基于化学成分特征的硬磁 14:2:1 相机器学习质量密度模型
材料科学
2022-12-28 v1
摘要
Fe14Nd2B 基永磁体因其无与伦比的高磁能积 (520 kJ/m3) 而在能量转换方面备受技术青睐。对于不同成分的此类 14:2:1 相，由测得磁矩确定磁化强度常受限于质量密度的缺失。我们提出一个针对 14:2:1 相的机器学习 (ML) 质量密度模型，使用基于化学成分的特征（代表 33 种元素）以及可选的晶格参数 (LP) 特征。用于训练与测试的数据集包含 190 个相（177 个成分不同）及其文献报道的密度与 LP。仅使用成分特征的 ML 模型，我们在未见过测试集上取得了 0.51% 的低平均绝对误差。
引用
@article{arxiv.2207.00456,
title = {Machine learning-based mass density model for hard magnetic 14:2:1 phases using chemical composition-based features},
author = {Anoop Kini and Amit Kumar Choudhary and Dominic Hohs and Andreas Jansche and Hermann Baumgartl and Ricardo Buettner and Timo Bernthaler and Dagmar Goll and Gerhard Schneider},
journal= {arXiv preprint arXiv:2207.00456},
year = {2022}
}
备注
16 pages, 4 figures