CN104408325A - 一种微电子封装热膨胀系数可靠性匹配优化方法 - Google Patents

一种微电子封装热膨胀系数可靠性匹配优化方法 Download PDF

Info

Publication number
CN104408325A
CN104408325A CN201410766286.4A CN201410766286A CN104408325A CN 104408325 A CN104408325 A CN 104408325A CN 201410766286 A CN201410766286 A CN 201410766286A CN 104408325 A CN104408325 A CN 104408325A
Authority
CN
China
Prior art keywords
thermal
healthy
thermal expansivity
beta
microelectronics packaging
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201410766286.4A
Other languages
English (en)
Other versions
CN104408325B (zh
Inventor
万毅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Feihong Microelectronics Co.,Ltd.
Original Assignee
Wenzhou University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN201410766286.4A priority Critical patent/CN104408325B/zh
Publication of CN104408325A publication Critical patent/CN104408325A/zh
Application granted granted Critical
Publication of CN104408325B publication Critical patent/CN104408325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本发明公开了一种微电子封装热膨胀系数可靠性匹配优化方法,是把人工智能理论、可靠性理论和健壮设计理论引入到微电子封装的热设计中,基于自适应高斯基智能神经网络、三水准健壮实验设计和非线性有限元相融合的微电子封装热膨胀系数可靠性匹配和健壮优化,把封装主要热失效部件的热疲劳应变作为目标函数对热循环载荷作用下的微电子封装器件材料的热膨胀系数进行最优匹配,在设计范围内获得最佳匹配的热膨胀系数参数集,使主要热失效部件的内部最大等效热疲劳应变减到最小。此方法既能减小微电子封装在循环热负载作用下的热机械失效率,还能保证了材料热膨胀系数在循环热负载的扰动下,仍能使封装维持高可靠性。

Description

一种微电子封装热膨胀系数可靠性匹配优化方法
技术领域
本发明涉及微电子设计与封装技术领域,具体涉及一种微电子封装热膨胀系数可靠性匹配优化方法。
背景技术
微电子技术是随着集成电路,尤其是超大型规模集成电路而发展起来的一门新的技术,它是高科技和信息产业的核心。微电子领域的两大关键技术是微电子制造技术和微电子封装技术,微电子要靠封装来组成半导体器件,封装是CI支撑、保护的必要条件,也是其功能实现的重要组成部分。然而,微电子封装的连接部件特别是封装小焊球,在电路的周期性通断和环境温度周期性变化的作用下,会产生热机械应力应变,导致内部裂纹的萌生和扩展,最终导致整个集成电路失效,封装特别是封装焊点的热机械失效成为微电子主要的失效模式,产生这种失效的根本原因是微电子封装焊点周边各器件和连接部件材料的热膨胀系数不匹配造成的,为了提高集成电路的热机械可靠性,必须要对微电子封装各器件材料的热膨胀系数进行热可靠性匹配和优化设计。
微电子封装中,器件材料的热膨胀系数对整个封装的热性能具有重要影响,早在1969年,IBM公司的K.C.Norris等就建立了可控塌陷互连(倒装焊)中由于芯片和陶瓷基板之间的热膨胀系数失配所引起的热应力物理模型,后来Robert Darveaux和John H.Lau等采用了一种TTDN技术测试了器件不同材料的热膨胀系数对封装热蠕变行为和温度棘轮的影响。近年来,M.A.等人在TST和TCT条件下,建立了封装焊点的热可靠性模型,并应用到了RF-LDMOS集成电路设计和分析中。Bart Vandevelde采用非线性有限元对SnPb和SnAgCu焊点热可靠性进行了建模,并针对三种芯片封装形式(封装BGA、倒装芯片封装UFC和QFN封装)下主要材料热膨胀系数对焊点的热可靠性的影响进行了分析。Saigal A提出了BGA封装的热机械循环试验下的Sn-37Pb焊点热可靠性评价模型,并通过有限元分析了失效的机理和器件的热膨胀系数对封装热可靠性的影响。Tung T采用DIC技术对BGA封装热可靠性分析模型,通过实验和数值仿真详细地分析了重要参数和器件材料的热膨胀系数对热可靠性的变化规律。Annapurna Addagarla采用有限元建立了BGA芯片封装的可靠性模型,在热应力负载下,分析了器件热膨胀系数对热失效寿命的影响。江苏大学微纳米科学技术研究中心在田口实验法的基础上,分析了热载荷作用下的PBGA封装无铅焊点周围器件材料热膨胀系数对封装的热可靠性的影响,并进行了热可靠性设计。
以上研究大都是基于封装焊点周围器件材料的热膨胀系数对封装热失效的影响分析并且得出很多重要结果,由于在循环的热载荷作用下,微电子封装热-机械耦合关系非常复杂,是一个动态的过程,迄今为止针对封装器件热膨胀系数的优化和匹配的相关研究很少,更没有建立有效的基于可靠性健壮设计的微电子封装热膨胀系数匹配和优化的方法,极大地制约了微电子封装技术的发展。
发明内容
针对现有技术存在的不足,本发明的目的在于提供一种大大减小微电子封装在循环热负载作用下的热机械失效率,提高微电子封装可靠性的微电子封装热膨胀系数可靠性匹配优化方法。
为实现上述目的,本发明提供了如下技术方案:一种微电子封装热膨胀系数可靠性匹配优化方法,包括如下步骤:
(1)根据微电子封装结构和热传递的特征,确定待匹配和优化的器件材料的热膨胀系数,并把它们作为优化设计参数T=(T1,T2,…,Tn),n为参数的个数。把封装主要热失效部件的热疲劳应变作为优化目标函数;
(2)根据确定的匹配和优化的设计变量和优化目标,进行三水准健壮实验设计;
(3)对三水准健壮实验设计点分别进行热疲劳应变的有限元分析和计算,形成完整的三水准健壮实验设计表;
(4)构建自适应高斯基智能网络的决策判别函数和学习规则,运用完整的三水准健壮实验设计点和对应的热疲劳应变值对自适应高斯基智能神经网络进行学习,基于决策判别函数和学习规则建立微电子封装目标函数的自适应高斯基智能神经网络模型;
(5)对微电子封装目标函数的自适应高斯基智能神经网络模型进行精度验证。若在符合设计要求的精度范围内,则可利用此模型进行匹配和优化;反之须重新设计,构建新的网络模型;
(6)利用满足精度和要求的自适应高斯基智能神经网络模型,代替真实的有限元模型,建立多约束的微电子封装热膨胀系数可靠性匹配和健壮优化模型,并进行求解,获得最优匹配的封装器件热膨胀系数集,并验证优化结果。
本发明进一步设置为:步骤(2)包括以下子步骤:
(2.1)根据微电子封装设计要求和材料的特性确定封装内器件材料热膨胀系数变量值的容限范围,将它们的值设置成三个水准:Tl,Tm和Th,分别用1,2,3表示。
(2.2)根据确定待匹配和优化的参数和设置的水准,构造参数水准表,构造的表如表1所示。
表1
(2.3)选用健壮正交表,并进行表头设计。
根据参数和设置的水准,选择合适的正交表,选择的方法是:参数的个数小于正交表的列数,参数的水准数等于正交表对应的水准数,在满足以上条件下,选择较小的表La(bc),其中,L表示正交表,a为总实验的次数,即正交表的行数,b为参数的水准数,c为参数的个数,即正交表的列数。
(2.4)将参数及水准安排到所选的正交表相当的列中,形成健壮实验设计组合。三水准的正交健壮实验设计实现了最优水准组合,具备了“均匀分散,齐整可比”的特点,具有很强的稳定性和健壮性,组合表如表2所示。
表2
本发明还进一步设置为:步骤(3)包括以下子步骤:
(3.1)根据微电子封装的结构和其他固定参数,建立封装体有限元的实体模型;
(3.2)结合封装体各部件的材料属性,对封装体有限元的实体模型进行网格划分;
(3.3)按一定温度循环的标准,把循环的热载荷加载到有限元的每个节点上,在四到六个温度循环周期下,对三水准的健壮实验设计表中每个实验设计点进行有限元计算,求出主要失效部件最大等效的热疲劳应变值,得到完整的三水准的健壮实验设计表。
微电子封装主要失效部件热疲劳应变自适应高斯基智能神经网络模型的构建方法为:
(a)采用高斯函数构建自适应高斯基智能网络的隐函数:
z h = g h ( 2 2 β h | | T - C h | | ) =
exp [ - 1 2 β h 2 ( T - C h ) T ( T - C h ) ]
式中,T=(T1,T2,…,Tn)表示待匹配和优化的封装器件热膨胀系数组成的参数集,n为待匹配和优化的封装器件热膨胀系数的个数。Ch=(Ch1,Ch2,…,Chn)为第h个隐层高斯基的中心参数。
为了获得更好的输出特性和提高泛化能力,对Zh进行归一化处理:
u h = z h / Σ h = 1 H z h , ( h = 0,1,2 , · · · , H )
H为隐层自适应高斯基的个数,Z0≡1。
(b)构建自适应高斯基智能网络的目标函数和学习规则,本发明采用残差建立自适应高斯基智能网络的决策和判别函数:
E = 1 2 Σ k = 1 m ( ϵ k - ϵ ‾ k ) 2
,ε为微电子封装主要失效部件热疲劳应变自适应高斯基智能神经网络的输出值,为失效部件热疲劳应变的有限元的计算值,m为三水准的健壮实验设计数。
(c)本发明采用如下的学习规则:
W ( k + 1 ) = W ( k ) + η ( k ) | - ∂ E ( W ) ∂ W | W = W ( k ) + α ( k ) [ W ( k ) - W ( k - 1 ) ]
C ( k + 1 ) = C ( k ) + η ( k ) | - ∂ E ( W ) ∂ C | C = C ( k ) + α ( k ) [ C ( k ) - C ( k - 1 ) ]
β ( k + 1 ) = β ( k ) + η ( k ) | - ∂ E ( W ) ∂ β | β = β ( k ) + α ( k ) [ β ( k ) - β ( k - 1 ) ]
其中,η(k)为学习率,α为动量因子,学习率一般取0.01-0.8,本发明取0.05,动量因子取0.95。
(d)通过智能学习,获得了W,C和β的值,从而建立了微电子封装目标函数的自适应高斯基智能神经网络模型。
ϵ = Σ h = 0 H w h u h = W T U
本发明的优点是:与现有技术相比,本发明是基于可靠性健壮设计的微电子封装热膨胀系数匹配和优化的新方法,是把人工智能理论、可靠性理论和健壮设计理论引入到微电子封装的热设计中,提出了基于自适应高斯基智能神经网络、三水准健壮实验设计和非线性有限元相融合的微电子封装热膨胀系数可靠性匹配和健壮优化的新方法,把封装主要热失效部件的热疲劳应变作为目标函数对热循环载荷作用下的微电子封装器件材料的热膨胀系数进行最优匹配,在设计范围内获得最佳匹配的热膨胀系数参数集,使主要热失效部件的内部最大等效热疲劳应变减到最小。此方法既能减小微电子封装在循环热负载作用下的热机械失效率,还能保证了材料热膨胀系数在循环热负载的扰动下,仍能使封装维持高可靠性,它解决了微电子设计领域内的关键技术。
下面结合说明书附图和具体实施例对本发明作进一步说明。
附图说明
图1为本发明实施例的流程图;
图2为本发明实施例三水准健壮实验设计图;
图3为本发明实施例的自适应高斯基智能神经网络模型示意图;
图4为本发明实施例一个实验设计点的焊点热循环应变有限元计算的云图;
图5为本发明实施例一个实验设计点的焊点热循环应力有限元计算的云图。
具体实施方式
参见图1、图2、图3、图4和图5,本发明公开的一种微电子封装热膨胀系数可靠性匹配优化方法,包括如下步骤:
(1)根据微电子封装结构和热传递的特征,确定待匹配的器件材料的热膨胀系数,并把它们作为优化设计参数,把封装主要热失效部件的热疲劳应变作为优化目标函数;
(2)根据确定的匹配和优化的设计参数和优化目标,进行三水准健壮实验设计;
(3)对三水准健壮实验设计点分别进行热疲劳应变的有限元分析和计算,形成完整的三水准健壮实验设计表;
(4)构建自适应高斯基智能网络的决策判别和学习规则,运用完整的三水准健壮实验设计点和对应的热疲劳应变值对自适应高斯基智能神经网络进行学习,基于决策评判函数和学习规则建立微电子封装目标函数的自适应高斯基智能神经网络模型;
(5)对电子封装目标函数的自适应高斯基智能神经网络模型进行精度验证。若在符合设计要求的精度范围内,则可利用此模型进行匹配和优化;反之须重新设计,构建新的网络模型;
(6)利用满足精度和要求的自适应高斯基智能神经网络模型,代替真实的有限元模型,建立多约束的微电子封装热膨胀系数可靠性匹配和健壮优化模型,并进行求解,获得最优匹配的封装器件热膨胀系数集,并验证优化结果。
本发明进一步设置为:步骤(2)包括以下子步骤:
(2.1)根据微电子封装设计要求和材料的特性确定封装内器件材料热膨胀系数变量值的容限范围,将它们的值设置成三个水准:Tl,Tm和Th,分别用1,2,3表示。
(2.2)根据确定待匹配和优化的参数和设置的水准,构造参数水准表,构造的表如表1所示。
表1
(2.3)选用健壮正交表,并进行表头设计。
根据参数和设置的水准,选择合适的正交表,选择的方法是:参数的个数小于正交表的列数,参数的水准数等于正交表对应的水准数,在满足以上条件下,选择较小的表La(bc),其中,L表示正交表,a为总实验的次数,即正交表的行数,b为参数的水准数,c为参数的个数,即正交表的列数。
(2.4)将参数及水准安排到所选的正交表相当的列中,形成健壮实验设计组合。三水准的正交健壮实验设计实现了最优水准组合,具备了“均匀分散,齐整可比”的特点,具有很强的稳定性和健壮性,组合表如表2所示。
表2
本发明还进一步设置为:步骤(3)包括以下子步骤:
(3.1)根据微电子封装的结构和其他固定参数,建立封装体有限元的实体模型;
(3.2)结合封装体各部件的材料属性,对封装体有限元的实体模型进行网格划分;
(3.3)按一定温度循环的标准,把循环的热载荷加载到有限元的每个节点上,在四到六个温度循环周期下,对三水准的健壮实验设计表中每个实验设计点进行有限元计算,求出主要失效部件最大等效的热疲劳应变值,得到完整的三水准的健壮实验设计表。
微电子封装主要失效部件热疲劳应变自适应高斯基智能神经网络模型的构建方法为:
(a)采用高斯函数构建自适应高斯基智能网络的隐函数:
z h = g h ( 2 2 β h | | T - C h | | ) = exp [ - 1 2 β h 2 ( T - C h ) T ( T - C h ) ]
式中,T=(T1,T2,…,Tn)表示待匹配和优化的封装器件热膨胀系数组成的参数集,n为待匹配和优化的封装器件热膨胀系数的个数。Ch=(Ch1,Ch2,…,Chn)为第h个隐层高斯基的中心参数。
为了获得更好的输出特性和提高泛化能力,对Zh进行归一化处理:
u h = z h / Σ h = 1 H z h , ( h = 0,1,2 , · · · , H )
H为隐层高斯基的个数,Z0≡1。
(b)构建自适应高斯基智能网络的目标函数和学习规则,本发明采用残差建立自适应高斯基智能网络的目标函数:
E = 1 2 Σ k = 1 m ( ϵ k - ϵ ‾ k ) 2
,ε为微电子封装主要失效部件热疲劳应变自适应高斯基智能神经网络的输出值,为失效部件热疲劳应变的有限元的计算值m为三水准的健壮实验设计数。
(c)本发明采用如下的学习规则:
W ( k + 1 ) = W ( k ) + η ( k ) | - ∂ E ( W ) ∂ W | W = W ( k ) + α ( k ) [ W ( k ) - W ( k - 1 ) ]
C ( k + 1 ) = C ( k ) + η ( k ) | - ∂ E ( W ) ∂ C | C = C ( k ) + α ( k ) [ C ( k ) - C ( k - 1 ) ]
β ( k + 1 ) = β ( k ) + η ( k ) | - ∂ E ( W ) ∂ β | β = β ( k ) + α ( k ) [ β ( k ) - β ( k - 1 ) ]
其中,η(k)为学习率,α为动量因子,学习率一般取0.01-0.8,本发明取0.05,动量因子取0.95。
(d)通过智能学习,获得了W,C和β的值,从而建立了微电子封装目标函数的自适应高斯基智能神经网络模型。
ϵ = Σ h = 0 H w h u h = W T U
作为优选的,本发明下面以微电子BGA封装为实施例具体说明。
一种微电子封装热膨胀系数可靠性匹配优化方法,包括如下步骤:
(1)根据微电子BGA封装结构和热传递的特征,选择PCB热膨胀系数,基板热膨胀系数,芯片热膨胀系数和焊点热膨胀系数作为匹配和优化的设计参数,把封装热应力最集中的焊点的最大等效热疲劳应变作为优化目标函数;
(2)根据确定的匹配和优化的设计参数和优化目标,进行三水准健壮实验设计,包括如下子步骤:
(2.1)根据微电子封装设计要求和材料的特性确定封装内器件材料热膨胀系数变量值的容限范围,将它们的值设置成三个水准:Tl,Tm和Th,分别用1,2,3表示。设置的值如下(单位为10-6/℃):
T1l=11.5,T1m=15.0,T1h=18.5;T2l=12.0,T2m=15.5,T2h=19.0;
T3l=1.80,T3m=2.8,T3h=3.80;T4l=14.0,T4m=21.0,T4h=28.0。
(2.2)根据确定待匹配和优化的参数和设置的水准,构造参数水准表,构造的表如表3所示。
表3
(2.3)选用健壮正交表,并进行表头设计。
根据参数和设置的水准,和正交表选择的方法,我们选择表L9(34)。
(2.3)将参数及水准安排到所选的正交表相当的列中,形成健壮实验设计组合。组合表如表4所示。
表4
(3)对三水准健壮实验设计点分别进行热疲劳应变的有限元分析和计算,形成完整的三水准健壮实验设计表,它包括以下子步骤:
(3.1)根据微电子BGA封装的结构,建立封装体有限元的实体模型;
(3.2)结合BGA封装体各部件的材料属性,对封装体有限元的实体模型进行网格划分;把焊点作为粘塑性材料,采用Anand模型来模拟其变形特性,其余均采用线弹性材料。焊点材料为粘塑性单元VISCO108,其他部分均采用Plane82单元。
(3.3)按一定温度循环的标准,把循环的热载荷加载到有限元的每个节点上,在四个温度循环周期下,对三水准健壮实验设计表中每个实验设计点进行有限元计算,求出焊点最大等效的热疲劳应变值,得到完整的三水准健壮实验设计表。
本实施例按照美国军用标准MIL-STD-883中的有关规定进行温度循环试验,其循环温度–55-+125℃,温度循环周期为30min/周,其中高低温保温时间均为10min,升降温速率为36℃/min。得到的完整的三水准健壮实验设计表,参见表5,其中一个实验设计点的焊点热疲劳应变和应力的有限元计算的云图,具体参见图4和图5。
表5
(4)构建自适应高斯基智能网络的决策判别函数和学习规则,运用完整的三水准健壮实验设计点和对应的热疲劳应变值对自适应高斯基智能神经网络进行学习,基于网络决策判别函数和学习规则建立微电子封装目标函数的自适应高斯基智能神经网络模型,构建的方法如下:
(a)采用高斯函数构建自适应高斯基智能网络的隐函数:
z h = g h ( 2 2 β h | | T - C h | | ) = exp [ - 1 2 β h 2 ( T - C h ) T ( T - C h ) ]
式中,T=(T1,T2,T3,T4)表示待匹配和优化的PCB热膨胀系数,基板热膨胀系数,芯片热膨胀系数和焊点热膨胀系数组成的参数集。Ch=(Ch1,Ch2,Ch3,Ch4)为第h个隐层高斯基的中心参数。
为了获得更好的输出特性和提高泛化能力,对Zh进行归一化处理:
u h = z h / Σ h = 1 H z h , ( h = 0,1,2 , · · · , H )
H为隐层高斯基的个数,Z0≡1。
(b)构建自适应高斯基智能网络决策判别函数和学习规则,采用残差建立自适应高斯基智能网络的决策判别函数:
E = 1 2 Σ k = 1 m ( ϵ k - ϵ ‾ k ) 2
,ε为微电子封装主要失效部件热疲劳应变自适应高斯基智能神经网络的输出值,为失效部件热疲劳应变的有限元的计算值
(c)本发明采用如下的学习规则:
W ( k + 1 ) = W ( k ) + η ( k ) | - ∂ E ( W ) ∂ W | W = W ( k ) + α ( k ) [ W ( k ) - W ( k - 1 ) ]
C ( k + 1 ) = C ( k ) + η ( k ) | - ∂ E ( W ) ∂ C | C = C ( k ) + α ( k ) [ C ( k ) - C ( k - 1 ) ]
β ( k + 1 ) = β ( k ) + η ( k ) | - ∂ E ( W ) ∂ β | β = β ( k ) + α ( k ) [ β ( k ) - β ( k - 1 ) ]
其中,η(k)为学习率,α为动量因子,学习率一般取0.01-0.8,本发明取0.05,动量因子取0.95。
(d)通过智能学习,获得了W,C和β的值,建立了微电子封装目标函数的自适应高斯基智能神经网络模型。
ϵ = Σ h = 0 H w h u h = W T U
(5)对微电子封装目标函数的自适应高斯基智能网络模型进行精度验证。若在符合设计要求的精度范围内,则可利用此模型进行匹配和优化;反之须重新设计,构建新的网络模型;
本发明采用复相关系数R2和调整的复相关系数AdjR2来验证模型的精度,计算方法如下:
R 2 = 1 - Σ j = 1 m ( ϵ j - ϵ ^ j ) 2 Σ j = 1 m ( ϵ ‾ j - ϵ j ) 2
R 2 adj = 1 - Σ j = 1 m ( ϵ j - ϵ ^ j ) 2 ( m - 1 ) Σ j = 1 m ( ϵ ‾ j - ϵ j ) 2 ( m - k - 1 )
式中,为有限元计算的热疲劳应变的平均值,k自由度。
本实施例得出的结果是:
R的类型 R2 AdjR2
R的值 0.9795 0.9702
表6
从表6中看出,复相关系数R2和调整的复相关系数AdjR2都接近1,说明模型的精度是高的,可以用来对微电子BGA封装进行热膨胀系数的匹配和优化。
(6)利用满足精度和要求的自适应高斯基智能神经网络模型,代替真实的有限元模型,建立多约束的微电子封装热膨胀系数可靠性匹配和健壮优化模型,并进行求解,获得最优匹配的封装器件热膨胀系数集,并验证优化结果。
建立的优化模型如下:
Satisfy:Ti1≤Ti≤Tih
Minϵ ( T ) = Σ h = 0 H w h u h = W T U
式中,Ti(i=1,2,3,4)是BGA封装的器件材料膨胀系数构成的设计参数,本实施例分别表示PCB热膨胀系数,基板热膨胀系数,芯片热膨胀系数和焊点热膨胀系数,Til和Tih表示设计参数的下限值和上限值。
本实施例,通过求解得到BGA封装最优化匹配的热膨胀系数组合及焊点最大等效热疲劳应变响应值,结果见表7:
表7
从表7可看出,优化后封装焊点的最大等效热疲劳应变由0.01271700降为0.00370691,降低了70.85%,与有限元分析的结果是一致的。
可见,本发明能够实现微电子封装热膨胀系数可靠性匹配和健壮优化,大大地提高了微电子封装的热循环可靠性。
上述实施例对本发明的具体描述,只用于对本发明进行进一步说明,不能理解为对本发明保护范围的限定,本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围之内。

Claims (6)

1.一种微电子封装热膨胀系数可靠性匹配优化方法,其特征在于,包括以下步骤:
(1)根据微电子封装结构和热传递的特征,确定待匹配和优化的器件材料的热膨胀系数,并把它们作为优化设计参数,把封装主要热失效部件的热疲劳应变作为优化目标函数;
(2)根据确定的匹配和优化的设计变量和优化目标,进行三水准健壮实验设计;
(3)对三水准健壮实验设计点分别进行热疲劳应变的有限元分析和计算,形成完整的三水准健壮实验设计表;
(4)构建自适应高斯基智能网络的决策判别函数和学习规则,运用完整的三水准健壮实验设计点和对应的热疲劳应变值对自适应高斯基智能神经网络进行学习,基于决策判别函数和学习规则建立微电子封装目标函数的自适应高斯基智能神经网络模型;
(5)对微电子封装目标函数的自适应高斯基智能神经网络模型进行精度验证;若在符合设计要求的精度范围内,则可利用此模型进行匹配和优化;反之须重新设计,构建新的网络模型;
(6)利用满足精度和要求的自适应高斯基智能神经网络模型,代替真实的有限元模型,建立多约束的微电子封装热膨胀系数可靠性匹配和健壮优化模型,并进行求解,获得最优匹配的封装器件热膨胀系数集,并验证优化结果。
2.根据权利要求1所述的一种微电子封装热膨胀系数可靠性匹配优化方法,其特征在于,所述步骤(2)包括以下子步骤:
(2.1)根据微电子封装设计要求和材料的特性确定封装内器件材料热膨胀系数变量值的容限范围,将它们的值设置成三个水准:Tl,Tm和Th,分别用1,2,3表示;
(2.2)根据确定待匹配和优化的参数和设置的水准,构造参数水准表;
(2.3)选用健壮正交表,并进行表头设计;
(2.4)将参数及水准安排到所选的正交表相当的列中,形成健壮实验设计组合。
3.根据权利要求1所述的一种微电子封装热膨胀系数可靠性匹配优化方法,其特征在于,所述步骤(3)包括以下子步骤:
(3.1)根据微电子封装的结构和其他固定参数,建立封装体有限元的实体模型;
(3.2)结合封装体各部件的材料属性,对封装体有限元的实体模型进行网格划分;
(3.3)按一定温度循环的标准,把循环的热载荷加载到有限元的每个节点上,在四到六个温度循环周期下,对三水准的健壮实验设计表中每个实验设计点进行有限元计算,求出主要失效部件最大等效的热疲劳应变值,得到完整的三水准的健壮实验设计表。
4.根据权利要求1所述的一种微电子封装热膨胀系数可靠性匹配优化方法,其特征在于,自适应高斯基智能神经网络模型的构建包括以下步骤:
(a)采用高斯函数构建自适应高斯基智能网络的隐函数:
z h = g h ( 2 2 β h | | T - C h | | ) = exp [ - 1 2 β h 2 ( T - C h ) T ( T - C h ) ]
式中,T=(T1,T2,…,Tn)表示待匹配和优化的封装器件热膨胀系数组成的参数集,n为待匹配和优化的封装器件热膨胀系数的个数;Ch=(Ch1,Ch2,…,Chn)为第h个隐层高斯基的中心参数;
(b)构建自适应高斯基智能网络的目标函数和学习规则,采用残差建立自适应高斯基智能网络的决策和判别函数:
E = 1 2 Σ k = 1 m ( ϵ k - ϵ - k ) 2
,ε为微电子封装主要失效部件热疲劳应变自适应高斯基智能神经网络的输出值,为失效部件热疲劳应变的有限元的计算值,m为三水准的健壮实验设计数;
(c)采用如下的学习规则:
W ( k + 1 ) = W ( k ) + η ( k ) | - ∂ E ( W ) ∂ W | W = W ( k ) + α ( k ) [ W ( k ) - W ( k - 1 ) ]
C ( k + 1 ) = C ( k ) + η ( k ) | - ∂ E ( W ) ∂ C | C = C ( k ) + α ( k ) [ C ( k ) - C ( k - 1 ) ]
β ( k + 1 ) = β ( k ) + η ( k ) | - ∂ E ( W ) ∂ β | β = β ( k ) + α ( k ) [ β ( k ) - β ( k - 1 ) ]
其中,η(k)为学习率,α为动量因子,学习率取0.01-0.8,动量因子取0.95;
(d)通过智能学习,获得了W,C和β的值,从而建立了微电子封装目标函数的自适应高斯基智能神经网络模型,
ϵ = Σ h = 0 H w h u h = W T U
5.根据权利要求4所述的一种微电子封装热膨胀系数可靠性匹配优化方法,其特征在于,所述步骤(a),对Zh进行归一化处理:
u h = z h / Σ h = 1 H z h ( h = 0,1,2 , . . . , H )
H为隐层自适应高斯基的个数,Z0≡1。
6.根据权利要求4所述的一种微电子封装热膨胀系数可靠性匹配优化方法,其特征在于,所述步骤(c),学习率取0.05。
CN201410766286.4A 2014-12-12 2014-12-12 一种微电子封装热膨胀系数可靠性匹配优化方法 Active CN104408325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410766286.4A CN104408325B (zh) 2014-12-12 2014-12-12 一种微电子封装热膨胀系数可靠性匹配优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410766286.4A CN104408325B (zh) 2014-12-12 2014-12-12 一种微电子封装热膨胀系数可靠性匹配优化方法

Publications (2)

Publication Number Publication Date
CN104408325A true CN104408325A (zh) 2015-03-11
CN104408325B CN104408325B (zh) 2017-09-29

Family

ID=52645956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410766286.4A Active CN104408325B (zh) 2014-12-12 2014-12-12 一种微电子封装热膨胀系数可靠性匹配优化方法

Country Status (1)

Country Link
CN (1) CN104408325B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820781A (zh) * 2015-05-06 2015-08-05 北京航空航天大学 考虑温循载荷顺序加载影响的bga焊点热疲劳寿命预测方法
CN108062434A (zh) * 2017-11-28 2018-05-22 南京理工大学 一种紫铜棘轮效应的预测方法
CN108776735A (zh) * 2018-06-05 2018-11-09 温州大学 一种电子设备系统板热设计的优化方法
CN110532700A (zh) * 2019-08-30 2019-12-03 华北电力大学(保定) 一种变压器电场优化前处理方法
CN111595566A (zh) * 2020-05-01 2020-08-28 上海时鉴工程技术有限公司 一种装置结构的简化热应力棘轮判定方法和设备
CN111595567A (zh) * 2020-05-01 2020-08-28 上海时鉴工程技术有限公司 一种装置结构的简化热应力棘轮判定方法和设备
CN112164660A (zh) * 2020-09-07 2021-01-01 中国电子科技集团公司第十四研究所 一种快速校核t/r组件基板与封装材料热失配应力的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080015827A1 (en) * 2006-01-24 2008-01-17 Tryon Robert G Iii Materials-based failure analysis in design of electronic devices, and prediction of operating life
US8285522B1 (en) * 2006-01-24 2012-10-09 Vextec Corporation Materials-based failure analysis in design of electronic devices
CN102955881A (zh) * 2012-10-30 2013-03-06 温州大学 一种计算集成电路芯片焊点热疲劳失效概率的方法
CN103970954A (zh) * 2014-05-13 2014-08-06 温州大学 一种基于鲁棒设计的高密度集成电路封装的优化方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080015827A1 (en) * 2006-01-24 2008-01-17 Tryon Robert G Iii Materials-based failure analysis in design of electronic devices, and prediction of operating life
US8285522B1 (en) * 2006-01-24 2012-10-09 Vextec Corporation Materials-based failure analysis in design of electronic devices
CN102955881A (zh) * 2012-10-30 2013-03-06 温州大学 一种计算集成电路芯片焊点热疲劳失效概率的方法
CN103970954A (zh) * 2014-05-13 2014-08-06 温州大学 一种基于鲁棒设计的高密度集成电路封装的优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
闫滨: "大坝安全监控及评价的智能神经网络模型研究", 《中国博士学位论文全文库(工程科技II辑)》 *
黄锋: "基于径向基函数神经网络的图像识别研究", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104820781A (zh) * 2015-05-06 2015-08-05 北京航空航天大学 考虑温循载荷顺序加载影响的bga焊点热疲劳寿命预测方法
CN104820781B (zh) * 2015-05-06 2017-09-29 北京航空航天大学 考虑温循载荷顺序加载影响的bga焊点热疲劳寿命预测方法
CN108062434A (zh) * 2017-11-28 2018-05-22 南京理工大学 一种紫铜棘轮效应的预测方法
CN108776735A (zh) * 2018-06-05 2018-11-09 温州大学 一种电子设备系统板热设计的优化方法
CN108776735B (zh) * 2018-06-05 2022-06-17 温州大学 一种电子设备系统板热设计的优化方法
CN110532700A (zh) * 2019-08-30 2019-12-03 华北电力大学(保定) 一种变压器电场优化前处理方法
CN110532700B (zh) * 2019-08-30 2023-07-07 华北电力大学(保定) 一种变压器电场优化前处理方法
CN111595566A (zh) * 2020-05-01 2020-08-28 上海时鉴工程技术有限公司 一种装置结构的简化热应力棘轮判定方法和设备
CN111595567A (zh) * 2020-05-01 2020-08-28 上海时鉴工程技术有限公司 一种装置结构的简化热应力棘轮判定方法和设备
CN112164660A (zh) * 2020-09-07 2021-01-01 中国电子科技集团公司第十四研究所 一种快速校核t/r组件基板与封装材料热失配应力的方法
CN112164660B (zh) * 2020-09-07 2023-09-05 中国电子科技集团公司第十四研究所 一种快速校核t/r组件基板与封装材料热失配应力的方法

Also Published As

Publication number Publication date
CN104408325B (zh) 2017-09-29

Similar Documents

Publication Publication Date Title
CN104408325A (zh) 一种微电子封装热膨胀系数可靠性匹配优化方法
CN102955881A (zh) 一种计算集成电路芯片焊点热疲劳失效概率的方法
Lau et al. Optimization modeling of the cooling stage of reflow soldering process for ball grid array package using the gray-based Taguchi method
CN104809273A (zh) 一种描述蠕变变形的方法
CN103970954B (zh) 一种基于鲁棒设计的高密度集成电路封装的优化方法
CN106055766B (zh) 一种随机损伤对点阵夹层板动力学特性影响的分析方法
CN103123668B (zh) 一种基于混合单元法的空间绳系机器人系统的仿真方法
Yang et al. Vertical die crack stresses of flip chip induced in major package assembly processes
Wan et al. Thermal fatigue reliability analysis and structural optimization based on a robust method for microelectronics FBGA packages
Hou et al. Thermo-mechanical reliability study for 3D package module based on flexible substrate
CN116090308A (zh) Bga焊点结构参数优化方法
Rogié et al. Delphi-like dynamical compact thermal models using model order reduction based on modal approach
Kuczynska et al. The influence of PBGAs post-manufacturing warpage simulation, viscoelastic material properties and evaluation methodology on accuracy of solder joints damage prediction
Huang et al. Interfacial reliability analysis and structural optimization of System-in-Package modules
Wang et al. Failure analysis of Sn-3.5 Ag solder joints for FCOB using 2-D FEA model
Yang et al. Numerical analysis on thermal characteristics for chip scale package by integrating 2D/3D models
Wang et al. Stress analysis and optimization of microscale CSP solder joint under high temperature bending compound Loading
Shen et al. Random vibration analysis of BGA with different size of the SAC0307 solder joint
Chen et al. Improved meshing strategy for finite element modeling of PBGA thermal cycling
Hao et al. Thermal-mechanical stress and fatigue failure analysis of a PBGA
Hsu et al. A modified acceleration factor empirical equation for BGA type package
Wang et al. Finite element simulation of double-layer BGA solder joints under torsional loading conditions and optimization of solder joint morphology parameters
CN105843990B (zh) 一种基于最速下降法与二分法的概率电路仿真方法
Rahangdale Structural Optimization & Reliability Of 3d Package By Studying Crack Behavior On Tsv & Beol & Impact Of Power Cycling On Reliability Flip Chip Package
Chen et al. Bill of material and geometry on FCBGA packaging warpage impacts

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information

Address after: 325000 Zhejiang Economic Development Zone, Ouhai, South East Road, No. 38, Wenzhou National University Science Park Incubator

Applicant after: Wenzhou University

Address before: 325000 Zhejiang province Chashan Wenzhou Higher Education Park

Applicant before: Wenzhou University

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20200701

Address after: No.13 BAOYING Avenue, Guangzhou Economic and Technological Development Zone, Guangzhou, Guangdong 510000

Patentee after: Guangzhou Feihong Microelectronics Co.,Ltd.

Address before: 325000 Zhejiang Economic Development Zone, Ouhai, South East Road, No. 38, Wenzhou National University Science Park Incubator

Patentee before: Wenzhou University

TR01 Transfer of patent right