@ARTICLE {10.3389 / fmats.2022.1094055作者={科瓦奇,亚历山大·菲施巴赫,约翰和Oezelt哈拉尔德和科内尔,亚历山大和阿里,凯伊斯Gusenbauer,马库斯和矢野,正雄和佐,分析师Noritsugu和木下光男,明仁天皇Shoji, Tetsuya加藤,彰和香港人民币和明星,史蒂芬和Devillers鲍特和邓普西,诺拉·m·和福岛Tetsuya雅佳,Hisazumi和川岛,Naoki宅一生,隆Schrefl,托马斯},TITLE = {Physics-informed机器学习相结合的实验和模拟neodymium-iron-boron永久磁铁的设计减少了关键元素内容},杂志={材料前沿},体积= {9}= {2023},URL = {//www.thespel.com/articles/10.3389/fmats.2022.1094055}, DOI = {10.3389 / fmats.2022.1094055}, ISSN ={2296 - 8016},文摘={稀土元素钕、铽、镝至关重要的性能永久磁铁用在混合动力汽车和电动汽车等各种绿色能源技术。雷竞技rebat为了解决这些元素的供应风险,我们应用机器学习技术设计磁性材料有钕含量减少,没有铽和镝。然而,磁铁的性能旨在用于电动机应该保存下去。我们开发了机器学习方法,协助材料设计通过集成物理模型之间的桥梁长度尺度,从原子论的微米大小颗粒neodymium-iron-boron永磁体的微观结构。通过数据同化,我们结合实验数据和模拟构建机器学习模型,我们用来优化化学成分和微观结构的磁铁。我们应用技术,有助于理解和解释机器学习预测的结果。变量重要性显示了主要设计变量如何影响磁性。高通量测量组分分级气急败坏的电影是一种系统化的方式来生成数据机数据分析。我们展示如何使用机器学习模型高性能、Nd-lean磁铁可以实现。}}