System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及磁性材料,特别是涉及一种基于微磁学和机器学习的磁性合金磁导率计算方法和装置。
技术介绍
1、高频磁导率的本质是磁性合金在微扰磁场作用下的一种动态磁学特征,其数值一般表现为虚部为正值,其虚部峰值越大表示材料的吸波性能越好。由于电子器件的工作频率逐渐朝着高频的方向发展,这就要求磁性合金材料的磁导率峰值位置向高频的方向移动。
2、为了更好的研究磁性合金材料的高频动态磁学特性,现有技术中常常需要对磁性合金的实体进行测量,得到不同材料组分或不同尺寸等材料工程设计特征下的实体磁性材料的高频磁谱,但调节磁性合金的材料工程设计特征需要花费大量的时间和费用。由于实验测量的效率较低,获取磁性材料磁导率的效率也受到限制。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种能够提高磁导率计算效率的基于微磁学和机器学习的磁性合金磁导率计算方法和装置。
2、第一方面,本申请提出一种基于微磁学和机器学习的磁性合金磁导率计算方法,所述方法包括:
3、构建磁性合金的微磁学模型;
4、获取所述微磁学模型在微扰磁场作用下的动态磁学响应数据;
5、基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据;
6、将所述高频磁谱数据中的峰值数据输入机器学习算法,预测得到不同设计参数下所述磁性合金的磁导率的峰值信息。
7、在其中一个实施例中,所述构建磁性合金的微磁学模型,包括:
8、在微磁学模拟计算软件中,基于预设的
9、在其中一个实施例中,所述磁性合金的磁性材料包括铁和钴;
10、基于铁和钴在所述磁性材料中的组分比例和铁和钴的磁参量计算磁学参数。
11、在其中一个实施例中,所述初始磁矩矢量分布采用随机分布。
12、在其中一个实施例中,所述几何形状为椭球形。
13、在其中一个实施例中,所述构建磁性合金的微磁学模型,包括:
14、在微磁学模拟计算软件中,基于预设的几何形状、尺寸大小、至少两组磁学参数以及初始磁矩矢量分布,设计磁性合金的微磁学模型,得到具有不同磁学参数的所述微磁学模型。
15、在其中一个实施例中,所述基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据,包括:
16、基于快速傅里叶变换将所述动态磁学响应数据从时域转换至频域;
17、并基于所述转换后的数据计算得到磁导率的实部数据和虚部数据,基于所述实部数据和所述虚部数据得到高频磁普数据。
18、在其中一个实施例中,所述方法还包括:
19、对不同方向的磁矩矢量设置不同的显示方式;
20、基于所述动态磁学响应数据,在可视化界面输出所述磁性合金的磁矩矢量分布图像。
21、第二方面,本申请还提供了一种基于微磁学和机器学习的磁性合金磁导率计算装置,所述装置包括:
22、微磁学模型构建模块,用于构建磁性合金的微磁学模型;
23、动态响应输出模块,用于获取所述微磁学模型在微扰磁场作用下的动态磁学响应数据;
24、高频磁谱计算模块,用于基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据;
25、峰值信息预测模块,用于将所述高频磁谱数据中的峰值数据输入机器学习算法,预测得到不同设计参数下所述磁性合金的磁导率的峰值信息。
26、第三方面,本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现第一方面所述的基于微磁学和机器学习的磁性合金磁导率计算方法。
27、上述基于微磁学和机器学习的磁性合金磁导率计算方法和装置,通过构建磁性合金的微磁学模型;获取所述微磁学模型在微扰磁场作用下的动态磁学响应数据;基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据;将所述高频磁谱数据中的峰值数据输入机器学习算法,预测得到不同设计参数下所述磁性合金的磁导率的峰值信息;解决了实测过程中成本高效率低的问题,实现了以微观方式模拟磁性合金在外加磁场作用下的动态磁学响应特征,从而更高效的揭示磁性合金的高频磁学特性。
本文档来自技高网...【技术保护点】
1.一种基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述构建磁性合金的微磁学模型,包括:
3.根据权利要求2所述的基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述磁性合金的磁性材料包括铁和钴;
4.根据权利要求2所述的基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述初始磁矩矢量分布采用随机分布。
5.根据权利要求2所述的基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述几何形状为椭球形。
6.根据权利要求1所述的基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述构建磁性合金的微磁学模型,包括:
7.根据权利要求1所述的基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述基于所述动态磁学响应数据计算所述磁性合金的高频磁谱数据,包括:
8.根据权利要求1所述的基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述方法还包括
9.一种基于微磁学和机器学习的磁性合金磁导率计算装置,其特征在于,所述装置包括:
10.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至权利要求8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述方法包括:
2.根据权利要求1所述的基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述构建磁性合金的微磁学模型,包括:
3.根据权利要求2所述的基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述磁性合金的磁性材料包括铁和钴;
4.根据权利要求2所述的基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述初始磁矩矢量分布采用随机分布。
5.根据权利要求2所述的基于微磁学和机器学习的磁性合金磁导率计算方法,其特征在于,所述几何形状为椭球形。
6.根据权利要求1所述的基于微...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。