Acta Mater.: 机器学习辅助开发用于低温应用的Fe2P型磁热化合物

Fe₂P型化合物表现出磁热效应（MCE）并被广泛研究用于室温应用，将其转变温度降低到77 K以下时可为这些材料在低温磁制冷氢液化方面的潜在应用铺平道路。

在此，日本国立材料研究所H. Sepehri-Amin等人为了探索开发低温MCE无稀土元素化合物的可能性，通过对已发表的Fe₂P型磁热化合物实验结果进行数据挖掘且收集了数据集，并使用机器学习进行成分优化旨在将转变温度降低到77 K以下。

其中，作者为基于Fe₂P的化合物收集了包含603个样品的数据集，并使用基于成分的特征来评估转变温度（T_tr）。选择平均绝对误差（MAE）作为评价指标，且对数据集的10次随机拆分进行了评估，分别以20:80的比例分为测试和训练子集。结果表明，Mn、Fe和Co等金属元素与非金属P、Si 和Ge一起对T_tr的调节具有最高的特征重要性。此外，作者采用人工神经网络用于预测 Mn_xFe_2-xP_ySi_1-y组成空间内的T_tr，结果证实Fe的Co取代将扩大显示低温 MCE 的区域。

图1. Fe₂P基磁热化合物数据集的特征向量示意图

因此，在Mn_xFe_2-xP_ySi_1-y的成分空间内，作者基于机器学习发现了一种很有前景的不含稀土元素的Mn_1.70Fe_0.30P_0.63Si_0.37合金，其T_tr为97 K，在外部磁场（µ₀H_ext）为1 T、温度为5K的条件下具有121 Am² kg^-1的高磁化强度。

此外，在Mn_1.7Co_0.03Fe_0.27P_0.63Si_0.37合金中，用Co轻微部分取代Fe可以将T_tr降低到73 K，但磁化强度会略微降低到 95 Am²kg^-1。Mn_1.7Co_0.03Fe_0.27P_0.63Si_0.37合金在µ₀H_ext = 0~5 T下的熵变为 7.5 J/kgK，可逆的绝热温度变化为 1.4 K，因此仍需进一步的工作来通过合金设计和磁滞工程来增加Fe₂P基化合物的磁熵变和可逆绝热温度变化。这项工作展示了一种不含稀土元素的磁热材料用于氢气液化的新潜力。此外，该研究为通过传统实验流程和机器学习相结合及二者的相互反馈来开发新型材料提供了一种新策略。

图2. Mn_xFe_2-xP_ySi_1-y合金磁化强度与温度的关系

Machine learning assisted development of Fe₂P-type magnetocaloric compounds for cryogenic applications, Acta Materialia 2022. DOI: 10.1016/j.actamat.2022.117942

原创文章，作者：v-suan，如若转载，请注明来源华算科技，注明出处：https://www.v-suan.com/index.php/2023/10/11/e6e5310eab/

Acta Mater.: 机器学习辅助开发用于低温应用的Fe2P型磁热化合物

相关推荐

发表回复