《表2 封装结构抗跌落可靠性评估的关键特征变量》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于有限元分析和机器学习的跌落所致封装结构力学行为预测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

如图11所示，机器学习模型的训练和预测过程分为5个主要步骤。在数据收集过程和输入输出特性描述之后，提出影响焊点应力演化的跌落方式的主要特征变量，本文所处理问题的关键变量包括跌落角度、跌落高度和跌落速度。下一步是使用机器学习算法来训练预测模型，以估算有效焊点的应力和PEEQ值。足够多的输入数据的收集，在训练模型过程中起着重要作用。所有收集的数据都是从有限元模型（FEM）模拟结果中提取的，所有参数的单位均已统一。在选取输入特征量时，需要对模型的描述足够全面。本文中将跌落角度、高度和焊点点位坐标作为输入特征量构建了一个12维向量作为一组数据组，12个输入特征量的具体选择如表2所示。其中，点的坐标通过以左下角点为原点的直角坐标系来进行计算。对于每组模拟，从焊点阵列中11个不同独立焊点位置提取数据，形成包含约132组12维向量的数据集。以跌落角度与地面夹角为30°、跌落高度为0.8 m、焊点坐标为（1，1）、目标值为PEEQ为例，这一组数据的形式为（30，60，90，0，4000，0，800，1，1，1.211×10-3，0，0），数据依次代表用于神经网络训练的12个输入特征量的具体取值。