Nano-kristal toroid manyetik çekirdeklerde histeresis eğrisinin modellenmesi

Abstract

Nanokristal yapıdaki toroid manyetik çekirdekler teknolojik uygulamalarda yaygın olarak kullanılmaktadırlar. Güç transformatörleri, kesintisiz güç kaynakları, elektromanyetik uyumluluk (EMC) filtreleri, rüzgar jeneratörleri, frekans dönüştürücüler ve otomotiv uygulamaları toroid çekirdeklerinin uygulama alanları arasında sayılabilir. Toroid çekirdeği yapımında kullanılan malzemenin türü, manyetik indüksiyon ve mıknatıslama frekansı bu elektronik cihazların çalışma performansını doğrudan etkilemektedir. Toroid çekirdeğindeki güç kaybı cihaz performansını etkileyen en önemli etkenlerden biridir. Bu güç kaybı, toroid çekirdeğine ait histeresis eğrisinin alanına eşittir. Bu nedenle cihaz tasarımında, kullanılacak toroid çekirdeklerinin histeresis eğrilerinin bilinmesi büyük bir öneme sahiptir. Geçmiş yıllarda, manyetik histeresisi doğru bir şekilde tanımlamak için bir çok çalışma yapılmıştır. Bu modellerden bazıları (Ising, Landau-Lifshitz modeli gibi mikroskopik modeller) karmaşık hesaplamalar gerektirirken, diğerleri (Jiles-Atherton, Preisach modeli gibi makroskopik modeller) ise gerçek boyutlardaki problemlere daha kolay uygulanabilirler. Bu çalışmada, dinamik histeresis eğrilerini, sadece toroid çekirdeklerinin boyutlarına ve çalışma noktalarına göre tahmin ettirmek için bir yapay sinir ağı kullanılmıştır. Ayrıca, histeresis eğrilerini belirlemek için yeni bir matematiksel model geliştirilmiş ve deneysel eğriler Jiles-Atherton modeli ile teorik olarak elde edilmiştir. Deneysel veriler, yedi farklı mıknatıslama frekansında, çeşitli geometrik ölçülerde Fe73.5Cu1Nb3Si15.5B7 alaşımından üretilmiş nanokristal yapıdaki ticari VITROPERM® toroid manyetik çekirdeklerden ölçülmüş daha önceki bir çalışmadan alınmıştır. Üç model kullanılarak hesaplanan histeresis eğrileri deneysel eğriler ile karşılaştırılmıştır. Yapay sinir ağı ve matematiksel modelden elde edilen sonuçlar ile deneysel değerler, sırasıyla %99 ve %92 uyumlu olarak bulunmuştur. Jiles-Atherton modeli kullanılarak belirlenen histeresis eğrileri ile deneysel eğriler arasındaki uyum ise yaklaşık %85 değerinde elde edilmiştir.

Nano-crystalline toroidal magnetic cores have been widely used in technological applications. Application areas of them are power transformers, uninterrupted power supplies, switched-mode power supplies, solar inverters, frequency converters, electromagnetic compatibility (EMC) filters, wind generators and automotive applications. Sort of the core material, magnetic induction and magnetising frequency directly affect the operational performance of these electronic devices. Power loss in these toroidal cores is a crucial factor which affects the device performance. The power loss can be calculated from magnetic hysteresis curve area of the toroidal core. It has a great importance to know the hysteresis curve of cores as a designing parameter. There have been many attempts to describe accurately magnetic hysteresis in the past years. Some of the models require more complex calculations (microscopic models: Ising model, Landau-Lifshitz model etc.), while the others are simple to implement to the real scale problems (macroscopic models: Jiles-Atherton, Preisach models etc.). In this research, an artificial neural network model is used to predict the dynamic hysteresis curves due to only geometrical sizes of the cores and operational parameters without any measurement. A new mathematical model is also developed to describe the hysteresis curves. Furthermore, experimental dynamic hysteresis curves are theoretically obtained using the Jiles-Atherton model. The experimental data used in this research is previously measured from commercial VITROPERM? nano-crystalline toroidal wound cores made from Fe73.5Cu1Nb3Si15.5B7 alloy with various geometrical sizes and at seven different magnetising frequencies. The results of the three models are compared with the experimental data. It is found that the correlation between the simulation results and the experimental data were 99% and 92% for the neural network and the mathematical model, respectively while the agreement of the Jiles-Atherton model the experimental data is obtained around 85%.