Energieverlust in Elektroautos entschlüsselt

Der magnetische Hystereseverlust, auch als Eisenverlust bekannt, stellt eine große Herausforderung für die Effizienz von Elektromotoren dar, insbesondere in Elektroautos. Dieser Verlust tritt auf, wenn sich das Magnetfeld im Motorkern aufgrund von Stromänderungen in den Wicklungen wiederholt umkehrt. Dabei müssen winzige magnetische Bereiche, sogenannte Domänen, ihre Magnetisierungsrichtung ständig ändern. Dieser Vorgang ist nicht besonders effizient und führt zu Energieverlusten. Tatsächlich macht der Eisenverlust circa 30 Prozent des gesamten Energieverlusts in Motoren aus. Das sorgt zugleich für Kohlendioxidemissionen – ein Problem für die Umwelt. Trotz jahrzehntelanger Forschung ist der genaue Ursprung dieses Eisenverlusts in weichmagnetischen Materialien immer noch nicht vollständig geklärt.

Erweitertes Ginzburg-Landau-Gerüst deckt Energieverluste auf

Die während der Magnetisierungsumkehr verbrauchte Energie hängt von komplexen Veränderungen der magnetischen Domänenstrukturen ab. Bisher wurden diese hauptsächlich visuell erforscht. Wissenschaftlerinnen und Wissenschaftler sehen großes Potenzial darin, den Zusammenhang zwischen Energieverlust und der Mikrostruktur der magnetischen Domänen genauer zu untersuchen.

Die meisten aktuellen physikalischen Modelle zur Analyse der Magnetisierungsumkehr sind allerdings für homogene Systeme konzipiert, während praktische weichmagnetische Materialien wie nichtorientiertes Elektroband (NOES) heterogen sind. Das erschwert ihre Analyse. Um diese Herausforderung anzugehen, hat ein Forscherteam unter der Leitung von Masato Kotsugi vom Fachbereich Materialwissenschaft und Technologie der Tokyo University of Science (TUS) einen neuen Ansatz entwickelt.

Das Team nutzte das erweiterte Ginzburg-Landau-Gerüst (ex-GL), um den Ursprung des Eisenverlusts erfolgreich auf die magnetische Domänenstruktur zurückzuführen. „Die freie Energie von Ginzburg-Landau (GL) war ein nützliches Konzept zur Analyse der Magnetisierungsumkehr in einem homogenen System. Jüngste Fortschritte in der Datenwissenschaft haben das Ex-GL-Modell ermöglicht, das für die Analyse heterogener Systeme verwendet werden kann“, erklärt  Kotsugi. „In dieser Studie haben wir das ex-GL-Framework mit interpretierbarem maschinellem Lernen für die automatisierte Analyse der komplexen Magnetisierungsumkehr in NOES kombiniert.“ Die aktuellen Ergebnisse dieser Studie sollen auch für ein besseres Verständnis des Energieverlusts in Elektroautos sorgen.

Fördernde und hemmende Faktoren im Wettbewerb

Zunächst quantifizierte das Forscherteam die Komplexität der magnetischen Domänen aus Mikrostrukturbildern von NOES mithilfe der persistenten Homologie (PH), einem mathematischen Werkzeug für die Multiskalenanalyse topologischer Merkmale in Daten. Anschließend wendeten sie die Hauptkomponentenanalyse (PCA) an, ein statistisches Verfahren zur Extraktion der wesentlichen Merkmale, die in den komplexen PH-Daten verborgen sind.

Dabei ergaben sich zwei Merkmale: PC1, das die Magnetisierung darstellt, und PC2, welches die magnetischen Domänenwände repräsentiert. Basierend auf diesen Merkmalen konstruierte das Team eine erweiterte Energielandschaft unter Verwendung des ex-GL-Frameworks, die die Veränderungen in der Struktur der magnetischen Domäne mit der Energie als Graph abbildete, wobei jeder Punkt einem Bild der magnetischen Domäne entspricht.

Mithilfe des erstellten Graphen führte das Forscherteam eine umfassende Korrelationsanalyse zwischen den Merkmalen und physikalischen Parametern durch. Dabei deckten sie physikalisch bedeutsame Merkmale auf, die den Energieverlust während der Magnetisierungsumkehr erklären. Die Analyse ergab, dass es im Prozess der Magnetisierungsumkehr sowohl fördernde als auch hemmende Faktoren gibt, die interessanterweise an denselben Stellen gefunden wurden, insbesondere in der Nähe von Korngrenzen.

Diese Grenzflächen zwischen verschiedenen Kristallen in einem kristallinen Material scheinen eine entscheidende Rolle bei der Konkurrenz zwischen diesen Faktoren zu spielen. „Der Wettbewerb zwischen den fördernden und den hemmenden Faktoren identifiziert automatisch den Ort der magnetischen Domänenwandfixierung, ein Schlüsselphänomen, das für den Energieverlust in weichmagnetischen Materialien verantwortlich ist“, erläutert Kotsugi.

Effizientere Elektroautos dank datengesteuertem Ansatz

Ein weiteres wichtiges Ergebnis der Studie ist, dass an Orten, an denen nur widerstrebende Faktoren vorliegen, segmentierte magnetische Domänen als Hauptverantwortliche für den Energieverlust identifiziert wurden. Die Bedeutung dieser neuartigen Methode liegt in den automatisierten, präzisen und datengesteuerten Einblicken in den Mechanismus und den Ort des Energieverlusts. „Unser Ansatz ermöglichte es uns, Informationen zu gewinnen, die mit einer rein visuellen Inspektion nur schwer zu erhalten gewesen wären“, sagt Kotsugi. Die Forschung trägt dazu bei, die nachhaltigen Entwicklungsziele der Vereinten Nationen zu erreichen, darunter erschwingliche und saubere Energie, Industrialisierung, Innovation und Infrastruktur sowie die Bekämpfung des Klimawandels.