Fujitsu desarrolla una tecnología utilizando IA para geometrías de materiales magnéticos

Las simulaciones IA diseñan geometrías automáticamente para minimizar la pérdida de energía.

Fujitsu Laboratories. y Fujitsu Limited han anuciado el desarrollo de una tecnología que puede automatizar el diseño de geometrías de materiales magnéticos, utilizando IA y así minimizar la pérdida de energía. Para diseñar materiales magnéticos, que son componentes comunes en dispositivos electrónicos, los desarrolladores han trabajado con anterioridad en condiciones en las que necesitaron mucho tiempo y dinero, realizando tests basados en prueba y error. La nueva tecnología automatiza y digitaliza el desarrollo de prototipos, mejorando significativamente la eficiencia de I+D. Además, se espera que esta tecnología permita diseños geométricos para imanes, incluso sin conocimientos especializados, en una variedad de campos de I+D, como electrónica de potencia y motores de vehículos eléctricos.

Fujitsu espera hacer servicios de diseño incorporando esta tecnología disponible en el cloud en 2020.

Antecedentes de desarrollo

Los materiales magnéticos, que se convierten en imanes cuando se aplica un campo magnético, se utilizan en una variedad de componentes y dispositivos, incluidos motores e inductores de vehículos eléctricos, que almacenan energía eléctrica en las fuentes de alimentación de los dispositivos electrónicos. Sin embargo, siempre habrá alguna pérdida magnética, donde una parte de la energía se disipa en forma de calor, debido al magnetismo. Esta pérdida puede cambiar significativamente en función de la geometría de los materiales magnéticos y está directamente relacionada con la eficiencia energética del componente o dispositivo. Por lo tanto, para lograr una alta eficiencia energética, ha sido importante diseñar las geometrías de los materiales magnéticos teniendo en cuenta la pérdida magnética.

Cuestiones

Con los métodos de diseño existentes para las geometrías de materiales magnéticos, debido a la fuerte no linealidad exclusiva de los materiales magnéticos (magnetic hysteresis), es difícil encontrar una geometría óptima para minimizar la pérdida magnética, lo que hace que el diseño de geometría automatizada resulte desafiante. Además, incluso cuando se simula un diseño completo, puede haber errores en la simulación de pérdida magnética que difieren en varios múltiplos o incluso varios órdenes de magnitud de valores medidos experimentalmente, lo que inhibe las predicciones suficientes y precisas para el desarrollo del diseño. Como resultado, los diseños de geometría del material magnético han tenido que confiar en la experiencia y conocimiento de los diseñadores, así como también en el ensayo y error experimental, lo que requirió considerable tiempo y dinero.

Acerca de la nueva tecnología

Mediante el uso de IA, Fujitsu y Fujitsu Laboratories han desarrollado una tecnología para automatizar el diseño de geometrías que minimizan la pérdida magnética en el espacio virtual. Los detalles de esta tecnología recientemente desarrollada son:

1. Tecnología para asegurar con precisión la pérdida magnética

Con esta tecnología, ha sido posible calcular con precisión la distribución de las eddy currents (1) que fluyen a través de un inductor al formular los efectos dieléctricos de las microestructuras de ferrito, que son los principales materiales magnéticos utilizados. Esto permite calcular con precisión el tamaño de la pérdida de corriente parásita, que es la causa principal de la de ferrito. Por consiguiente, aunque era difícil para los métodos de estimación previos evaluar el tamaño de la pérdida de corriente de Foucault cuando la frecuencia de operación del inductor excedía de algunas docenas de kilohercios, la nueva tecnología ha permitido que el error de estimación para magnéticos sea inferior al 10%, en una amplia gama de frecuencias de operación, hasta varios megahercios (figura 1).

Figura 1

Figura 1 (izquierda): Simulación de la pérdida magnética de un inductor (distribución de la densidad del flujo magnético dentro del material magnético); (Derecha) Comparación de resultados experimentales y simulados.

2. Tecnología para optimizar el diseño usando IA
Al vincular la simulación de pérdida magnética recientemente desarrollada con un algoritmo genético( ²), Fujitsu Laboratories y Fujitsu desarrollaron una fórmula para encontrar automáticamente parámetros geométricos (dimensiones para cada parte de la forma del material magnético) que minimizan las pérdidas. Las compañías ahora han desarrollado una tecnología para calcular la colección de soluciones óptimas (Pareto-optimal front, ³) que con velocidad y estabilidad minimizan la pérdida magnética, al ejercer control en consideración de las características magnéticas, para mantener una proporción de elementos individuales superiores por encima de un cierto umbral de excelencia, para el cambio generacional respectivo que produce una próxima generación. Por ejemplo, es deseable que tanto el tamaño físico como la pérdida magnética de un inductor sean lo más pequeños posible. Sin embargo, cuando la inductancia, que es la característica eléctrica principal de un inductor, se restringe a un cierto nivel, existe una relación de intercambio entre los dos. En ese caso, esta tecnología es capaz de encontrar automáticamente el conjunto de diseños óptimos (figura 2).

Figura 2

Figura 2: Resultados del diseño automatizado de un inductor (cada punto corresponde a una sola geometría del inductor).

Efectos

Usando la tecnología recientemente desarrollada, Fujitsu Laboratories y Fujitsu pudieron automatizar el diseño experimental de geometrías de materiales magnéticos en un espacio virtual. Como resultado de ensayos internos y al diseñar la forma de un inductor que utiliza materiales de ferrito, esta tecnología permitió completar el desarrollo de prototipos en pocos días, lo que habría llevado varios meses comenzando con la creación de varios tipos de moldes. De esta forma, se hizo posible una importante racionalización del I+D.

Planes futuros

Fujitsu Laboratories y Fujitsu quieren que los servicios de diseño que incorporen esta tecnología estén disponibles a través del cloud HPC, para cálculos científicos en el año fiscal 2020. Además, esperan desarrollar aún más esta tecnología, permitiendo la creación de geometrías de diseño magnético sin experiencia especializada vinculándola con informática de materiales (4).

(1) Eddy currents – corrientes de Faucault
Cuando el flujo magnético cambia en un conductor de electricidad, puede inducir una corriente en forma de vértice dentro del mismo, de acuerdo con las leyes de la inducción electromagnética. El calor generado por el flujo de eddy currents, se convierte en pérdida de energía. La ubicación y el tamaño de las eddy currents que se producen dentro de los materiales magnéticos, están determinados por la geometría del material y sus propiedades eléctricas.

(2) Algoritmos genéticos
Un método de optimización computacional basado en el funcionamiento de la evolución biológica. Para una generación actual de soluciones posibles, se hacen copias múltiples, que luego se cruzan entre sí y se mutan, y se seleccionan «supervivientes» para crear la próxima generación de soluciones. Al repetir este proceso, el método encuentra las mejores. La evolución deseada se fomenta sobre la base de seleccionar «supervivientes» en el grado en que se adaptan a los parámetros apropiados.

(3) Pareto-optimal front
Cuando uno quiere minimizar valores múltiples que tienen una relación de intercambio y cuando no existen circunstancias que proporcionen valores más pequeños para todas las variables que un cierto conjunto de parámetros, estos se denominan Pareto optimum. Por lo general, existen múltiples optimizaciones de Pareto y la línea o plano formado por esos optimums es el Pareto-optimal front.

(4) Materiales informáticos
Un esfuerzo para acelerar la búsqueda de nuevos materiales mediante la combinación y fusión de tecnologías en el campo de los materiales, como la síntesis de materiales, las tecnologías de análisis y la simulación de materiales, con tecnologías tales como ciencia de datos e inteligencia artificial. Se espera que reduzca significativamente el tiempo y el coste requeridos para el desarrollo de materiales.

TE PUEDE GUSTAR

EVENTOS

RECIBE NUESTRA NEWSLETTER

*Email:

*Nombre:

*Empresa:

Cargo:

Sector:
     

Please don't insert text in the box below!

ESCUCHA NUESTRO PODCAST

SÍGUENOS EN RRSS

MÁS COMENTADOS

Scroll al inicio