Konzentrierte und polydisperse Ferrofluide im Magnetic Particle Imaging
Jan-Philip Gehrcke
Julius-Maximilians-Universit¨at W¨urzburg
18. Mai 2009
Ubersicht ¨
1 Einleitung
2 Polydispersit¨at
3 Konzentrationsabh¨angigkeit
Magnetisierungskurve im MPI
Die Magnetisierungskurve M(H) ubersetzt das eingestrahlte Feld in¨ ein Antwortfeld → MPI-Signal
MPI: Magnetisierungskurve von Ferrofluiden
m¨oglichst exakte Theorie zu M(H) ist essentiell Erforderlich fuer realit¨atsgetreue Simulation des MPI-Signals
M(H) korrekt f¨ur großen Konzentrations- und Temperaturbereich numerisch gut implementierbar
MPI: Magnetisierungskurve von Ferrofluiden
m¨oglichst exakte Theorie zu M(H) ist essentiell Erforderlich fuer realit¨atsgetreue Simulation des MPI-Signals
M(H) korrekt f¨ur großen Konzentrations- und Temperaturbereich numerisch gut implementierbar
MPI: Magnetisierungskurve von Ferrofluiden
m¨oglichst exakte Theorie zu M(H) ist essentiell Erforderlich fuer realit¨atsgetreue Simulation des MPI-Signals
M(H) korrekt f¨ur großen Konzentrations- und Temperaturbereich numerisch gut implementierbar
MPI: Magnetisierungskurve von Ferrofluiden
m¨oglichst exakte Theorie zu M(H) ist essentiell Erforderlich fuer realit¨atsgetreue Simulation des MPI-Signals
M(H) korrekt f¨ur großen Konzentrations- und Temperaturbereich numerisch gut implementierbar
Sehr geringe Partikeldichte
sehr kleine Konzentrationen
Interpartikelwechselwirkung vernachl¨assigbar
”Paramagnetisches Gas“
→ Langevin’sSingle Particle Model (SPM)
Sehr geringe Partikeldichte
sehr kleine Konzentrationen
Interpartikelwechselwirkung vernachl¨assigbar
”Paramagnetisches Gas“
→ Langevin’sSingle Particle Model (SPM)
Sehr geringe Partikeldichte
sehr kleine Konzentrationen
Interpartikelwechselwirkung vernachl¨assigbar
”Paramagnetisches Gas“
→ Langevin’sSingle Particle Model (SPM)
Sehr geringe Partikeldichte
sehr kleine Konzentrationen
Interpartikelwechselwirkung vernachl¨assigbar
”Paramagnetisches Gas“
→ Langevin’sSingle Particle Model (SPM)
Langevin ’s Single Particle Model
MSPM(H) =M∞·L
µ0mH kBT
mit L(z) = coth(z)−1 z
M∞= lim
H→∞MSPM(H) =ρnorm·Ms
Ms:
”bulk“-S¨attigungsmagnetisierung (Magnetit: 480000A/m) ρnorm: normierte Dichte∈[0,1]
Langevin ’s Single Particle Model
MSPM(H) =M∞·L
µ0mH kBT
mit L(z) = coth(z)−1 z
M∞= lim
H→∞MSPM(H) =ρnorm·Ms
Ms:
”bulk“-S¨attigungsmagnetisierung (Magnetit: 480000A/m) ρnorm: normierte Dichte∈[0,1]
Langevin ’s Single Particle Model
Ms = m Vp
MSPM(H) =ρnorm·Ms·L
µ0mH kBT
MSPM(H) =ρpnd·m·L
µ0mH kBT
ρpnd: particle number density∈[0,ca. 1024] ρnorm: normierte Dichte ∈[0,1]
Langevin ’s Single Particle Model
Ms = m Vp
MSPM(H) =ρnorm·Ms·L
µ0mH kBT
MSPM(H) =ρpnd·m·L
µ0mH kBT
ρpnd: particle number density∈[0,ca. 1024] ρnorm: normierte Dichte ∈[0,1]
Langevin ’s Single Particle Model
G¨ultigkeitsbereich lautK.I. Morozov, A.V. Lebedev, J. Magn. Magn.
Mater. 85 (1990) 51: ρnorm≤0.01
c ≤0.22moll mitc(ρnorm) = 10−3·V ρnorm
mol,Magnetit
O.B. Kuznetsova, A.O. Ivanov, B. Huke, M. L¨ucke (http://tinyurl.com/pkgbck):
”The Langevin theory is absolutely inapplicable even to diluted ferrofluids.“ (ρnorm= 0.08)
+ Polydispersit¨at→ gutes Modell f¨ur extrem kleine Konzentrationen
Langevin ’s Single Particle Model
G¨ultigkeitsbereich lautK.I. Morozov, A.V. Lebedev, J. Magn. Magn.
Mater. 85 (1990) 51: ρnorm≤0.01
c ≤0.22moll mitc(ρnorm) = 10−3·V ρnorm
mol,Magnetit
O.B. Kuznetsova, A.O. Ivanov, B. Huke, M. L¨ucke (http://tinyurl.com/pkgbck):
”The Langevin theory is absolutely inapplicable even to diluted ferrofluids.“ (ρnorm= 0.08)
+ Polydispersit¨at→ gutes Modell f¨ur extrem kleine Konzentrationen
Langevin ’s Single Particle Model
G¨ultigkeitsbereich lautK.I. Morozov, A.V. Lebedev, J. Magn. Magn.
Mater. 85 (1990) 51: ρnorm≤0.01
c ≤0.22moll mitc(ρnorm) = 10−3·V ρnorm
mol,Magnetit
O.B. Kuznetsova, A.O. Ivanov, B. Huke, M. L¨ucke (http://tinyurl.com/pkgbck):
”The Langevin theory is absolutely inapplicable even to diluted ferrofluids.“ (ρnorm= 0.08)
+ Polydispersit¨at→ gutes Modell f¨ur extrem kleine Konzentrationen
Langevin ’s Single Particle Model
G¨ultigkeitsbereich lautK.I. Morozov, A.V. Lebedev, J. Magn. Magn.
Mater. 85 (1990) 51: ρnorm≤0.01
c ≤0.22moll mitc(ρnorm) = 10−3·V ρnorm
mol,Magnetit
O.B. Kuznetsova, A.O. Ivanov, B. Huke, M. L¨ucke (http://tinyurl.com/pkgbck):
”The Langevin theory is absolutely inapplicable even to diluted ferrofluids.“ (ρnorm= 0.08)
+ Polydispersit¨at→ gutes Modell f¨ur extrem kleine Konzentrationen
Langevin ’s Single Particle Model
G¨ultigkeitsbereich lautK.I. Morozov, A.V. Lebedev, J. Magn. Magn.
Mater. 85 (1990) 51: ρnorm≤0.01
c ≤0.22moll mitc(ρnorm) = 10−3·V ρnorm
mol,Magnetit
O.B. Kuznetsova, A.O. Ivanov, B. Huke, M. L¨ucke (http://tinyurl.com/pkgbck):
”The Langevin theory is absolutely inapplicable even to diluted ferrofluids.“ (ρnorm= 0.08)
+ Polydispersit¨at→ gutes Modell f¨ur extrem kleine Konzentrationen
Ubersicht ¨
1 Einleitung
2 Polydispersit¨at
3 Konzentrationsabh¨angigkeit
SPM + Polydispersit¨ at
Wahrscheinlichkeitsdistribution p(x)
x: Durchmesser des magnetischen Kerns der Partikel im Fluid MSPM(H) =
ρpnd·m·L
µ0mH kBT
Erwartungswert bilden
hmi= πMs 6 · hx3i MSPM(H) =ρpnd· hmi ·L
µ0hmiH kBT
MSPM(H) =ρnorm(hx3i)·Ms·L
µ0hmiH kBT
SPM + Polydispersit¨ at
Wahrscheinlichkeitsdistribution p(x)
x: Durchmesser des magnetischen Kerns der Partikel im Fluid MSPM(H) =
ρpnd·m·L
µ0mH kBT
Erwartungswert bilden
hmi= πMs 6 · hx3i MSPM(H) =ρpnd· hmi ·L
µ0hmiH kBT
MSPM(H) =ρnorm(hx3i)·Ms·L
µ0hmiH kBT
Wahl der Verteilungsfunktion p(x)
A.F. Pshenichnikov, V.V. Mekhonoshin, A.V. Lebedev; J. Magn. Magn.
Mater. 161, 94 (1996):
oftmals Lognormalverteilung langsamer Abfall f¨ur großex
zu große hohe Momentehxpi →fehlerhaft
Beispiele f¨ur Sensitivit¨at auf hohe Momente Rayleighstreuung: Wirkungsquerschnitt ∝ hx6i Anfangssuszeptibilit¨at∝ hm2i ∝ hx6i
→ schnellerer Abfall (Realit¨atsn¨ahe) f¨ur großex oft gew¨unscht
Wahl der Verteilungsfunktion p(x)
A.F. Pshenichnikov, V.V. Mekhonoshin, A.V. Lebedev; J. Magn. Magn.
Mater. 161, 94 (1996):
oftmals Lognormalverteilung langsamer Abfall f¨ur großex
zu große hohe Momentehxpi →fehlerhaft
Beispiele f¨ur Sensitivit¨at auf hohe Momente Rayleighstreuung: Wirkungsquerschnitt ∝ hx6i Anfangssuszeptibilit¨at∝ hm2i ∝ hx6i
→ schnellerer Abfall (Realit¨atsn¨ahe) f¨ur großex oft gew¨unscht
Wahl der Verteilungsfunktion p(x)
A.F. Pshenichnikov, V.V. Mekhonoshin, A.V. Lebedev; J. Magn. Magn.
Mater. 161, 94 (1996):
oftmals Lognormalverteilung langsamer Abfall f¨ur großex
zu große hohe Momentehxpi →fehlerhaft
Beispiele f¨ur Sensitivit¨at auf hohe Momente Rayleighstreuung: Wirkungsquerschnitt ∝ hx6i Anfangssuszeptibilit¨at∝ hm2i ∝ hx6i
→ schnellerer Abfall (Realit¨atsn¨ahe) f¨ur großex oft gew¨unscht
Wahl der Verteilungsfunktion p(x)
A.F. Pshenichnikov, V.V. Mekhonoshin, A.V. Lebedev; J. Magn. Magn.
Mater. 161, 94 (1996):
oftmals Lognormalverteilung langsamer Abfall f¨ur großex
zu große hohe Momentehxpi →fehlerhaft Beispiele f¨ur Sensitivit¨at auf hohe Momente
Rayleighstreuung: Wirkungsquerschnitt ∝ hx6i Anfangssuszeptibilit¨at∝ hm2i ∝ hx6i
→ schnellerer Abfall (Realit¨atsn¨ahe) f¨ur großex oft gew¨unscht
Wahl der Verteilungsfunktion p(x)
A.F. Pshenichnikov, V.V. Mekhonoshin, A.V. Lebedev; J. Magn. Magn.
Mater. 161, 94 (1996):
oftmals Lognormalverteilung langsamer Abfall f¨ur großex
zu große hohe Momentehxpi →fehlerhaft Beispiele f¨ur Sensitivit¨at auf hohe Momente
Rayleighstreuung: Wirkungsquerschnitt ∝ hx6i Anfangssuszeptibilit¨at∝ hm2i ∝ hx6i
→ schnellerer Abfall (Realit¨atsn¨ahe) f¨ur großex oft gew¨unscht
Wahl der Verteilungsfunktion p(x)
A.F. Pshenichnikov, V.V. Mekhonoshin, A.V. Lebedev; J. Magn. Magn.
Mater. 161, 94 (1996):
oftmals Lognormalverteilung langsamer Abfall f¨ur großex
zu große hohe Momentehxpi →fehlerhaft Beispiele f¨ur Sensitivit¨at auf hohe Momente
Rayleighstreuung: Wirkungsquerschnitt ∝ hx6i Anfangssuszeptibilit¨at∝ hm2i ∝ hx6i
→ schnellerer Abfall (Realit¨atsn¨ahe) f¨ur großex oft gew¨unscht
Wahl der Verteilungsfunktion p(x)
A.F. Pshenichnikov, V.V. Mekhonoshin, A.V. Lebedev; J. Magn. Magn.
Mater. 161, 94 (1996):
oftmals Lognormalverteilung langsamer Abfall f¨ur großex
zu große hohe Momentehxpi →fehlerhaft Beispiele f¨ur Sensitivit¨at auf hohe Momente
Rayleighstreuung: Wirkungsquerschnitt ∝ hx6i Anfangssuszeptibilit¨at∝ hm2i ∝ hx6i
→ schnellerer Abfall (Realit¨atsn¨ahe) f¨ur großex oft gew¨unscht
Wahl der Verteilungsfunktion p(x)
A.F. Pshenichnikov, V.V. Mekhonoshin, A.V. Lebedev; J. Magn. Magn.
Mater. 161, 94 (1996):
oftmals Lognormalverteilung langsamer Abfall f¨ur großex
zu große hohe Momentehxpi →fehlerhaft Beispiele f¨ur Sensitivit¨at auf hohe Momente
Rayleighstreuung: Wirkungsquerschnitt ∝ hx6i Anfangssuszeptibilit¨at∝ hm2i ∝ hx6i
→ schnellerer Abfall (Realit¨atsn¨ahe) f¨ur großex oft gew¨unscht
Die Γ-Verteilung
”exponentiell ged¨ampfte Potenz“
xαe−
x x0
¨
ahnlich zur Lognormalverteilung, aber exponentieller Abfall Normierung
p(x) = 1
x0α+1·Γ(α+ 1)·xαe−
x x0
Γ-Funktion in Normierung→
”Γ-Verteilung“
Die Γ-Verteilung
”exponentiell ged¨ampfte Potenz“
xαe−
x x0
¨
ahnlich zur Lognormalverteilung, aber exponentieller Abfall Normierung
p(x) = 1
x0α+1·Γ(α+ 1)·xαe−
x x0
Γ-Funktion in Normierung→
”Γ-Verteilung“
Die Γ-Verteilung
”exponentiell ged¨ampfte Potenz“
xαe−
x x0
¨
ahnlich zur Lognormalverteilung, aber exponentieller Abfall Normierung
p(x) = 1
x0α+1·Γ(α+ 1)·xαe−
x x0
Γ-Funktion in Normierung→
”Γ-Verteilung“
Die Γ-Verteilung
”exponentiell ged¨ampfte Potenz“
xαe−
x x0
¨
ahnlich zur Lognormalverteilung, aber exponentieller Abfall Normierung
p(x) = 1
x0α+1·Γ(α+ 1)·xαe−
x x0
Γ-Funktion in Normierung→
”Γ-Verteilung“
Γ-Verteilung besser geeignet?
laut J. Magn. Magn. Mater. 161, 94 (1996) ja:
Elektronenmikroskop: Histogramme f¨ur versch. Suspensionen aufgenommen
daraus hxi und hx2i berechnet
daraus Parameter f¨ur Lognormal- bzw. Γ-Verteilung bestimmt hx3iund hx6i aus Histogrammen gewonnen
hx3iund hx6i aus den Verteilungsfunktionen bestimmt Vergleich der
”experimentellen“ und
”gefitteten“ hx3i und hx6i hx3ipasst bei beiden Distributionen
hx6iergibt bei Γ-Vert. deutlich kleinere Fehler als bei Lognormalvert.
je breiter die reale Verteilung, desto fehlerhafter die hx6i der Lognormalvert.
Γ-Verteilung besser geeignet?
laut J. Magn. Magn. Mater. 161, 94 (1996) ja:
Elektronenmikroskop: Histogramme f¨ur versch. Suspensionen aufgenommen
daraus hxi und hx2i berechnet
daraus Parameter f¨ur Lognormal- bzw. Γ-Verteilung bestimmt hx3iund hx6i aus Histogrammen gewonnen
hx3iund hx6i aus den Verteilungsfunktionen bestimmt Vergleich der
”experimentellen“ und
”gefitteten“ hx3i und hx6i hx3ipasst bei beiden Distributionen
hx6iergibt bei Γ-Vert. deutlich kleinere Fehler als bei Lognormalvert.
je breiter die reale Verteilung, desto fehlerhafter die hx6i der Lognormalvert.
Γ-Verteilung besser geeignet?
laut J. Magn. Magn. Mater. 161, 94 (1996) ja:
Elektronenmikroskop: Histogramme f¨ur versch. Suspensionen aufgenommen
daraus hxi und hx2i berechnet
daraus Parameter f¨ur Lognormal- bzw. Γ-Verteilung bestimmt hx3iund hx6i aus Histogrammen gewonnen
hx3iund hx6i aus den Verteilungsfunktionen bestimmt Vergleich der
”experimentellen“ und
”gefitteten“ hx3i und hx6i hx3ipasst bei beiden Distributionen
hx6iergibt bei Γ-Vert. deutlich kleinere Fehler als bei Lognormalvert.
je breiter die reale Verteilung, desto fehlerhafter die hx6i der Lognormalvert.
Γ-Verteilung besser geeignet?
laut J. Magn. Magn. Mater. 161, 94 (1996) ja:
Elektronenmikroskop: Histogramme f¨ur versch. Suspensionen aufgenommen
daraus hxi und hx2i berechnet
daraus Parameter f¨ur Lognormal- bzw. Γ-Verteilung bestimmt hx3iund hx6i aus Histogrammen gewonnen
hx3iund hx6i aus den Verteilungsfunktionen bestimmt Vergleich der
”experimentellen“ und
”gefitteten“ hx3i und hx6i hx3ipasst bei beiden Distributionen
hx6iergibt bei Γ-Vert. deutlich kleinere Fehler als bei Lognormalvert.
je breiter die reale Verteilung, desto fehlerhafter die hx6i der Lognormalvert.
Γ-Verteilung besser geeignet?
laut J. Magn. Magn. Mater. 161, 94 (1996) ja:
Elektronenmikroskop: Histogramme f¨ur versch. Suspensionen aufgenommen
daraus hxi und hx2i berechnet
daraus Parameter f¨ur Lognormal- bzw. Γ-Verteilung bestimmt hx3iund hx6i aus Histogrammen gewonnen
hx3iund hx6i aus den Verteilungsfunktionen bestimmt Vergleich der
”experimentellen“ und
”gefitteten“ hx3i und hx6i hx3ipasst bei beiden Distributionen
hx6iergibt bei Γ-Vert. deutlich kleinere Fehler als bei Lognormalvert.
je breiter die reale Verteilung, desto fehlerhafter die hx6i der Lognormalvert.
Γ-Verteilung besser geeignet?
laut J. Magn. Magn. Mater. 161, 94 (1996) ja:
Elektronenmikroskop: Histogramme f¨ur versch. Suspensionen aufgenommen
daraus hxi und hx2i berechnet
daraus Parameter f¨ur Lognormal- bzw. Γ-Verteilung bestimmt hx3iund hx6i aus Histogrammen gewonnen
hx3iund hx6i aus den Verteilungsfunktionen bestimmt Vergleich der
”experimentellen“ und
”gefitteten“ hx3i und hx6i hx3ipasst bei beiden Distributionen
hx6iergibt bei Γ-Vert. deutlich kleinere Fehler als bei Lognormalvert.
je breiter die reale Verteilung, desto fehlerhafter die hx6i der Lognormalvert.
Γ-Verteilung besser geeignet?
laut J. Magn. Magn. Mater. 161, 94 (1996) ja:
Elektronenmikroskop: Histogramme f¨ur versch. Suspensionen aufgenommen
daraus hxi und hx2i berechnet
daraus Parameter f¨ur Lognormal- bzw. Γ-Verteilung bestimmt hx3iund hx6i aus Histogrammen gewonnen
hx3iund hx6i aus den Verteilungsfunktionen bestimmt Vergleich der
”experimentellen“ und
”gefitteten“ hx3i und hx6i hx3ipasst bei beiden Distributionen
hx6iergibt bei Γ-Vert. deutlich kleinere Fehler als bei Lognormalvert.
je breiter die reale Verteilung, desto fehlerhafter die hx6i der Lognormalvert.
Γ-Verteilung besser geeignet?
laut J. Magn. Magn. Mater. 161, 94 (1996) ja:
Elektronenmikroskop: Histogramme f¨ur versch. Suspensionen aufgenommen
daraus hxi und hx2i berechnet
daraus Parameter f¨ur Lognormal- bzw. Γ-Verteilung bestimmt hx3iund hx6i aus Histogrammen gewonnen
hx3iund hx6i aus den Verteilungsfunktionen bestimmt Vergleich der
”experimentellen“ und
”gefitteten“ hx3i und hx6i hx3ipasst bei beiden Distributionen
hx6iergibt bei Γ-Vert. deutlich kleinere Fehler als bei Lognormalvert.
je breiter die reale Verteilung, desto fehlerhafter die hx6i der Lognormalvert.
Γ-Verteilung besser geeignet?
laut J. Magn. Magn. Mater. 161, 94 (1996) ja:
Elektronenmikroskop: Histogramme f¨ur versch. Suspensionen aufgenommen
daraus hxi und hx2i berechnet
daraus Parameter f¨ur Lognormal- bzw. Γ-Verteilung bestimmt hx3iund hx6i aus Histogrammen gewonnen
hx3iund hx6i aus den Verteilungsfunktionen bestimmt Vergleich der
”experimentellen“ und
”gefitteten“ hx3i und hx6i hx3ipasst bei beiden Distributionen
hx6iergibt bei Γ-Vert. deutlich kleinere Fehler als bei Lognormalvert.
je breiter die reale Verteilung, desto fehlerhafter die hx6i der Lognormalvert.
Γ-Verteilung besser geeignet?
laut J. Magn. Magn. Mater. 161, 94 (1996) ja:
Elektronenmikroskop: Histogramme f¨ur versch. Suspensionen aufgenommen
daraus hxi und hx2i berechnet
daraus Parameter f¨ur Lognormal- bzw. Γ-Verteilung bestimmt hx3iund hx6i aus Histogrammen gewonnen
hx3iund hx6i aus den Verteilungsfunktionen bestimmt Vergleich der
”experimentellen“ und
”gefitteten“ hx3i und hx6i hx3ipasst bei beiden Distributionen
hx6iergibt bei Γ-Vert. deutlich kleinere Fehler als bei Lognormalvert.
je breiter die reale Verteilung, desto fehlerhafter die hx6i der Lognormalvert.
Γ-Verteilung vs. Lognormalverteilung
gleicher Erwartungswert und gleiche Varianz:
Γ-Verteilung vs. Lognormalverteilung
gleicher Erwartungswert und gleiche Varianz:
Γ-Verteilung vs. Lognormalverteilung
gleicher Erwartungswert und gleiche Varianz:
Einfluss der Polydispersit¨ at auf das MPI-Signal
Wie wirken sich verschieden große Durchmesser aus?
viele monodispere
”Experimente“; alles konstant bis auf x Peaks im MPI-Signal (SPM) mitaebx gefittet
Fitparameter aufgetragen ¨uberx
Einfluss der Polydispersit¨ at auf das MPI-Signal
Wie wirken sich verschieden große Durchmesser aus?
viele monodispere
”Experimente“; alles konstant bis auf x Peaks im MPI-Signal (SPM) mitaebx gefittet
Fitparameter aufgetragen ¨uberx
Einfluss der Polydispersit¨ at auf das MPI-Signal
Wie wirken sich verschieden große Durchmesser aus?
viele monodispere
”Experimente“; alles konstant bis auf x Peaks im MPI-Signal (SPM) mitaebx gefittet
Fitparameter aufgetragen ¨uberx
Einfluss der Polydispersit¨ at auf das MPI-Signal
Wie wirken sich verschieden große Durchmesser aus?
viele monodispere
”Experimente“; alles konstant bis auf x Peaks im MPI-Signal (SPM) mitaebx gefittet
Fitparameter aufgetragen ¨uberx
Einfluss der Polydispersit¨ at auf das MPI-Signal
ein monodisperses Beispielexperiment
Einfluss der Polydispersit¨ at auf das MPI-Signal
St¨arke des exponentiellen Abfalls des MPI-Signals in Abh. von x
Einfluss der Polydispersit¨ at auf das MPI-Signal
Γ-Verteilung vs. Lognormalverteilung
beide Verteilungen mithxi= 25nm und σ2 = 25nm Verteilungen diskretisiert in 100
”bins“:pi,mi(xi) effektive Magnetisierungskurven berechnet:
MSPM(H) =Ms·
100
X
i=1
pi ·L
µ0miH kBT
· 1
P100
i=1pi relative Abweichung zwischen Magnetisierungskurven und MPI-Signalen berechnet
Einfluss der Polydispersit¨ at auf das MPI-Signal
Γ-Verteilung vs. Lognormalverteilung
beide Verteilungen mithxi= 25nm und σ2 = 25nm Verteilungen diskretisiert in 100
”bins“:pi,mi(xi) effektive Magnetisierungskurven berechnet:
MSPM(H) =Ms·
100
X
i=1
pi ·L
µ0miH kBT
· 1
P100
i=1pi relative Abweichung zwischen Magnetisierungskurven und MPI-Signalen berechnet
Einfluss der Polydispersit¨ at auf das MPI-Signal
Γ-Verteilung vs. Lognormalverteilung
beide Verteilungen mithxi= 25nm und σ2 = 25nm Verteilungen diskretisiert in 100
”bins“:pi,mi(xi) effektive Magnetisierungskurven berechnet:
MSPM(H) =Ms·
100
X
i=1
pi ·L
µ0miH kBT
· 1
P100
i=1pi relative Abweichung zwischen Magnetisierungskurven und MPI-Signalen berechnet
Einfluss der Polydispersit¨ at auf das MPI-Signal
Γ-Verteilung vs. Lognormalverteilung
beide Verteilungen mithxi= 25nm und σ2 = 25nm Verteilungen diskretisiert in 100
”bins“:pi,mi(xi) effektive Magnetisierungskurven berechnet:
MSPM(H) =Ms·
100
X
i=1
pi ·L
µ0miH kBT
· 1
P100
i=1pi relative Abweichung zwischen Magnetisierungskurven und MPI-Signalen berechnet
Einfluss der Polydispersit¨ at auf das MPI-Signal
Γ-Verteilung vs. Lognormalverteilung
beide Verteilungen mithxi= 25nm und σ2 = 25nm Verteilungen diskretisiert in 100
”bins“:pi,mi(xi) effektive Magnetisierungskurven berechnet:
MSPM(H) =Ms·
100
X
i=1
pi ·L
µ0miH kBT
· 1
P100
i=1pi relative Abweichung zwischen Magnetisierungskurven und MPI-Signalen berechnet
Einfluss der Polydispersit¨ at auf das MPI-Signal
beide Verteilungen mit hxi= 25nm und σ2 = 25nm
Einfluss der Polydispersit¨ at auf das MPI-Signal
Diskretisierung & Normierung der Lognormalverteilung
Einfluss der Polydispersit¨ at auf das MPI-Signal
effektive SPM Langevinfunktion
Einfluss der Polydispersit¨ at auf das MPI-Signal
Magnetisierungsantwort
Einfluss der Polydispersit¨ at auf das MPI-Signal
MPI-Signal
Einfluss der Polydispersit¨ at auf das MPI-Signal
Γ-Verteilung vs. Lognormalverteilung
→ bei qualitativer Betrachtung des exponentiellen Abfalls bis zum 20.
Peak ist die Abweichung vernachl¨assigbar.
Einfluss der Polydispersit¨ at auf das MPI-Signal
St¨arke des exponentiellen Abfalls des MPI-Signals in Abh. von hxiund σ2 Lognormalverteilung mit vielen hxi und σ2 gebildet
Peaks im MPI-Signal (SPM) mitaebx gefittet Fitparameter aufgetragen ¨uberhxiund σ2
Einfluss der Polydispersit¨ at auf das MPI-Signal
St¨arke des exponentiellen Abfalls des MPI-Signals in Abh. von hxiund σ2 Lognormalverteilung mit vielen hxi und σ2 gebildet
Peaks im MPI-Signal (SPM) mitaebx gefittet Fitparameter aufgetragen ¨uberhxiund σ2
Einfluss der Polydispersit¨ at auf das MPI-Signal
St¨arke des exponentiellen Abfalls des MPI-Signals in Abh. von hxiund σ2 Lognormalverteilung mit vielen hxi und σ2 gebildet
Peaks im MPI-Signal (SPM) mitaebx gefittet Fitparameter aufgetragen ¨uberhxiund σ2
Einfluss der Polydispersit¨ at auf das MPI-Signal
St¨arke des exponentiellen Abfalls des MPI-Signals in Abh. von hxiund σ2 Lognormalverteilung mit vielen hxi und σ2 gebildet
Peaks im MPI-Signal (SPM) mitaebx gefittet Fitparameter aufgetragen ¨uberhxiund σ2
Einfluss der Polydispersit¨ at auf das MPI-Signal
ein”schlechter“ Beispielfit: hxi= 7nm undσ2 = 35nm
Einfluss der Polydispersit¨ at auf das MPI-Signal
b aufgetragen ¨uber hxi und σ2
Einfluss der Polydispersit¨ at auf das MPI-Signal
Fitkorrelationskoeffizient R aufgetragen ¨uber hxiund σ2
Einfluss der Polydispersit¨ at auf das MPI-Signal
a aufgetragen ¨uber hxi und σ2
Ubersicht ¨
1 Einleitung
2 Polydispersit¨at
3 Konzentrationsabh¨angigkeit
Konzentrierte Ferrofluide
Paramagnetisches Modell nicht mehr korrekt:
beschreibt unabh¨angige magnetische Dipole im ¨außeren Feld (Uij kBT)
schwache Felder:
2- bis 3-facheSteigerung der Magnetisierung starke Felder:
weniger große ¨Anderung, aber signifikant bis zuH ≈105mA ≈0.1T
Konzentrierte Ferrofluide
Paramagnetisches Modell nicht mehr korrekt:
beschreibt unabh¨angige magnetische Dipole im ¨außeren Feld (Uij kBT)
schwache Felder:
2- bis 3-facheSteigerung der Magnetisierung starke Felder:
weniger große ¨Anderung, aber signifikant bis zuH ≈105mA ≈0.1T
Konzentrierte Ferrofluide
Paramagnetisches Modell nicht mehr korrekt:
beschreibt unabh¨angige magnetische Dipole im ¨außeren Feld (Uij kBT)
schwache Felder:
2- bis 3-facheSteigerung der Magnetisierung starke Felder:
weniger große ¨Anderung, aber signifikant bis zuH ≈105mA ≈0.1T
Konzentrierte Ferrofluide im MPI
MPI
schwache Felder (O(0.01T)) und u.U.hoheKonzentrationen in Zellen (O(1moll ) bis zu O(10moll ))
→ starke ¨Anderung der Kr¨ummungder Magnetisierungskurve
Konzentrierte Ferrofluide im MPI
MPI
schwache Felder (O(0.01T)) und u.U.hoheKonzentrationen in Zellen (O(1moll ) bis zu O(10moll ))
→ starke ¨Anderung der Kr¨ummungder Magnetisierungskurve
verschiedene Modelle f¨ uhren zur verschiedenen M (H, ρ)
Langevin’s SPM
Weiss model (mean-field)
Mean Spherical Model MSM/MSA High Temperature Approximation HTA Cluster Expansion Theory CET
first-order Modified Mean Field ModelMMF1 second-order Modified Mean Field Model MMF2
verschiedene Modelle f¨ uhren zur verschiedenen M (H, ρ)
Langevin’s SPM
Weiss model (mean-field)
Mean Spherical Model MSM/MSA High Temperature Approximation HTA Cluster Expansion Theory CET
first-order Modified Mean Field ModelMMF1 second-order Modified Mean Field Model MMF2
verschiedene Modelle f¨ uhren zur verschiedenen M (H, ρ)
Langevin’s SPM
Weiss model (mean-field)
Mean Spherical Model MSM/MSA High Temperature Approximation HTA Cluster Expansion Theory CET
first-order Modified Mean Field ModelMMF1 second-order Modified Mean Field Model MMF2
verschiedene Modelle f¨ uhren zur verschiedenen M (H, ρ)
Langevin’s SPM
Weiss model (mean-field)
Mean Spherical Model MSM/MSA High Temperature Approximation HTA Cluster Expansion Theory CET
first-order Modified Mean Field ModelMMF1 second-order Modified Mean Field Model MMF2
verschiedene Modelle f¨ uhren zur verschiedenen M (H, ρ)
Langevin’s SPM
Weiss model (mean-field)
Mean Spherical Model MSM/MSA High Temperature Approximation HTA Cluster Expansion Theory CET
first-order Modified Mean Field ModelMMF1 second-order Modified Mean Field Model MMF2
verschiedene Modelle f¨ uhren zur verschiedenen M (H, ρ)
Langevin’s SPM
Weiss model (mean-field)
Mean Spherical Model MSM/MSA High Temperature Approximation HTA Cluster Expansion Theory CET
first-order Modified Mean Field ModelMMF1 second-order Modified Mean Field Model MMF2
verschiedene Modelle f¨ uhren zur verschiedenen M (H, ρ)
Langevin’s SPM
Weiss model (mean-field)
Mean Spherical Model MSM/MSA High Temperature Approximation HTA Cluster Expansion Theory CET
first-order Modified Mean Field ModelMMF1 second-order Modified Mean Field Model MMF2
verschiedene Modelle f¨ uhren zur verschiedenen M (H, ρ)
Langevin’s SPM
Weiss model (mean-field)
Mean Spherical Model MSM/MSA High Temperature Approximation HTA Cluster Expansion Theory CET
first-order Modified Mean Field ModelMMF1 second-order Modified Mean Field Model MMF2
G¨ ute der Theorien
M(H)-Messung f¨ur verschiedene Konzentrationen und Vgl. mit Theorie?
Problem: zwei Unsicherheiten Interpartikelwechselwirkung unbekannte Polydispersit¨at
Beliebige MagnetisierungskurveMbel: Mbel(H) =M0·X
i
pi,bel ·L
µ0miH kBT
→ ”Tarnung“ der Interpartikelwechselwirkung
→ effektive Gr¨oßenverteilung, nicht real
G¨ ute der Theorien
M(H)-Messung f¨ur verschiedene Konzentrationen und Vgl. mit Theorie?
Problem: zwei Unsicherheiten Interpartikelwechselwirkung unbekannte Polydispersit¨at Beliebige MagnetisierungskurveMbel:
Mbel(H) =M0·X
i
pi,bel ·L
µ0miH kBT
→ ”Tarnung“ der Interpartikelwechselwirkung
→ effektive Gr¨oßenverteilung, nicht real
G¨ ute der Theorien
M(H)-Messung f¨ur verschiedene Konzentrationen und Vgl. mit Theorie?
Problem: zwei Unsicherheiten Interpartikelwechselwirkung unbekannte Polydispersit¨at Beliebige MagnetisierungskurveMbel:
Mbel(H) =M0·X
i
pi,bel ·L
µ0miH kBT
→ ”Tarnung“ der Interpartikelwechselwirkung
→ effektive Gr¨oßenverteilung, nicht real
G¨ ute der Theorien
M(H)-Messung f¨ur verschiedene Konzentrationen und Vgl. mit Theorie?
Problem: zwei Unsicherheiten Interpartikelwechselwirkung unbekannte Polydispersit¨at Beliebige MagnetisierungskurveMbel:
Mbel(H) =M0·X
i
pi,bel ·L
µ0miH kBT
→ ”Tarnung“ der Interpartikelwechselwirkung
→ effektive Gr¨oßenverteilung, nicht real
G¨ ute der Theorien
M(H)-Messung f¨ur verschiedene Konzentrationen und Vgl. mit Theorie?
Problem: zwei Unsicherheiten Interpartikelwechselwirkung unbekannte Polydispersit¨at Beliebige MagnetisierungskurveMbel:
Mbel(H) =M0·X
i
pi,bel ·L
µ0miH kBT
→ ”Tarnung“ der Interpartikelwechselwirkung
→ effektive Gr¨oßenverteilung, nicht real
G¨ ute der Theorien
M(H)-Messung f¨ur verschiedene Konzentrationen und Vgl. mit Theorie?
Problem: zwei Unsicherheiten Interpartikelwechselwirkung unbekannte Polydispersit¨at Beliebige MagnetisierungskurveMbel:
Mbel(H) =M0·X
i
pi,bel ·L
µ0miH kBT
→ ”Tarnung“ der Interpartikelwechselwirkung
→ effektive Gr¨oßenverteilung, nicht real
G¨ ute der Theorien
M(H)-Messung f¨ur verschiedene Konzentrationen und Vgl. mit Theorie?
Problem: zwei Unsicherheiten Interpartikelwechselwirkung unbekannte Polydispersit¨at Beliebige MagnetisierungskurveMbel:
Mbel(H) =M0·X
i
pi,bel ·L
µ0miH kBT
→ ”Tarnung“ der Interpartikelwechselwirkung
→ effektive Gr¨oßenverteilung, nicht real
G¨ ute der Theorien
L¨osung:
”magneto-granulometric analysis“ (MGA)
M(H) messen → kleine Felder:χinit, große Felder: asymptotisches Verhalten der Magnetisierung
Anhand eines Theoriemodellshmi(M∞) und hm2i(χinit) bestimmen aushmi undhm2i erh¨alt man hx3i undhx6i
zwei bekannte Momente ↔zwei Paramter der Verteilungsfunktion (Γ-Vert.: α,x0)
Gedankenexperiment:
große Menge Ferrofluid→ Proben unterschiedlicher Konzentration MGA f¨ur jede Probe
Wenn eine Theorie f¨ur einen großen Konzentrationsbereich korrekt ist, ...
... sind die per MGA gewonnenen Paramter der Verteilungsfkt.
unabh¨angigvon der Konzentration!
G¨ ute der Theorien
L¨osung:
”magneto-granulometric analysis“ (MGA)
M(H) messen → kleine Felder:χinit, große Felder: asymptotisches Verhalten der Magnetisierung
Anhand eines Theoriemodellshmi(M∞) und hm2i(χinit) bestimmen aushmi undhm2i erh¨alt man hx3i undhx6i
zwei bekannte Momente ↔zwei Paramter der Verteilungsfunktion (Γ-Vert.: α,x0)
Gedankenexperiment:
große Menge Ferrofluid→ Proben unterschiedlicher Konzentration MGA f¨ur jede Probe
Wenn eine Theorie f¨ur einen großen Konzentrationsbereich korrekt ist, ...
... sind die per MGA gewonnenen Paramter der Verteilungsfkt.
unabh¨angigvon der Konzentration!
G¨ ute der Theorien
L¨osung:
”magneto-granulometric analysis“ (MGA)
M(H) messen → kleine Felder:χinit, große Felder: asymptotisches Verhalten der Magnetisierung
Anhand eines Theoriemodellshmi(M∞) und hm2i(χinit) bestimmen aushmi undhm2i erh¨alt man hx3i undhx6i
zwei bekannte Momente ↔zwei Paramter der Verteilungsfunktion (Γ-Vert.: α,x0)
Gedankenexperiment:
große Menge Ferrofluid→ Proben unterschiedlicher Konzentration MGA f¨ur jede Probe
Wenn eine Theorie f¨ur einen großen Konzentrationsbereich korrekt ist, ...
... sind die per MGA gewonnenen Paramter der Verteilungsfkt.
unabh¨angigvon der Konzentration!
G¨ ute der Theorien
L¨osung:
”magneto-granulometric analysis“ (MGA)
M(H) messen → kleine Felder:χinit, große Felder: asymptotisches Verhalten der Magnetisierung
Anhand eines Theoriemodellshmi(M∞) und hm2i(χinit) bestimmen aushmi undhm2i erh¨alt man hx3i undhx6i
zwei bekannte Momente ↔zwei Paramter der Verteilungsfunktion (Γ-Vert.: α,x0)
Gedankenexperiment:
große Menge Ferrofluid→ Proben unterschiedlicher Konzentration MGA f¨ur jede Probe
Wenn eine Theorie f¨ur einen großen Konzentrationsbereich korrekt ist, ...
... sind die per MGA gewonnenen Paramter der Verteilungsfkt.
unabh¨angigvon der Konzentration!
G¨ ute der Theorien
L¨osung:
”magneto-granulometric analysis“ (MGA)
M(H) messen → kleine Felder:χinit, große Felder: asymptotisches Verhalten der Magnetisierung
Anhand eines Theoriemodellshmi(M∞) und hm2i(χinit) bestimmen aushmi undhm2i erh¨alt man hx3i undhx6i
zwei bekannte Momente ↔zwei Paramter der Verteilungsfunktion (Γ-Vert.: α,x0)
Gedankenexperiment:
große Menge Ferrofluid→ Proben unterschiedlicher Konzentration MGA f¨ur jede Probe
Wenn eine Theorie f¨ur einen großen Konzentrationsbereich korrekt ist, ...
... sind die per MGA gewonnenen Paramter der Verteilungsfkt.
unabh¨angigvon der Konzentration!
G¨ ute der Theorien
L¨osung:
”magneto-granulometric analysis“ (MGA)
M(H) messen → kleine Felder:χinit, große Felder: asymptotisches Verhalten der Magnetisierung
Anhand eines Theoriemodellshmi(M∞) und hm2i(χinit) bestimmen aushmi undhm2i erh¨alt man hx3i undhx6i
zwei bekannte Momente ↔zwei Paramter der Verteilungsfunktion (Γ-Vert.: α,x0)
Gedankenexperiment:
große Menge Ferrofluid→ Proben unterschiedlicher Konzentration MGA f¨ur jede Probe
Wenn eine Theorie f¨ur einen großen Konzentrationsbereich korrekt ist, ...
... sind die per MGA gewonnenen Paramter der Verteilungsfkt.
unabh¨angigvon der Konzentration!
G¨ ute der Theorien
L¨osung:
”magneto-granulometric analysis“ (MGA)
M(H) messen → kleine Felder:χinit, große Felder: asymptotisches Verhalten der Magnetisierung
Anhand eines Theoriemodellshmi(M∞) und hm2i(χinit) bestimmen aushmi undhm2i erh¨alt man hx3i undhx6i
zwei bekannte Momente ↔zwei Paramter der Verteilungsfunktion (Γ-Vert.: α,x0)
Gedankenexperiment:
große Menge Ferrofluid→ Proben unterschiedlicher Konzentration MGA f¨ur jede Probe
Wenn eine Theorie f¨ur einen großen Konzentrationsbereich korrekt ist, ...
... sind die per MGA gewonnenen Paramter der Verteilungsfkt.
unabh¨angigvon der Konzentration!
G¨ ute der Theorien
L¨osung:
”magneto-granulometric analysis“ (MGA)
M(H) messen → kleine Felder:χinit, große Felder: asymptotisches Verhalten der Magnetisierung
Anhand eines Theoriemodellshmi(M∞) und hm2i(χinit) bestimmen aushmi undhm2i erh¨alt man hx3i undhx6i
zwei bekannte Momente ↔zwei Paramter der Verteilungsfunktion (Γ-Vert.: α,x0)
Gedankenexperiment:
große Menge Ferrofluid→ Proben unterschiedlicher Konzentration MGA f¨ur jede Probe
Wenn eine Theorie f¨ur einen großen Konzentrationsbereich korrekt ist, ...
... sind die per MGA gewonnenen Paramter der Verteilungsfkt.
unabh¨angigvon der Konzentration!
G¨ ute der Theorien
L¨osung:
”magneto-granulometric analysis“ (MGA)
M(H) messen → kleine Felder:χinit, große Felder: asymptotisches Verhalten der Magnetisierung
Anhand eines Theoriemodellshmi(M∞) und hm2i(χinit) bestimmen aushmi undhm2i erh¨alt man hx3i undhx6i
zwei bekannte Momente ↔zwei Paramter der Verteilungsfunktion (Γ-Vert.: α,x0)
Gedankenexperiment:
große Menge Ferrofluid→ Proben unterschiedlicher Konzentration MGA f¨ur jede Probe
Wenn eine Theorie f¨ur einen großen Konzentrationsbereich korrekt ist, ...
... sind die per MGA gewonnenen Paramter der Verteilungsfkt.
unabh¨angigvon der Konzentration!
G¨ ute der Theorien
O.B. Kuznetsova, A.O. Ivanov, B. Huke, M. L¨ucke (http://tinyurl.com/pkgbck):
G¨ ute der Theorien
O.B. Kuznetsova, A.O. Ivanov, B. Huke, M. L¨ucke (http://tinyurl.com/pkgbck):
Mean-Field Model
mean-field model (Weiss model)
MSPM(H) =ρnorm·Ms·L
µ0mH
kBT
MWeiss(H) =MSPM(He(H)) He(H) =H+1
3MWeiss(H) transzendent, nichtlinear in ρ
Mean-Field Model
mean-field model (Weiss model)
MSPM(H) =ρnorm·Ms·L
µ0mH kBT
MWeiss(H) =MSPM(He(H)) He(H) =H+1
3MWeiss(H) transzendent, nichtlinear in ρ
Mean-Field Model
mean-field model (Weiss model)
MSPM(H) =ρnorm·Ms·L
µ0mH kBT
MWeiss(H) =MSPM(He(H)) He(H) =H+1
3MWeiss(H) transzendent, nichtlinear in ρ
Modified Mean-Field Model
A.F. Pshenichnikov, V.V. Mekhonoshin, A.V. Lebedev; J. Magn. Magn.
Mater. 161, 94 (1996):
”This permits us to offer another simple and effective model“
Manother(H) =MSPM(He(H)) He(H) =H+1
3MSPM(H) analytisch l¨osbar
Modified Mean-Field Model
A.F. Pshenichnikov, V.V. Mekhonoshin, A.V. Lebedev; J. Magn. Magn.
Mater. 161, 94 (1996):
”This permits us to offer another simple and effective model“
Manother(H) =MSPM(He(H)) He(H) =H+1
3MSPM(H) analytisch l¨osbar
Modified Mean-Field Model
A.F. Pshenichnikov, V.V. Mekhonoshin, A.V. Lebedev; J. Magn. Magn.
Mater. 161, 94 (1996):
”This permits us to offer another simple and effective model“
Manother(H) =MSPM(He(H)) He(H) =H+1
3MSPM(H) analytisch l¨osbar
Modified Mean-Field Model
Ivanov, A.O., Kantorovich, S.S., Reznikov, E.N., et al., Phys. Rev. E, 2007, vol. 75, p. 061405:
”a rigorous analysis of the paircorrelation functions in dipolar fluids (employing the Yvon-Born-Bogolyubov-Green-Kirkwood formalism) to generate expressions for M(H)“
MYBBGK(H) =MSPM(He(H)) He(H) =H+1
3MSPM(H)
1 + 1 48
dMSPM(H) dH
analytisch l¨osbar
Modified Mean-Field Model
Ivanov, A.O., Kantorovich, S.S., Reznikov, E.N., et al., Phys. Rev. E, 2007, vol. 75, p. 061405:
”a rigorous analysis of the paircorrelation functions in dipolar fluids (employing the Yvon-Born-Bogolyubov-Green-Kirkwood formalism) to generate expressions for M(H)“
MYBBGK(H) =MSPM(He(H)) He(H) =H+1
3MSPM(H)
1 + 1 48
dMSPM(H) dH
analytisch l¨osbar
Modified Mean-Field Model
Ivanov, A.O., Kantorovich, S.S., Reznikov, E.N., et al., Phys. Rev. E, 2007, vol. 75, p. 061405:
”a rigorous analysis of the paircorrelation functions in dipolar fluids (employing the Yvon-Born-Bogolyubov-Green-Kirkwood formalism) to generate expressions for M(H)“
MYBBGK(H) =MSPM(He(H)) He(H) =H+1
3MSPM(H)
1 + 1 48
dMSPM(H) dH
analytisch l¨osbar
Modified Mean-Field Model
MMF1 und MMF2
He,MMF1(H) =H+1
3MSPM(H) He,MMF2(H) =H+1
3MSPM(H)
1 + 1 48
dMSPM(H) dH
MMF2
Magnetisierungsfunktion nach MMF2:
MMMF2(H) =ρnorm·Ms·L(Q(H, ρnorm))
Q(H, ρnorm) = mµ0
kBT ·
H+1
3Msρnorm
− kBT
Hmµ0 + Coth
Hmµ0
kBT
·
1 + 1
48Msρnorm
kBT H2mµ0
−
mµ0Cschh
Hmµ0
kBT
i2
kBT
MMF2
Magnetisierungsfunktion nach MMF2:
MMMF2(H) =ρnorm·Ms·L(Q(H, ρnorm))
Q(H, ρnorm) = mµ0
kBT ·
H+1
3Msρnorm
− kBT
Hmµ0 + Coth
Hmµ0
kBT
·
1 + 1
48Msρnorm
kBT H2mµ0
−
mµ0Cschh
Hmµ0
kBT
i2
kBT
MMF2
Magnetisierungsfunktion nach MMF2:
MMMF2(H) =ρnorm·Ms·L(Q(H, ρnorm))
Q(H, ρnorm) = mµ0
kBT ·
H+1
3Msρnorm
− kBT
Hmµ0 + Coth
Hmµ0
kBT
·
1 + 1
48Msρnorm
kBT H2mµ0
−
mµ0Cschh
Hmµ0
kBT
i2
kBT
Einfluss der Konzentration auf die Magnetisierungskurve
Mnorm(H) in Abh. der Dichte; x konstant Video 01
Einfluss der Konzentration auf die Magnetisierungskurve
Mnorm(ρ) in Abh. der Feldst¨arke; x konstant - Vergleich mit SPM Video 02
Einfluss der Konzentration auf die Magnetisierungskurve
Mnorm(ρ,B) in Abh. vonx Video 03
Einfluss der Konzentration auf die Magnetisierungskurve
Mnorm(ρ,B) in Abh. vonx - Vergleich mit SPM Video 04
Einfluss der Konzentration auf die Magnetisierungskurve
M(ρ,B) in Abh. vonx - Vergleich mit SPM Video 05
Einfluss der Konzentration auf das MPI-Signal
norm. MPI-Signal in Abh. von der Konzentration f¨urx = 13nm (MMF2)
Einfluss der Konzentration auf das MPI-Signal
norm. MPI-Signal in Abh. von der Konzentration f¨urx = 13nm (SPM)
Zusammenfassung
Polydispersit¨at
Γ-Verteilung liefert wesentlich realere hohe Momente als Lognormalverteilung (wichtig f¨ur MGA)
Γ-Verteilung oder Lognormalverteilung f¨ur MPI? Unterschied vorerst vernachl¨assigbar
f¨ur kleine hxi und großeσ2 sieht man: Abfall des MPI-Signals entspricht nichtaebx
Konzentrationsabh¨angigkeit
Langevin’s SPM gilt nur im Bereichc ≤0.22moll
MPI: schwache Felder und u.U. hohe Konzentrationen in Zellen→ starke ¨Anderung des MPI-Signals im Vgl. zu SPM
MMF2 bisher einzige Theorie, die bei MGA unabh¨angig von ρ konstante Verteilungsparameter liefert
Zusammenfassung
Polydispersit¨at
Γ-Verteilung liefert wesentlich realere hohe Momente als Lognormalverteilung (wichtig f¨ur MGA)
Γ-Verteilung oder Lognormalverteilung f¨ur MPI? Unterschied vorerst vernachl¨assigbar
f¨ur kleine hxi und großeσ2 sieht man: Abfall des MPI-Signals entspricht nichtaebx
Konzentrationsabh¨angigkeit
Langevin’s SPM gilt nur im Bereichc ≤0.22moll
MPI: schwache Felder und u.U. hohe Konzentrationen in Zellen→ starke ¨Anderung des MPI-Signals im Vgl. zu SPM
MMF2 bisher einzige Theorie, die bei MGA unabh¨angig von ρ konstante Verteilungsparameter liefert
Zusammenfassung
Polydispersit¨at
Γ-Verteilung liefert wesentlich realere hohe Momente als Lognormalverteilung (wichtig f¨ur MGA)
Γ-Verteilung oder Lognormalverteilung f¨ur MPI? Unterschied vorerst vernachl¨assigbar
f¨ur kleine hxi und großeσ2 sieht man: Abfall des MPI-Signals entspricht nichtaebx
Konzentrationsabh¨angigkeit
Langevin’s SPM gilt nur im Bereichc ≤0.22moll
MPI: schwache Felder und u.U. hohe Konzentrationen in Zellen→ starke ¨Anderung des MPI-Signals im Vgl. zu SPM
MMF2 bisher einzige Theorie, die bei MGA unabh¨angig von ρ konstante Verteilungsparameter liefert
Zusammenfassung
Polydispersit¨at
Γ-Verteilung liefert wesentlich realere hohe Momente als Lognormalverteilung (wichtig f¨ur MGA)
Γ-Verteilung oder Lognormalverteilung f¨ur MPI? Unterschied vorerst vernachl¨assigbar
f¨ur kleine hxi und großeσ2 sieht man: Abfall des MPI-Signals entspricht nichtaebx
Konzentrationsabh¨angigkeit
Langevin’s SPM gilt nur im Bereichc ≤0.22moll
MPI: schwache Felder und u.U. hohe Konzentrationen in Zellen→ starke ¨Anderung des MPI-Signals im Vgl. zu SPM
MMF2 bisher einzige Theorie, die bei MGA unabh¨angig von ρ konstante Verteilungsparameter liefert
Zusammenfassung
Polydispersit¨at
Γ-Verteilung liefert wesentlich realere hohe Momente als Lognormalverteilung (wichtig f¨ur MGA)
Γ-Verteilung oder Lognormalverteilung f¨ur MPI? Unterschied vorerst vernachl¨assigbar
f¨ur kleine hxi und großeσ2 sieht man: Abfall des MPI-Signals entspricht nichtaebx
Konzentrationsabh¨angigkeit
Langevin’s SPM gilt nur im Bereichc ≤0.22moll
MPI: schwache Felder und u.U. hohe Konzentrationen in Zellen→ starke ¨Anderung des MPI-Signals im Vgl. zu SPM
MMF2 bisher einzige Theorie, die bei MGA unabh¨angig von ρ konstante Verteilungsparameter liefert
Zusammenfassung
Polydispersit¨at
Γ-Verteilung liefert wesentlich realere hohe Momente als Lognormalverteilung (wichtig f¨ur MGA)
Γ-Verteilung oder Lognormalverteilung f¨ur MPI? Unterschied vorerst vernachl¨assigbar
f¨ur kleine hxi und großeσ2 sieht man: Abfall des MPI-Signals entspricht nichtaebx
Konzentrationsabh¨angigkeit
Langevin’s SPM gilt nur im Bereichc ≤0.22moll
MPI: schwache Felder und u.U. hohe Konzentrationen in Zellen→ starke ¨Anderung des MPI-Signals im Vgl. zu SPM
MMF2 bisher einzige Theorie, die bei MGA unabh¨angig von ρ konstante Verteilungsparameter liefert