【技术实现步骤摘要】
本专利技术涉及电子封装材料可靠性，尤其涉及一种基于机器学习和有限元分析的bga焊点剪切性能预测方法。
技术介绍
1、如今电子产品设备大量使用的三级封装都是采用微连接装连，焊点数量越来越多，尺寸越来越小、封装密度越来越高，焊点已成为封装过程中最薄弱的环节，焊点的可靠性将直接决定电子产品与设备的可靠性。据统计，器件内部的互联焊点失效是导致电子元器件失效的主要原因。而有55％的焊点失效是由于封装结构中各种材料之间的热膨胀系数不匹配而在温度变化下翘曲产生的热应力导致的。
2、球栅阵列封装(bga，ball gridarray)的电子器件底部表面可全作为引脚使用，且具有更短的平均导线长度，大大提高了集成度，具备更优的高速效能。这种封装模式的焊点受到的热应力可以分解为与焊点连接界面平行的剪切应力与垂直于界面的拉应力，主要为剪切应力。目前主要通过焊点剪切性能衡量bga焊点的可靠性能。在电子封装领域中，我们为了确保实现高可靠性焊点，我们应该对焊点的剪切强度进行测试分析。
3、焊点在使用的过程等效于热老化的过程，热老化过程中imc层厚度的生长被认为是影响焊点剪切性能的主要因素。但过去对imc厚度变化对焊点剪切性能的影响的研究不够细致全面，尤其是由于焊点的结构难以代入简单的力学模型，因此将imc厚度变化与剪切性能相联系仍需进一步研究。
技术实现思路
1、针对上述情况，为了克服现有技术的缺陷，本专利技术提供了一种基于机器学习和有限元分析的bga焊点剪切性能预测方法，至少解决了部分
2、为实现上述目的，本专利技术采取的技术方案如下：
3、一种基于机器学习和有限元分析的bga焊点剪切性能预测方法，包括以下步骤：
4、s1、收集无铅焊料的合金成分和拉伸性能的实验数据，建立初始数据集；
5、s2、以合金成分为输入、拉伸性能为输出，用机器学习模型进行建模和训练；模型采用留一交叉验证法进行验证；
6、s3、设计合金成分构建虚拟样本，将虚拟样本输入到机器学习模型中得到预测结果；
7、s4、建立bga焊球剪切测试有限元模型，并采用推刀的位移方式进行有限元分析；
8、s5、将焊点的imc层厚度作为控制因素，以评估焊点在时效后的剪切性能，判断不同成分焊点对时效的抵抗能力。
9、在进一步的方案中，步骤s1中，所述无铅焊料的合金成分包括sn、ag、cu、bi、in和ti。
10、在进一步的方案中，步骤s1中，所述拉伸性能包括屈服强度、抗拉强度、强化阶段的塑性应变和延伸率。
11、在进一步的方案中，步骤s2和s3中，所述机器学习模型为随机森林模型。
12、在进一步的方案中，步骤s3中，预测得到的无铅焊料合金，按重量百分数计，包括：1.0～3.8％ag、0.5～0.7％cu、0.5～5.5％bi、2.5～5.5％in、0.1～0.8％ti，余量为sn。
13、在进一步的方案中，步骤s4中，所述有限元模型为半对称模型，模型结构参数为：焊球直径760μm、剪切高度60μm、imc层厚度3μm和7μm。
14、在进一步的方案中，步骤s4中，所述建立bga焊球剪测试有限元模型的步骤包括：
15、使用abaqus软件建立bga焊球剪测试半对称模型，在推刀与焊球接触点与imc层界面之间的区域按最小区块5×20×20μm3划分，靠近推到一侧的1/4的的区域改为按最小区块5×7×7μm3划分，其他部分采用自由网格划分；其中，
16、所述焊料合金为粘塑性材料，所述imc层和推刀为线弹性材料；
17、边界条件：焊料合金与imc层相连，限制imc层底部运动，对整个对称面施加垂直于对称面的约束，选取x轴为推刀移动方向。
18、为了充分模拟推刀与焊球接触导致焊球发生变形，推刀与焊球表面之间的相互作用采用推刀与焊球接触面与焊球表面的标准面与面接触。相互作用属性为硬接触、无摩擦。初始状态下推刀与焊球之间保留一定间隔。
19、在进一步的方案中，步骤s4中，所述采用推刀的位移方式进行有限元分析的步骤包括：
20、推刀位移时所受到的反作用力即是焊点受到的对应的剪切力，对焊点开裂的判定条件为某一节点所受到的应力值超过抗拉强度；对焊点内所受拉力最先达到抗拉强度的节点的等效应力进行分析，从而得到推刀剪切力作用下bga球剪测试的有限元分析结果，从中获得剪切力与最大等效应力值的关系。
21、在进一步的方案中，所述一种基于机器学习和有限元分析的bga焊点剪切性能预测方法还包括以下步骤：
22、制备出经过性能预测的bga焊点，并通过剪切性能测试与sac387合金进行比较，评估该方法对bga焊点剪切性能的预测精度。
23、在进一步的方案中，所述一种基于机器学习和有限元分析的bga焊点剪切性能预测方法还包括以下步骤：
24、对步骤s4的有限元分析所预测的结果，通过与sac387合金的有限元模拟结果对比以评估剪切强度；对所预测成分的焊料合金与sac387的bga焊点进行剪切测试，以评估预测的准确性。
25、在进一步的方案中，步骤s5中，所述imc层厚度与焊料合金剪切性能取值，均满足实际试验的测量值。imc层厚度3μm和7μm分别为sac387合金时效前和150℃时效25天时的近似值。
26、与现有技术相比，本专利技术具有以下有益效果：
27、1、本专利技术创新性的利用机器学习策略预测合金化焊料合金的拉伸性能，可以减低实验的经济与时间成本，减少了获取焊料合金拉伸性能的试验成本，提高研发效率。
28、2、本专利技术使用的bga球剪测试有限元模型，确定了焊料合金拉伸性能与imc厚度对焊点剪切裂纹萌生强度的影响，以及焊料合金在老化一定程度后bga焊点的剪切裂纹萌生强度的下降规律。
本文档来自技高网...【技术保护点】
1.一种基于机器学习和有限元分析的BGA焊点剪切性能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习和有限元分析的BGA焊点剪切性能预测方法，其特征在于，步骤S1中，所述无铅焊料的合金成分包括Sn、Ag、Cu、Bi、In和Ti。
3.根据权利要求1所述的一种基于机器学习和有限元分析的BGA焊点剪切性能预测方法，其特征在于，步骤S1中，所述拉伸性能包括屈服强度、抗拉强度、强化阶段的塑性应变和延伸率。
4.根据权利要求1所述的一种基于机器学习和有限元分析的BGA焊点剪切性能预测方法，其特征在于，步骤S2和步骤S3中，所述机器学习模型为随机森林模型。
5.根据权利要求1所述的一种基于机器学习和有限元分析的BGA焊点剪切性能预测方法，其特征在于，步骤S3中，预测得到的无铅焊料合金，按重量百分数计，包括：1.0～3.8％Ag、0.5～0.7％Cu、0.5～5.5％Bi、2.5～5.5％In、0.1～0.8％Ti，余量为Sn。
6.根据权利要求1所述的一种基于机器学习和有限元分析的BGA焊点剪切性能预测
7.根据权利要求1所述的一种基于机器学习和有限元分析的BGA焊点剪切性能预测方法，其特征在于，步骤S4中，所述建立BGA焊球剪测试有限元模型的步骤包括：
8.根据权利要求1所述的一种基于机器学习和有限元分析的BGA焊点剪切性能预测方法，其特征在于，步骤S4中，所述采用推刀的位移方式进行有限元分析的步骤包括：
9.根据权利要求1-8任一项所述的一种基于机器学习和有限元分析的BGA焊点剪切性能预测方法，其特征在于，还包括以下步骤：制备出经过性能预测的BGA焊点，并通过剪切性能测试与SAC387合金进行比较，评估该方法对BGA焊点剪切性能的预测精度。
10.根据权利要求9所述的一种基于机器学习和有限元分析的BGA焊点剪切性能预测方法，其特征在于，还包括以下步骤：
...【技术特征摘要】
1.一种基于机器学习和有限元分析的bga焊点剪切性能预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习和有限元分析的bga焊点剪切性能预测方法，其特征在于，步骤s1中，所述无铅焊料的合金成分包括sn、ag、cu、bi、in和ti。
3.根据权利要求1所述的一种基于机器学习和有限元分析的bga焊点剪切性能预测方法，其特征在于，步骤s1中，所述拉伸性能包括屈服强度、抗拉强度、强化阶段的塑性应变和延伸率。
4.根据权利要求1所述的一种基于机器学习和有限元分析的bga焊点剪切性能预测方法，其特征在于，步骤s2和步骤s3中，所述机器学习模型为随机森林模型。
5.根据权利要求1所述的一种基于机器学习和有限元分析的bga焊点剪切性能预测方法，其特征在于，步骤s3中，预测得到的无铅焊料合金，按重量百分数计，包括：1.0～3.8％ag、0.5～0.7％cu、0.5～5.5％bi、2.5～5.5％in、0.1～0.8％ti，余量为sn。
6.根...
【专利技术属性】
技术研发人员：李天源，董自强，杨国，于晓东，张金仓，张统一，
申请(专利权)人：上海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。