《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》
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。
图表编号 | XD00193058900 严禁用于非法目的 |
---|---|
绘制时间 | 2021.02.20 |
作者 | 张筱迪、毛明晖、卢昶衡、王文武、贾冯睿、龙旭 |
绘制单位 | 辽宁石油化工大学土木工程学院、辽宁石油化工大学土木工程学院、西北工业大学力学与土木建筑学院先进电子封装材料与结构研究中心、辽宁石油化工大学土木工程学院、浙江清华长三角研究院、西北工业大学力学与土木建筑学院先进电子封装材料与结构研究中心 |
更多格式 | 高清、无水印(增值服务) |