颗粒填充型热界面材料级配方案优化方法及装置制造方法及图纸

本发明专利技术涉及高分子材料领域，具体涉及一种颗粒填充型热界面材料级配方案优化方法及装置。该方法及装置将数值模拟和机器学习结合起来实现复合材料性质的快速预测，通过数值模拟产生复合材料数据集，再通过监督学习的方式将数值模拟产生的数据集输入机器学习模型便可以得到复合材料性质和复合材料参数之间的对应关系，进一步通过遗传算法寻找到具有最优热导率的配方，对于聚合物复合材料热学性能的优化具有十分重要的指导意义。化具有十分重要的指导意义。化具有十分重要的指导意义。

【技术实现步骤摘要】
颗粒填充型热界面材料级配方案优化方法及装置


[0001]本专利技术涉及高分子材料领域，具体而言，涉及一种颗粒填充型热界面材料级配方案优化方法及装置。

技术介绍

[0002]近年来，随着电子元器件封装集成度的迅速提高，封装结构变得越来越复杂，并逐渐向小型化和高功率化发展，从而导致电子产品产生的热量也随之增加。大量的热量聚集在这些电子元器件中无法有效排除，将严重影响元电子器件的性能和寿命。解决这个问题的一种有效方法就是在发热源和散热器之间填充一层同时具有高导热系数和良好的可压缩性的热界面材料。向聚合物中增加高导热的填料以提高其热导率是当前热界面材料开发与生产中最常见的选择，常见的填料主要为金属、金属氧化物、金属氮化物、无机碳材料或其他高导热粒子，其中Al2O3和AlN颗粒是商用热界面材料产品中较为常用的选择。
[0003]当前关于热界面材料的研究主要是利用实验的手段不断调整配比并进行热学性能测试，这显然需要大量的成本和时间消耗。随着计算机技术的提高，材料设计已经逐渐向数据驱动的方向发展，为当前的热界面材料的设计提供了一种新的思路。对于颗粒填充型的热界面材料，经过合理的实验设计并收集实验数据，利用基于机器学习的分析方式建立数据驱动型的材料设计，最终实现用理论模拟指导实验配比，可以减少损耗，降低成本，提高材料设计的成功率，实现研发市场成本和时间均减半的目标。值得注意的是，在数据库的建立过程中，仅仅依靠实验数据的大量累积需要庞大的工作量，显然是不现实的。因此利用计算机技术，通过数值模拟的方法对复合材料的热导率进行模型的建立和均质化分析，并进行高通量的计算进行数据收集，是一个非常优秀的替代方案。
[0004]现有的对于导热凝胶配方的开发设计手段主要是基于正交实验的方法，通过不断调配组分并进行热导率测试，寻找能够达到更优导热效果的配方，此种方法需要很高的材料和时间成本，效率低下，并且很难确定实验得到的方案是否为最佳，即是否还有可以优化的空间。

技术实现思路

[0005]本专利技术实施例提供了一种颗粒填充型热界面材料级配方案优化方法及装置，以至少解决现有方法获取到的热界面材料级配方案存在更多优化空间的技术问题。
[0006]根据本专利技术的一实施例，提供了一种颗粒填充型热界面材料级配方案优化方法，包括以下步骤：
[0007]通过数值模拟产生复合材料数据集；
[0008]通过监督学习的方式将数值模拟产生的复合材料数据集输入到机器学习模型得到复合材料性质和复合材料参数之间的对应关系；
[0009]机器学习模型将复合材料性质和复合材料参数之间的对应关系通过遗传算法计算得到具有最优热导率的配方方案。
[0010]进一步地，方法具体包括：
[0011]建立一系列具有不同填充密度和颗粒填充配比的随机结构模型；
[0012]然后以模型体系内部界面热阻和接触热阻为自变量，以模型结构有效热导率为输出参数利用数值模拟的方法进行高通量计算；
[0013]对计算所获得的数据库利用随机森林的算法进行机器学习；
[0014]最后利用遗传算法搜索获取到颗粒填充型热界面材料的最佳级配方案。
[0015]进一步地，颗粒填充型热界面材料为Al2O3/AlN聚合物复合材料。
[0016]进一步地，建立一系列具有不同填充密度和颗粒填充配比的随机结构模型包括：
[0017]随机结构模型被配置为：由小颗粒的Al2O3和大颗粒的AlN组成，建模参数分别为两种颗粒的填充体积分数P1、P2和两种颗粒的直径D1、D2；采用立方体型周期性结构代表体积单元，其中颗粒填充总体积分数在50％
‑
70％。
[0018]进一步地，小颗粒的直径分别设置为1微米、2微米、3微米；小颗粒和大颗粒的直径比分别为1:2、1:3、1:4、1:5。
[0019]进一步地，以模型体系内部界面热阻和接触热阻为自变量，以模型结构有效热导率为输出参数利用数值模拟的方法进行高通量计算包括：
[0020]根据已经建好的随机结构模型，利用GeoDict软件中的ConductoDict模块计算体系的有效热导率；进行热导率计算的参数有5个，分别是Al2O3颗粒和基体之间的接触热阻R
01
、AlN颗粒和基体之间的接触热阻R
02
、Al2O3颗粒之间的接触热阻R
11
、AlN颗粒之间的接触热阻R
22
、Al2O3颗粒和AlN颗粒R
12
。
[0021]进一步地，每组热阻的数值在1
×
10
‑8m2·
K/W～1
×
10
‑6m2·
K/W随机分布；基体的热导率设置为0.18W/m
·
K，Al2O3颗粒的热导率设置为30W/m
·
K，AlN颗粒的热导率设置为200W/m
·
K；每个结构三个主方向的热导率的平均值为体系的有效热导率。
[0022]进一步地，对计算所获得的数据库利用随机森林的算法进行机器学习包括：
[0023]将热导率数据集中75％
‑
85％数据作为训练集进行学习，15％
‑
25％数据作为测试集用于效果测试；
[0024]利用随机森林算法对数据集进行学习，并利用随机森林算法获得各输入参数的重要性指标。
[0025]进一步地，利用遗传算法搜索获取到颗粒填充型热界面材料的最佳级配方案包括：
[0026]基于机器学习获得的模型，利用遗传算法逐步迭代，获得最佳的配方和材料参数组合。
[0027]本专利技术的另一实施例，提供了一种颗粒填充型热界面材料级配方案优化装置，包括：
[0028]数据集产生单元，用于通过数值模拟产生复合材料数据集；
[0029]数据输入及计算单元，用于通过监督学习的方式将数值模拟产生的复合材料数据集输入到机器学习模型得到复合材料性质和复合材料参数之间的对应关系；
[0030]配方方案获取单元，用于机器学习模型将复合材料性质和复合材料参数之间的对应关系通过遗传算法计算得到具有最优热导率的配方方案。
[0031]一种存储介质，存储介质存储有能够实现上述任意一项颗粒填充型热界面材料级
配方案优化方法的程序文件。
[0032]一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的颗粒填充型热界面材料级配方案优化方法。
[0033]本专利技术实施例中的颗粒填充型热界面材料级配方案优化方法及装置，将数值模拟和机器学习结合起来实现复合材料性质的快速预测，通过数值模拟产生复合材料数据集，再通过监督学习的方式将数值模拟产生的数据集输入机器学习模型便可以得到复合材料性质和复合材料参数之间的对应关系，进一步通过遗传算法寻找到具有最优热导率的配方，对于聚合物复合材料热学性能的优化具有十分重要的指导意义。
附图说明
[0034]此处所说本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种颗粒填充型热界面材料级配方案优化方法，其特征在于，包括以下步骤：通过数值模拟产生复合材料数据集；通过监督学习的方式将数值模拟产生的复合材料数据集输入到机器学习模型得到复合材料性质和复合材料参数之间的对应关系；机器学习模型将复合材料性质和复合材料参数之间的对应关系通过遗传算法计算得到具有最优热导率的配方方案。2.根据权利要求1所述的颗粒填充型热界面材料级配方案优化方法，其特征在于，所述方法具体包括：建立一系列具有不同填充密度和颗粒填充配比的随机结构模型；然后以模型体系内部界面热阻和接触热阻为自变量，以模型结构有效热导率为输出参数利用数值模拟的方法进行高通量计算；对计算所获得的数据库利用随机森林的算法进行机器学习；最后利用遗传算法搜索获取到颗粒填充型热界面材料的最佳级配方案。3.根据权利要求2所述的颗粒填充型热界面材料级配方案优化方法，其特征在于，所述颗粒填充型热界面材料为Al2O3/AlN聚合物复合材料。4.根据权利要求3所述的颗粒填充型热界面材料级配方案优化方法，其特征在于，所述建立一系列具有不同填充密度和颗粒填充配比的随机结构模型包括：随机结构模型被配置为：由小颗粒的Al2O3和大颗粒的AlN组成，建模参数分别为两种颗粒的填充体积分数P1、P2和两种颗粒的直径D1、D2；采用立方体型周期性结构代表体积单元，其中颗粒填充总体积分数在50％
‑
70％。5.根据权利要求4所述的颗粒填充型热界面材料级配方案优化方法，其特征在于，小颗粒的直径分别设置为1微米、2微米、3微米；小颗粒和大颗粒的直径比分别为1:2、1:3、1:4、1:5。6.根据权利要求4所述的颗粒填充型热界面材料级配方案优化方法，其特征在于，所述以模型体系内部界面热阻和接触热阻为自变量，以模型结构有效热导率为输出参数利用数值模拟的方法进行高通量计算包括：根据已经建好的随机结构模型，利用GeoDict软件中的ConductoDict模块计算体系的有效热导率；进行热导率计算的参数有5个，分别是Al2O3颗粒和基体之间的接触热阻R
01

【专利技术属性】
技术研发人员：陆晓欣，鲁济豹，程南，孙蓉，
申请(专利权)人：深圳先进电子材料国际创新研究院，
类型：发明
国别省市：