Simulieren und Reduzieren

Der Bedarf an magnetischen Werkstoffen wird in den nächsten Jahren mit der Zunahme der E-Mobilität und dem europäischen Green Deal ansteigen. Seltene Erden in Magnetzusammensetzungen sollten daher reduziert werden.

Von Christian Scherl

Bei der Green Transition spielen unter anderem E-Mobilität und Windkraft eine große Rolle. Für die Motoren und Generatoren werden allerdings sehr starke Magnete benötigt, die bisher nur unter Verwendung großer Anteile von Seltenen Erden hergestellt wurden. Vor allem Neodym (Nd), zu geringeren Anteilen auch Terbium und Dysprosium. Abgebaut werden diese Metalle vorwiegend in China. Neben dem Fakt, dass Seltene Erden beschränkt verfügbar sind, gibt es ein zusätzliches geopolitisches Problem: Mit Anstieg der E-Mobilität nimmt die Abhängigkeit von Europa, den USA und Japan gegenüber der Monopolstellung von China zu. "Dem kann man entgehen, wenn es gelingt, das Magnetmaterial so zu verändern, dass weniger der kritischen Rohstoffe in der chemischen Zusammensetzung vorhanden sind, gleichzeitig aber die Materialeigenschaften gleich bleiben oder sogar besser werden", sagt Thomas Schrefl, Leiter des Zentrums für Modellierung und Simulation und Leiter des CD-Labors für Magnetdesign durch physikalisch fundiertes maschinelles Lernen. Im Rahmen des Labors sollen über einen Zeitraum von sieben Jahren mit Hilfe von maschinellem Lernen neue magnetische Materialien entwickelt oder bestehende magnetische Materialien so verändert werden, dass weniger Abhängigkeit von kritischen Rohstoffen besteht.

Der E-Motor ist für die Fahrzeugelektrifizierung eine Kerntechnologie, weshalb es auch intensive Anstrengungen von Seiten der Fahrzeughersteller gibt, diese Technologie ständig zu verbessern. "Noch lässt sich nicht abschätzen, welche E-Fahrzeuge von den Kunden in Zukunft die meiste Zustimmung erhalten, daher bietet Toyota eine vollständige Palette an elektrifizierten Fahrzeugen, von Hybrid- und Batterie-EVs bis hin zu Wasserstoff", sagt Tetsuya Shoji von der Advanced Material Engineering Division bei Toyota Motor Corporation (TMC). Von ihm kam der Anstoß für die Projektkooperation zwischen der Universität für Weiterbildung Krems und TMC. Thomas Schrefl und Tetsuya Shoji kennen sich seit vielen Jahren. Man weiß über die jeweiligen Kompetenzen des Partners Bescheid und hat eine gute Vertrauensbasis aufgebaut. "Während TMC über hohe experimentelle Fähigkeiten verfügt, besitzt das Team von Thomas Schrefl hohe Kompetenz in der Simulation. Machine Intelligence und Künstliche-Intelligenz-Technologien für die Materialwissenschaften und die digitale Transformation werden zu einem wichtigen Thema für die Revolution im Forschungs- und Entwicklungsprozess", sagt Shoji. Er unterbreitete dem CD-Labor einen Forschungsplan, der KI-Technologie und Simulation für einen automatisierten Lernkreislauf zur Optimierung der Kern/Schale-Struktur von nanostrukturierten Neodym-reduzierten Magneten kombiniert. "Wir verwenden aktuell einen NdFeB-Magnet (Neodym-Eisen-Bor) mit einigen Legierungselementen für unseren E-Motor", berichtet Shoji. "Untersuchungsberichte prognostizieren bis 2030 eine Knappheit der Neodym-Versorgung. Daher gibt es Bestrebungen, mehr Neodym zu produzieren. Aber: es gibt im Nebenprodukt wie Cer (Ce) und Lanthan (La) sogenannte Leichte Seltene Erden, deren Anteil im Erz in Summe im Vergleich zu Neodym drei- oder viermal größer ist und deren Verwendung auf dem Markt begrenzt ist. Die Verwertung von Leichten Seltenen Erden ist eine der Lösungen, um zukünftige Versorgungsprobleme zu überwinden."

Europa holt langsam auf

Die Materialmodellierung, wie sie im CD-Labor passiert, ist in Europa in den letzten Jahrzehnten stark gereift. Das beobachtet Alexandra Simperler, Expertin für Computer- und Materialsimulation. Als wissenschaftliche Beraterin agiert sie als Bindeglied zwischen Forschung und Industrie. Sie beschäftigte sich intensiv mit der Frage, wie vorhandenes Wissen auf dem Gebiet der Materialsimulation bei der Industrie landen kann. "Europa hat gegenüber den USA und China Aufholbedarf. Durch die Horizon2020-Projekte des EU-Forschungsprogramms kam Bewegung ins Spiel. Seither ziehen Wissenschaft und Industrie in Europa viel stärker an einem Strang", sagt Simperler und fordert noch mehr Networking. Im European Materials Modelling Council (EMMC) haben sich wichtige Stakeholder zusammengeschlossen und den stärkeren Einzug von Materialmodellierung in der Industrie forciert. Bei Projekten, die mit Modelling zu tun haben, ist das EMMC-Netzwerk stets integriert.

Daten sind die Grundvoraussetzung, um ein Magnetmaterial zu optimieren und Vorhersagen zu treffen. "Dazu bedarf es einheitlicher Standards, um Daten aus den unterschiedlichsten Quellen erfolgreich zu kombinieren", betont Simperler. "Ein massives Problem ist, dass es zwar viele Daten gibt, aber die einheitlichen Standards teilweise noch fehlen." Erstrebenswert ist, dass die Interoperabilität, die derzeit noch oft menschgesteuert ist, in Zukunft von Computern übernommen wird. "Machine Learning und Artificial Intelligence brauchen standardisierte Daten." Laut der Simulationsexpertin sind die Biowissenschaften hier deutlich weiter. Die Materialwissenschaften ziehen aber nach und erkennen, dass man die Competition etwas zügeln, dafür vermehrt Synergien suchen muss.

Erste Fortschritte

Zurück zur Arbeit des CD-Labors: In einem Ansatz versucht das Team von Thomas Schrefl zu verstehen, wie sich magnetische Eigenschaften verändern, wenn man die chemische Zusammensetzung variiert. Hier kann das Projekt erste Fortschritte vorweisen und Vorhersagen treffen. Verschiedene Szenarien werden durchgespielt, um zu analysieren, auf welche Metalle in Zukunft verzichtet werden kann, ohne Qualität einzubüßen. Für die Industrie ist das Verhältnis zwischen Magneteigenschaft und Preis entscheidend. Schrefl erklärt: "Beim günstigeren Magnet hat man in der Regel Abzüge bei den magnetischen Qualitäten. Auf der Kurve, die das Verhältnis von Magnetstärke zum Preis darstellt, kann sich der Industriepartner Nischen aussuchen, in denen der Elektromotor ausreichend Performance zu einem guten Preis ermöglicht, da weniger kritische Materialien verwendet werden." Die Neodym-reduzierten Magnete, die TMC gegenwärtig entwickelt, sind kompatibel mit der Leistung eines herkömmlichen Neodym-Magneten. "Bei dieser Entwicklung legieren wir mit leichten Seltene Erden, deren Magnetleistung zwar schwächer ist, dafür zeigen sie bessere Beständigkeit gegenüber Temperaturen – das erhöht die Lebensdauer", erklärt Tetsuya Shoji, der noch einige fehlende Verbindungen zwischen Ist- und Idealzustand sieht. "Wir forschen an technischen Elementen, um diesem Idealzustand näher zu kommen. Unsere Forschungsschwerpunkte liegen vor allem in der Technologie zur Überbrückung von Experiment und Simulation, basierend auf der physikalischen Theorie."

Premiere mit KI

Hilfreich bei der Entwicklung alternativer Magnetzusammensetzungen können auch die Ergebnisse des Projekts „KI-Carbid“ sein, an dem Leoni Breth am Department für Integrierte Sensorsysteme arbeitet. Hier werden erstmalig First Order Reversal Curves (FORCs) – ein zerstörungsfreies Messverfahren basierend auf magnetischen Eigenschaften – für die Charakterisierung von Wolfram-Karbid genutzt. "Im Gegensatz zum aktuell in der Hartmetall-Industrie etablierten Charakterisierungsverfahren liefern FORCs weitaus größere Datenmengen, welche mithilfe KI nutzbar gemacht werden sollen. Erstmals werden auch mikromagnetische Simulationen eingesetzt, um die Interpretation der Messdaten zu unterstützen", sagt Breth. "Die Verknüpfung synthetischer Messdaten aus Simulationen mit Messdaten von realen Proben als Trainingsdaten für KI ist für viele Branchen und Anwendungen von Interesse."

TETSUYA SHOJI
Dr. Tetsuya Shoji ist Group Manager der Advanced Material Engineering Division bei der Toyota Motor Corporation (TMC). Shoji studierte an der Hokkaido University Japan Materialwissenschaft.

THOMAS SCHREFL
Univ.-Doz. DI Dr. Thomas Schrefl leitet am Department für Integrierte Sensorsysteme der Universität für Weiterbildung Krems das Zentrum für Modellierung und Simulation sowie das 2020 eingerichtete Christian Doppler-Forschungslabor for Magnet Design Through Physics Informed Machine Learning.

ALEXANDRA SIMPERLER
Dr.ⁱⁿ Alexandra Simperler ist Expertin für Computer- und Materialsimulation und berät mit ihrem Büro Industrieunternehmen in Forschungs- und Entwicklungsfragen.

LEONI BRETH
Dr.ⁱⁿ Leoni Breth studierte im Diplomstudium Technische Physik an der Technischen Universität Wien mit Schwerpunkt “Physik der kondensierten Materie.” Sie ist wissenschaftliche Mitarbeiterin am Zentrum für Modellierung und Simulation der Universität für Weiterbildung Krems.