机器学习驱动的镍锌铁氧体加速设计以优化磁性性能

《Journal of Alloys and Compounds》:Machine Learning-Driven Accelerated Design of Ni-Zn Ferrites for Optimized Magnetic Properties

【字体: 大 中 小 】 时间:2026年08月30日 来源:Journal of Alloys and Compounds 6.7

编辑推荐:

   摘要镍锌铁氧体(NZFOs)广泛应用于电子设备中,但通过传统的试错方法优化其磁性能既耗时又耗资源。本研究开发了一种机器学习(ML)框架,用于对固相法制备的NZFOs中非线性的工艺-结构-性能关系进行建模。利用经过文献验证的精选数据集,构建了一个两阶段堆叠集成模型,通过首先预测

  

摘要

镍锌铁氧体(NZFOs)广泛应用于电子设备中,但通过传统的试错方法优化其磁性能既耗时又耗资源。本研究开发了一种机器学习(ML)框架,用于对固相法制备的NZFOs中非线性的工艺-结构-性能关系进行建模。利用经过文献验证的精选数据集,构建了一个两阶段堆叠集成模型,通过首先预测晶粒尺寸(D),随后预测饱和磁感应强度(Bs),来捕捉微观结构的演变。集成模型对D的决定系数(R2)达到0.9421,对Bs达到0.9730。在这些预测的指导下,合成了具有显著降低镍用量的新型低成本成分(Ni0.204Cu0.442Zn0.202Fe2.152O4)。实验测得的Bs为533.49 mT,与预测值相比相对误差小于5%。本工作表明,机器学习辅助筛选能够有效处理Ni-Zn铁氧体在磁性能与成本降低之间的权衡,为软磁材料的加速设计提供了一种数据驱动的策略。

引言

随着电子信息产业的快速发展,软磁材料在研究和商业领域引起了广泛关注。这主要归因于其化学稳定性以及通过有针对性的化学处理实现性能可调的能力[1]。其中,镍锌铁氧体(NZFO)凭借其全面的优势,如低磁矫顽力[2]、低涡流损耗[3]、高初始磁导率[4]和高电阻率[5]、[6],已成为现代电子技术中不可或缺的材料。然而,尽管NZFO具有出色的磁性能,但传统生产中广泛使用的高镍配方带来了巨大的经济负担。镍作为一种相对昂贵且战略关键的过渡金属,显著增加了铁氧体制备的原材料成本。对于工业应用而言,在保持具有竞争力的磁性能的同时降低镍含量已成为迫切的实际需求。因此,探索在不损害综合磁性能的前提下,用更丰富且更具成本效益的元素部分替代镍的策略,是一个受到学术界和工业界广泛关注的重要研究方向。
目前NZFO磁性能优化策略主要集中在三个主要途径:阳离子替代比调整[7]、元素掺杂[8]和合成工艺创新[9]。NZFO结晶为立方尖晶石结构(空间群Fd-3m),由金属阳离子占据的四面体(A)位和八面体(B)位间隙位组成。由于晶体场稳定化能的差异,Zn2+优先占据四面体位,而Ni2+更可能驻留在八面体位。Ni/Zn比的改变会引起阳离子的重新分布,改变A-B位占据关系,从而深刻影响磁性能[10]。W. Li等人[11]研究了通过固相烧结法合成的一系列NixZn1-xFe2O4(NiZn,x = 0.15、0.25、0.35、0.45、0.65、0.7、0.8、0.85)铁氧体。他们报告称Ni2+含量的变化改变了尖晶石晶格内的阳离子位占据,进而影响铁氧体的磁性能。具体而言,随着Ni2+含量的增加,矫顽力(Hc)增大,而饱和磁化强度(Ms)先增大后减小。A.S. Fawzi等人[12]的补充研究表明,随着Zn含量的增加,居里温度逐渐降低。另一方面,合成工艺也调控着微观结构与磁性能之间的关系,正如A. Sharifi等人[13]所证明的那样,燃烧法合成的CoFe2O4表现出更优越的Ms和矫顽场。
成分与工艺参数的组合呈指数级增长,极大地扩展了目标性能材料组合的搜索空间,使传统的试错方法变得资源消耗过大。作为现代材料设计的基石[14],机器学习(ML)已成功应用于合金开发[15]、热电优化[16]和能源材料发现[17]。ML能够为高效预测和筛选高性能软磁铁氧体提供一种变革性的解决方案。在铁氧体研究领域,Y. Fang等人[18]开创了一种将密度泛函理论(DFT)与蒙特卡洛模拟相结合的混合计算方法,以预测CoFe2O4中的温度依赖磁化率和平衡反转行为。类似地,S. Lu等人[19]从258篇出版物中整理了一个包含1,242条记录的数据集,采用五种不同的回归模型——支持向量回归(SVR)、决策树回归(DTR)、自适应提升(AdaBoost)、梯度提升决策树(GBDT)和多层感知机(MLP)——研究了Ba1-xLaxFe12-yMnyO19(0.1≤x=y≤0.6)中非线性的成分-工艺-结构-性能关系,随后进行了合成和实验验证。然而,上述研究均基于单一ML模型,容易受到噪声和异常值的影响,且泛化能力不足。同时,铁氧体合成方法多样且复杂,难以合理记录和量化,这对数据集的构建构成了巨大挑战。
本研究提出了一种基于ML的NZFO饱和磁通量密度(Bs)预测框架。利用Magpie描述符和特征工程构建了工艺-结构-性能(PSP)映射数据集。为解决数据不平衡问题,应用了K近邻(KNN)数据增强。训练了七个回归模型来预测D和Bs,并将表现最佳的算法集成到集成模型中。基于该模型,设计了一种降低镍含量且具有更好成本效益的新型铁氧体成分,证明了在保持改善的Bs性能的同时减少镍使用的可行性。本工作展示了面向Ni-Zn铁氧体Bs导向成分优化的高效数据驱动策略,通过机器学习辅助工程最小化实验迭代次数并优化创新路径,加速高性能低成本铁氧体的开发。

章节摘要

方法论

本研究提出了一种NZFO设计策略,通过四阶段的计算-实验框架实施:(1) 数据集构建,(2) 特征工程,(3) 预测建模,以及(4) 实验验证,如图1所示。首先,从已发表的文献中提取相关数据,并通过预处理和特征选择进行标准化。然后,选择并训练最优的机器学习算法以建立稳健的

数据集构建

本研究的数据集由123条实验验证的记录组成,提取自现有文献,涵盖NZFO的成分比、合成工艺、D和磁性能,如图2所示。在8种元素成分(O、Fe、Co、Ni、Cu、Zn、Ho、Lu)中,浓度以原子百分比(at.%)表示。尽管NZFO可通过多种方法合成(如溶胶-凝胶法、水热法和共沉淀法),但这些工艺通常涉及复杂的

结论

本研究开发了一种机器学习框架,用于对固相法制备的NZFOs中非线性的工艺-结构-性能关系进行建模。采用了级联推理策略,将预测的晶粒尺寸作为中间结构特征来估计Bs。该方法能够直接从成分描述符和烧结参数预测宏观磁性能,减少了对先前微观结构测量的依赖。

CRediT作者贡献声明

Yiheng Chao:调查研究,形式分析。Xuan Liu:调查研究,形式分析。Juanchen Ye:调查研究,形式分析。Yi Zhao:撰写——初稿,方法论,形式分析,数据整理。Dianhui Wang:撰写——审阅与编辑,监督,资源,资金获取,概念化。Wei Yan:撰写——初稿,调查研究,形式分析,数据整理。Chaohao Hu:撰写——审阅与编辑,监督,资金获取。Yan Zhong:验证,

利益冲突声明

作者声明不存在可能影响本文报告工作的已知竞争性经济利益或个人关系。

致谢

本工作得到了广西壮族自治区自然科学基金(2026GXNSFAA00640056,2025GXNSFAA069270)、国家自然科学基金(12564008)、广西科技成果转化项目(GuikeZG2504240014)、广西信息材料重点实验室及广西新能源材料结构与性能协同创新中心(231007-Z,231052-Z,231067-Z)的资助。

利益冲突声明

作者声明无利益冲突。
Yi Zhao|Wei Yan|Dianhui Wang|Xuan Liu|Yiheng Chao|Juanchen Ye|Yan Zhong|Chaohao Hu
桂林电子科技大学材料科学与工程学院,广西信息材料重点实验室,广西新能源材料结构与性能协同创新中心,广西桂林541004,中国
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号