Detailansicht
Property prediction of granular microstructures via graph neural networks
Felix Lasthofer
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Physik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Computational Science
Betreuer*in
Lukas Exl
DOI
10.25365/thesis.78102
URN
urn:nbn:at:at-ubw:1-21994.54910.249363-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die derzeitige Klimakrise zwingt uns unsere Lebensweise zu ändern, insbesondere im Energie- und Verkehrssektor. Die Umstellung auf erneuerbare Energien und Elektrofahrzeuge würde die Nachfrage nach seltenen Schwermetallen wie Neodym oder Dysprosium für effiziente und starke Magnete in die Höhe treiben und die Forschung über die Zusammensetzung von Magneten anregen. In dieser Arbeit wird die Verwendbarkeit von graph neural networks für die Vorhersage der Eigenschaften von Magneten bewertet, um mikromagnetische Simulationen zu beschleunigen, die für die Erforschung von Magneten unerlässlich sind. Es wird erwartet, dass graph neural networks bei diesem Problem gut arbeiten, da sie die Struktur von Materialien nutzen, um gewünschte Eigenschaften vorherzusagen. Zu diesem Zweck wurden vier verschiedene Datensätze mit unterschiedlicher Größe und Merkmalszusammensetzung, einschließlich physikalischer und geometrischer Eigenschaften, trainiert, um zu sehen, wie sie sich auf die Leistung der graph neural networks auswirken. Da es sich bei der Aufgabe um ein Klassifizierungsproblem handelte, werden die Werte für die accuracy und recall als Maßstab verwendet, um die Gesamtleistung und die Leistung des Modells bei der Klassifizierung von Minderheitsklassen zu bewerten. Wir haben herausgefunden, dass selbst geringe Unterschiede in der Zusammensetzung der Graphen ausreichen, damit graph neural networks gute Ergebnisse mit einer accuracy von über 90\% liefern. Wir können schlussfolgern, dass graph neural networks ein geeignetes Mittel sind, um die Eigenschaften von Magneten vorherzusagen, was sie zu einem wertvollen Werkzeug für die Beschleunigung mikromagnetischer Simulationen macht. Für künftige Arbeiten schlagen wir vor, Regressionsmodelle zur Vorhersage kontinuierlicher Eigenschaften zu erforschen und die generalisierung für Magnete zu bewerten, die größer sind als die beim Training beobachteten.
Abstract
(Englisch)
The current climate crisis beckons us to change the way we live, especially in the energy and transportation sector. The change to renewable energies and battery electric vehicles would spike the demand of rare earth metals such as neodymium or dysprosium for efficient and strong permanent magnets, which are use in motors and generators. Current research efforts aim to reduce the required amount of rare-earth in permanent magnets, while trying to maintain excellent permanent magnetic properties. This thesis evaluates the usability of graph neural networks for predicting the properties of magnets, with the aim of supplementing micromagnetic simulations, which are essential for the research of magnets. Graph neural networks are expected to perform well on this problem as they intrinsically use the granular structure of the magnets to predict desired properties. In addition to the chemical composition, the structure is crucial for the magnet's coercive field. A graph neural network for classifying magnets based on their coercivity was developed. The model was tested for four different datasets in varying size as well as features compositions, including physical and geometrical properties. Accuracy was used to establish a measure of performance of the graph neural network. Recall was applied to emphasize the models' performance in classifying minority classes. We found that even slight variation in the dataset composition of graphs is sufficient for graph neural networks to yield good results with an accuracy above 90\%. We can conclude that graph neural networks are a suitable way to predict the properties of magnets making them a valuable tool for supplementing micromagnetic simulations. For future work, we suggest exploring regression models to predict continuous properties such as coercivity and energy product. A further research is needed to evaluate the generalisation capabilities of graph neural networks on grain structures larger than those seen during training.
Schlagwörter
Schlagwörter
(Deutsch)
Magnet Graph Neural Network Machine learning Granulare Struktur
Schlagwörter
(Englisch)
magnet graph neural network machine learning granular structure
Autor*innen
Felix Lasthofer
Haupttitel (Englisch)
Property prediction of granular microstructures via graph neural networks
Paralleltitel (Deutsch)
Vorhersage von Eigenschaften granularer Mikrostrukturen mittels graph neuronaler Netze
Publikationsjahr
2025
Umfangsangabe
viii, 62 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Lukas Exl
Klassifikationen
33 Physik > 33.16 Elektrizität. Magnetismus ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC17482457
Utheses ID
75052
Studienkennzahl
UA | 066 | 910 | |