法，其特征在于，所述方法包括：
构建磁性合金的微磁学模型；
获取所述微磁学模型在微扰磁场作用下的动态磁学响应数据；
基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据；
将所述高频磁谱数据中的峰值数据输入机器学习算法，预测得到不同设计参数下所述磁性合金的磁导率的峰值信息。
2.根据权利要求1所述的基于微磁学和机器学习的磁性合金磁导率计算方法，其特征在于，所述构建磁性合金的微磁学模型，包括：
在微磁学模拟计算软件中，基于预设的几何形状、至少两组尺寸数值、磁学参数以及初始磁矩矢量分布，设计磁性合金的微磁学模型，得到具有不同尺寸的所述微磁学模型。
3.根据权利要求2所述的基于微磁学和机器学习的磁性合金磁导率计算方法，其特征在于，所述磁性合金的磁性材料包括铁和钴；
基于铁和钴在所述磁性材料中的组分比例和铁和钴的磁参量计算磁学参数。
4.根据权利要求2所述的基于微磁学和机器学习的磁性合金磁导率计算方法，其特征在于，所述初始磁矩矢量分布采用随机分布。
5.根据权利要求2所述的基于微磁学和机器学习的磁性合金磁导率计算方法，其特征在于，所述几何形状为椭球形。
6.根据权利要求1所述的基于微磁学和机器学习的磁性合金磁导率计算方法，其特征在于，所述构建磁性合金的微磁学模型，包括：
在微磁学模拟计算软件中，基于预设的几何形状、尺寸大小、至少两组磁学参数以及初始磁矩矢量分布，设计磁性合金的微磁学模型，得到具有不同磁学参数的所述微磁学模型。
7.根据权利要求1所述的基于微磁学和机器学习的磁性合金磁导率计算方法，其特征在于，所述基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据，包括：
基于快速傅里叶变换将所述动态磁学响应数据从时域转换至频域；
并基于所述转换后的数据计算得到磁导率的实部数据和虚部数据，基于所述实部数据和所述虚部数据得到高频磁普数据。
8.根据权利要求1所述的基于微磁学和机器学习的磁性合金磁导率计算方法，其特征在于，所述方法还包括：
对不同方向的磁矩矢量设置不同的显示方式；
基于所述动态磁学响应数据，在可视化界面输出所述磁性合金的磁矩矢量分布图像。
9.一种基于微磁学和机器学习的磁性合金磁导率计算装置，其特征在于，所述装置包括：
微磁学模型构建模块，用于构建磁性合金的微磁学模型；
动态响应输出模块，用于获取所述微磁学模型在微扰磁场作用下的动态磁学响应数据；
高频磁谱计算模块，用于基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据；
峰值信息预测模块，用于将所述高频磁谱数据中的峰值数据输入机器学习算法，预测得到不同设计参数下所述磁性合金的磁导率的峰值信息。
10.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至权利要求8中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410011458.0A CN117524386A (zh) | 2024-01-04 | 2024-01-04 | 基于微磁学和机器学习的磁性合金磁导率计算方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410011458.0A CN117524386A (zh) | 2024-01-04 | 2024-01-04 | 基于微磁学和机器学习的磁性合金磁导率计算方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117524386A true CN117524386A (zh) | 2024-02-06 |
Family
ID=89763014
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410011458.0A Pending CN117524386A (zh) | 2024-01-04 | 2024-01-04 | 基于微磁学和机器学习的磁性合金磁导率计算方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117524386A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121650A (zh) * | 2017-05-04 | 2017-09-01 | 南京大学 | 基于支持向量机技术的大气颗粒物重金属磁学评估方法 |
| CN110309524A (zh) * | 2019-03-21 | 2019-10-08 | 杭州电子科技大学 | 一种计算磁性颗粒间静磁相互作用场强度的方法 |
| CN112687351A (zh) * | 2021-01-07 | 2021-04-20 | 哈尔滨工业大学 | 一种基于遗传算法-bp神经网络快速预测复合介质微波电磁性能的方法 |
| WO2021219790A1 (de) * | 2020-04-30 | 2021-11-04 | Primetals Technologies Austria GmbH | Verfahren zur einstellung einer permeabilität eines sintergutes |
| CN113887137A (zh) * | 2021-10-08 | 2022-01-04 | 中国人民解放军海军工程大学 | 基于融合式神经网络的多磁性材料参数反演方法及系统 |
| WO2022159074A1 (en) * | 2021-01-19 | 2022-07-28 | Google Llc | Machine-learned approximation techniques for numerical simulations |
| WO2022161000A1 (zh) * | 2021-01-29 | 2022-08-04 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、评价系统 |
| CN115358043A (zh) * | 2022-07-08 | 2022-11-18 | 华南理工大学 | 一种相场-微磁学耦合模拟方法、系统、装置及存储介质 |
| WO2023024669A1 (zh) * | 2021-08-26 | 2023-03-02 | 中国民用航空总局第二研究所 | 基于架空输电线电磁场探测的飞行防撞方法及装置 |
| CN116861736A (zh) * | 2023-06-30 | 2023-10-10 | 之江实验室 | 一种结合人工智能的多尺度材料智能计算平台 |
-
2024
- 2024-01-04 CN CN202410011458.0A patent/CN117524386A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107121650A (zh) * | 2017-05-04 | 2017-09-01 | 南京大学 | 基于支持向量机技术的大气颗粒物重金属磁学评估方法 |
| CN110309524A (zh) * | 2019-03-21 | 2019-10-08 | 杭州电子科技大学 | 一种计算磁性颗粒间静磁相互作用场强度的方法 |
| WO2021219790A1 (de) * | 2020-04-30 | 2021-11-04 | Primetals Technologies Austria GmbH | Verfahren zur einstellung einer permeabilität eines sintergutes |
| CN112687351A (zh) * | 2021-01-07 | 2021-04-20 | 哈尔滨工业大学 | 一种基于遗传算法-bp神经网络快速预测复合介质微波电磁性能的方法 |
| WO2022159074A1 (en) * | 2021-01-19 | 2022-07-28 | Google Llc | Machine-learned approximation techniques for numerical simulations |
| WO2022161000A1 (zh) * | 2021-01-29 | 2022-08-04 | 苏州奇流信息科技有限公司 | 机器学习模型的训练方法、训练装置、评价系统 |
| WO2023024669A1 (zh) * | 2021-08-26 | 2023-03-02 | 中国民用航空总局第二研究所 | 基于架空输电线电磁场探测的飞行防撞方法及装置 |
| CN113887137A (zh) * | 2021-10-08 | 2022-01-04 | 中国人民解放军海军工程大学 | 基于融合式神经网络的多磁性材料参数反演方法及系统 |
| CN115358043A (zh) * | 2022-07-08 | 2022-11-18 | 华南理工大学 | 一种相场-微磁学耦合模拟方法、系统、装置及存储介质 |
| CN116861736A (zh) * | 2023-06-30 | 2023-10-10 | 之江实验室 | 一种结合人工智能的多尺度材料智能计算平台 |
Non-Patent Citations (3)
| Title |
|---|
| KLAUS SZIELASKO 等: "Micromagnetic materials characterization using machine learning", 《DE GRUYTER OLDENBOURG》, 31 December 2019 (2019-12-31) * |
| 姜雨桐 等: "无稀土永磁MnAl纳米带太赫兹磁导率的微磁学模拟", 《磁性材料及器件》, vol. 54, no. 4, 31 July 2023 (2023-07-31) * |
| 杨丽丽;张敏刚;赵毅朝;张佳;: "Nd_2Fe_(14)B/α-Fe/Nd_2Fe_(14)B磁性三层膜的微磁学模拟", 《稀土》, vol. 32, no. 4, 31 August 2011 (2011-08-31) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vansteenkiste et al. | The design and verification of MuMax3 | |
| Gustafsson et al. | Tradeoff between antenna efficiency and Q-factor | |
| Vansteenkiste et al. | MuMax: A new high-performance micromagnetic simulation tool | |
| Lemdiasov et al. | A numerical postprocessing procedure for analyzing radio frequency MRI coils | |
| Yan et al. | A comparative study of Calderón preconditioners for PMCHWT equations | |
| Chen et al. | Exotic skyrmion crystals in chiral magnets with compass anisotropy | |
| Yan et al. | An unsymmetric FDTD subgridding algorithm with unconditional stability | |
| Leliaert et al. | Vinamax: a macrospin simulation tool for magnetic nanoparticles | |
| De Biasi et al. | Effect of thermal fluctuations in FMR experiments in uniaxial magnetic nanoparticles: Blocked vs. superparamagnetic regimes | |
| CN117524386A (zh) | 基于微磁学和机器学习的磁性合金磁导率计算方法和装置 | |
| Karban et al. | Bayes approach to solving TEAM benchmark problems 22 and 25 and its comparison with other optimization techniques | |
| Gianfagna et al. | Enabling antenna design with nano-magnetic materials using machine learning | |
| Usov et al. | Deconvolution of ferromagnetic resonance spectrum of magnetic nanoparticle assembly using genetic algorithm | |
| Stenvall et al. | Manifolds in electromagnetism and superconductor modelling: Using their properties to model critical current of twisted conductors in self-field with 2-D model | |
| Anantharaman et al. | Empirical spectral measures of quantum graphs in the Benjamini-Schramm limit | |
| Chalifour et al. | Magnetic relaxation time for an ensemble of nanoparticles with randomly aligned easy axes: A simple expression | |
| Zhang et al. | RCS computation of large inhomogeneous objects using a fast integral equation solver | |
| Agudelo-Giraldo et al. | Grain boundary anisotropy on nano-polycrystalline magnetic thin films | |
| Deang et al. | Modeling and computation of random thermal fluctuations and material defects in the Ginzburg–Landau model for superconductivity | |
| Fikioris et al. | On the thin-wire integral equations for carbon nanotube antennas | |
| Zouros et al. | Complex resonances of anisotropic spherical resonators | |
| Vatansever et al. | Magnetocaloric properties of FM/AFM core/shell nanoparticles: a Monte Carlo simulation study | |
| Di Fratta et al. | Reduced energies for thin ferromagnetic films with perpendicular anisotropy | |
| Liang et al. | MagTetris: a simulator for fast magnetic field and force calculation for permanent magnet array designs | |
| Giovannetti et al. | Capacitors quality effect in magnetic resonance radiofrequency coils |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |