Implementación of a Genetic Algorithm for Jiles-Atherton's Parameters Optimization

• Autores: F. Cuéllar, C. Calle, O. Guzmán, A. Mendoza
• Localización: Revista de la Sociedad Colombiana de Física, ISSN-e 0120-2650, Vol. 41, Nº. 2, 2009, págs. 461-463
• Idioma: español
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Una de las principales herramientas en el análisis de la respuesta magnética de materiales, son las curvas de magnetización en función de campo aplicado; en el caso de curvas de histéresis ferromagnética uno de los modelos más ampliamente utilizados es el de Jiles-Atherton[1]. La solución propuesta como ecuación de magnetización[1,2] es una sumatoria de derivadas recurrentes en la magnetización, con una función de distribución gaussiana para el anclaje; la característica recurrente hace del ajuste de curvas experimentales una tarea complicada. Por tal razón se han propuesto distintas metodologías para la optimización de parámetros al ajustar una curva histerética experimental con el modelo mencionado[3,4]; éste trabajo muestra la implementación de un algoritmo genético para la optimización de parámetros del modelo de Jiles-Atherton sobre el entorno Mathematica de Wolfram Research. Los parámetros de entrada para este algoritmo son: curva experimental de magnetización en función del campo, valor máximo del campo magnético, probabilidad de mutación aleatoria y probabilidad de mutación exploratoria. Los parámetros de salida son: magnetización de saturación (Ms), parámetro de fluctuación térmica (a), constante de campo promedio ( ), amplitud de la distribución gaussiana de anclaje (k0), desviación estándar de la distribución gaussiana de anclaje () y el gráfico de la medida experimental junto a la curva ajustada.

  • English

    One of the main tools in magnetic materials response analysis, are the magnetization as function of applied field curves; in the case of ferromagnetic hysteresis one of the most widely used is the Jiles-Atherton model[1]. The proposed solution as an equation of magnetization[1,2] is a sum of recurrent in magnetization derivatives, with a Gaussian pinning distribution function; the recurrent characteristic makes the experimental fitting a complicated job. Due to this reason, different methodologies for parameter optimization of an experimental hysteretic curve with the mentioned model have been proposed[3,4]; it is shown in this work the implementation of a genetic algorithm for parameter optimization of the Jiles-Atherton model on Wolfram Research�s Mathematica environment. The entry parameters for this algorithm are: experimental magnetization as a function of the field curve, maximum magnetic field, random mutation probability and exploratory mutation probability. The output parameters are: saturation magnetization(Ms), thermal fluctuation parameter(a), mean field constant( ), Gaussian pinning distribution amplitude (k0), Gaussian pinning distribution standard deviation (), and the graphics of experimental and fitted curves.