AI giải mã mê cung từ tính ẩn sau tổn thất năng lượng của động cơ điện

Những “mê cung” từ tính ẩn trong vật liệu động cơ

Trong các vật liệu từ mềm như thép điện không định hướng (non‑oriented electrical steel) – loại thường dùng trong lõi động cơ – vật liệu được chia thành nhiều miền từ nhỏ. Trong mỗi miền, các mômen từ cùng hướng, nhưng giữa các miền thì hướng từ hóa có thể khác nhau.

Trong một số vật liệu, các miền này không xếp thành dải đơn giản mà tạo thành mạng zig‑zag phức tạp giống mê cung. Những cấu trúc này thay đổi mạnh khi nhiệt độ hoặc từ trường bên ngoài thay đổi, khiến việc mô hình hóa bằng các phương pháp vật lý truyền thống trở nên rất khó khăn.

Vì quá trình đảo từ của vật liệu phụ thuộc vào việc các miền này dịch chuyển và tái cấu trúc, hình dạng và kết nối của chúng có ảnh hưởng trực tiếp đến lượng năng lượng bị mất trong mỗi chu kỳ hoạt động của động cơ.

Biến ảnh hiển vi thành dữ liệu vật lý

Để phân tích các mẫu phức tạp này, nhóm nghiên cứu xây dựng một pipeline dữ liệu bắt đầu từ ảnh hiển vi của các miền từ.

Bước quan trọng nhất là sử dụng persistent homology – một kỹ thuật trong phân tích topo dữ liệu. Phương pháp này trích xuất các đặc trưng hình học như vòng lặp, nhánh và mức độ kết nối trong cấu trúc không gian.

Nhờ vậy, những hình ảnh “hỗn loạn” của miền từ dạng mê cung có thể được chuyển thành các tham số định lượng, cho phép hệ thống AI và mô hình vật lý phân tích chúng một cách có hệ thống.

Mô hình Ginzburg–Landau mới có thêm yếu tố entropy

Các mô hình Landau và Ginzburg–Landau truyền thống mô tả sự chuyển pha và từ hóa dựa trên các thành phần năng lượng vật lý. Tuy nhiên, chúng khó mô tả số lượng khổng lồ các cấu hình có thể xảy ra trong các mạng miền từ phức tạp.

Nhóm TUS giải quyết vấn đề này bằng cách bổ sung một đặc trưng entropy vào mô hình năng lượng tự do, tạo thành mô hình gọi là entropy‑feature‑extended Ginzburg–Landau (eX‑GL).

Thành phần entropy cho phép mô hình phản ánh độ phức tạp thống kê của cấu trúc miền từ, tức là số cách sắp xếp vi mô khác nhau có thể tồn tại trong một mẫu miền cụ thể.

Khi kết hợp các đặc trưng topo từ persistent homology với cảnh quan năng lượng của mô hình eX‑GL, hệ thống có thể xác định:

• các rào cản năng lượng giữa các cấu hình miền từ
• các con đường mà quá trình đảo từ có thể diễn ra
• cách cấu trúc miền thay đổi theo nhiệt độ

Kết quả là một mô hình AI không phải “hộp đen”, mà có thể liên kết trực tiếp hình dạng miền từ quan sát được với các quy luật vật lý chi phối chúng.

Phát hiện các rào cản năng lượng của quá trình đảo từ

Khi áp dụng mô hình eX‑GL, các nhà nghiên cứu quan sát cách cấu trúc miền dạng mê cung thay đổi khi nhiệt độ tăng hoặc khi từ trường ngoài buộc vật liệu đảo từ.

Phân tích cho thấy các cấu trúc miền phức tạp tương ứng với những rào cản năng lượng cụ thể trong cảnh quan năng lượng từ. Những rào cản này quyết định mức độ dễ hay khó để các miền tái sắp xếp khi từ hóa đảo chiều.

Thay vì coi quá trình đảo từ là một chuyển đổi năng lượng đơn giản, mô hình mới cho thấy nó là kết quả của sự cạnh tranh giữa:

• năng lượng tương tác từ
• độ phức tạp cấu trúc của mạng miền
• ảnh hưởng của nhiệt độ đến sự ổn định của miền

Sự kết hợp này giải thích vì sao quá trình đảo từ trong các vật liệu có miền dạng mê cung có thể đột ngột, phụ thuộc nhiệt độ và tiêu tốn nhiều năng lượng.

Liên hệ cấu trúc vi mô với tổn thất năng lượng vĩ mô

Một kết quả quan trọng của nghiên cứu là tạo ra mối liên hệ trực tiếp giữa cấu trúc miền từ ở cấp vi mô và hiện tượng trễ từ ở cấp vĩ mô của vật liệu.

Khung phân tích này có thể tự động xác định các cơ chế gây tổn thất năng lượng trong những vật liệu như thép điện không định hướng bằng cách xem các đặc trưng miền từ ánh xạ vào cảnh quan năng lượng như thế nào trong quá trình đảo từ.

Vì tổn thất trễ từ xảy ra khi cấu trúc miền thay đổi theo cách không hoàn toàn thuận nghịch, việc xác định các rào cản năng lượng này giúp chỉ ra năng lượng bị tiêu tán ở đâu trong chu trình từ hóa.

Ý nghĩa đối với động cơ xe điện

Xe điện sử dụng động cơ hiệu suất cao với lõi làm từ vật liệu từ mềm. Trong quá trình vận hành, từ trường trong lõi động cơ liên tục đổi chiều, buộc các miền từ phải tái sắp xếp – và gây ra tổn thất sắt.

Bằng cách xác định những cấu trúc miền và điều kiện nhiệt độ tạo ra các rào cản năng lượng lớn, phương pháp mới có thể giúp các nhà nghiên cứu và kỹ sư:

• thiết kế vi cấu trúc thép giúp giảm cấu hình miền gây tổn thất
• tối ưu hóa quy trình sản xuất để kiểm soát hình thái miền từ
• dự đoán hành vi vật liệu trong điều kiện hoạt động thực của động cơ

Những cải tiến này có thể giúp giảm tổn thất từ trong lõi động cơ và nâng cao hiệu suất tổng thể của động cơ xe điện, dù nghiên cứu hiện chưa định lượng mức tăng hiệu suất cụ thể.

AI có thể giải thích được trong khoa học vật liệu

Ngoài ứng dụng cho động cơ, nghiên cứu còn cho thấy cách AI có thể giải thích được kết hợp với mô hình vật lý có thể phân tích những vi cấu trúc phức tạp vốn trước đây rất khó định lượng.

Thay vì dự đoán bằng một hệ thống “hộp đen”, khung eX‑GL sử dụng các đặc trưng có ý nghĩa vật lý – từ topo học đến nhiệt động lực học – để tạo ra mô hình vừa dự đoán được vừa cung cấp hiểu biết khoa học về vật liệu.

Khi khoa học vật liệu ngày càng dựa vào dữ liệu, các phương pháp kết hợp AI và lý thuyết vật lý như vậy có thể giúp khám phá những cơ chế ẩn trong các hệ vi mô phức tạp.