SmFeN永磁材料：BP神经网络预测工艺与磁性能

"基于BP人工神经网络的SmFeN永磁材料工艺-磁性能关系预测" 在本文中，叶金文和刘颖通过采用基于BP（Backpropagation）人工神经网络的方法，研究了SmFeN永磁材料的工艺参数与其磁性能之间的关系。他们设计了一项实验，使用均匀设计理论来设定4个因素的16个不同水平，这些因素可能影响到最终材料的磁性能。这种实验设计旨在揭示不同工艺条件对磁性能指标如剩磁（Br）、矫顽力（Hcj）和最大磁能积[(BH)m]的影响。 BP人工神经网络是一种在机器学习领域广泛应用的模型，特别适合处理非线性和复杂的关系预测。在本研究中，神经网络被用来建立一个数学模型，这个模型能够理解和模拟工艺参数如何影响SmFeN材料的磁特性。通过训练和优化网络，研究人员可以预测在特定工艺条件下材料的磁性能。 实验结果显示，神经网络预测模型的准确性很高。剩磁（Br）的相对误差在2.85%以内，矫顽力（Hcj）的相对误差不超过4.60%，而最大磁能积[(BH)m]的相对误差最大值为6.0%。这些数值表明，该模型在预测磁性能方面具有很高的可靠性。 此外，利用该模型优化后的工艺条件，成功制备出氮含量高且相组成几乎单一的Sm2Fe17Nx稀土永磁材料。实验验证了预测的工艺条件，所制备的粘结磁体的磁性能与模型预测值吻合良好，具体表现为：Br=0.562T，Hcj=1214kA/m，(BH)m=56kJ/m3。 关键词"稀土永磁Sm2Fe17Nx"和"神经网络"是本研究的核心。Sm2Fe17Nx是一种重要的稀土永磁材料，因其优异的磁性能而在诸多应用中受到关注，例如在风力发电、电动汽车和精密仪器等领域。而神经网络作为工具，不仅帮助研究人员理解工艺对材料性能的影响，还为优化制造过程和提高材料性能提供了科学依据。 这项工作展示了神经网络在材料科学中的应用潜力，尤其是在预测和优化复杂工艺-性能关系时。通过这种方法，未来可能开发出更多高性能的稀土永磁材料，推动相关技术的发展。