基于机器学习的处理方法在M型锶六铁磁体中的微观结构与矫顽力分布映射

《Scientific Reports》：Machine learning guided processing, microstructure and coercivity mapping in M type strontium hexaferrite

　　

摘要

M型六铁磁体是一种在技术上具有重要意义的无稀土永磁体，其矫顽力（H_c）的形成源于加工条件、微观结构演变以及固有磁参数之间复杂的非线性相互作用。本研究通过分析加工参数（加工温度和时间）、微观结构特征（晶粒尺寸）以及固有磁性能（饱和磁化强度（M_s）和磁晶各向异性常数（K₁））对H_c的多维度影响，构建了一个基于实验数据且遵循物理原理的机器学习框架。经过多次模型训练后，极端梯度提升算法（XGBoost）展现了最高的预测精度（测试集\({R}^{2}=0.970\)，训练集\(R^{2}= 0.953\)）。基于训练好的XGBoost模型，我们构建了一个使用嵌套循环的预测函数，同时结合均匀流形近似与投影技术以及包含5600个点的热图，以此分析如何根据五维输入参数优化H_c。要获得较高的矫顽力，需将晶粒尺寸控制在单畴范围（500–700纳米）内，选择适中的加工温度，控制加工时间以避免晶粒粗化，尽可能提高K₁值（2.5–3?×?10⁶?erg cm^?3），并降低M_s值（20–30 emu g^?1）以减少退磁效应。这些研究结果表明，提升H_c需要同时控制加工动力学、微观结构尺度以及固有磁参数，而非仅优化某个单一变量。所发现的规律与已有的微观磁学原理一致，证明基于实验数据训练的机器学习模型能够捕捉具有物理意义的加工-结构-性能之间的关联。