CN110598255B - 一种化学气相沉积速率预测方法 - Google Patents
一种化学气相沉积速率预测方法 Download PDFInfo
- Publication number
- CN110598255B CN110598255B CN201910749267.3A CN201910749267A CN110598255B CN 110598255 B CN110598255 B CN 110598255B CN 201910749267 A CN201910749267 A CN 201910749267A CN 110598255 B CN110598255 B CN 110598255B
- Authority
- CN
- China
- Prior art keywords
- model
- deposition rate
- establishing
- gas
- concentration
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005229 chemical vapour deposition Methods 0.000 title claims abstract description 20
- 239000000126 substance Substances 0.000 claims abstract description 70
- 238000000151 deposition Methods 0.000 claims abstract description 65
- 230000008021 deposition Effects 0.000 claims abstract description 65
- 238000002474 experimental method Methods 0.000 claims abstract description 15
- 239000012530 fluid Substances 0.000 claims abstract description 14
- 238000010574 gas phase reaction Methods 0.000 claims abstract description 14
- 238000009792 diffusion process Methods 0.000 claims abstract description 13
- 230000001419 dependent effect Effects 0.000 claims abstract description 11
- 238000004134 energy conservation Methods 0.000 claims abstract description 7
- 238000006557 surface reaction Methods 0.000 claims abstract description 7
- 239000007789 gas Substances 0.000 claims description 42
- 238000006243 chemical reaction Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 16
- 239000000203 mixture Substances 0.000 claims description 15
- 238000010238 partial least squares regression Methods 0.000 claims description 14
- 239000000758 substrate Substances 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical compound [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 claims description 11
- 229910010271 silicon carbide Inorganic materials 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 239000000463 material Substances 0.000 claims description 9
- 238000001179 sorption measurement Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000010206 sensitivity analysis Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 6
- 239000012159 carrier gas Substances 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 5
- 239000002243 precursor Substances 0.000 claims description 4
- 230000002441 reversible effect Effects 0.000 claims description 4
- 125000004432 carbon atom Chemical group C* 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 3
- 238000003795 desorption Methods 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 229930195733 hydrocarbon Natural products 0.000 claims description 3
- 150000002430 hydrocarbons Chemical class 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010899 nucleation Methods 0.000 claims description 3
- 230000006911 nucleation Effects 0.000 claims description 3
- 230000005855 radiation Effects 0.000 claims description 3
- 239000000376 reactant Substances 0.000 claims description 3
- 238000005054 agglomeration Methods 0.000 claims description 2
- 230000002776 aggregation Effects 0.000 claims description 2
- 150000003376 silicon Chemical class 0.000 claims description 2
- 229910052710 silicon Inorganic materials 0.000 claims description 2
- 239000010703 silicon Substances 0.000 claims description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims 1
- 229910052799 carbon Inorganic materials 0.000 claims 1
- 238000010801 machine learning Methods 0.000 abstract description 9
- 238000004088 simulation Methods 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000001311 chemical methods and process Methods 0.000 abstract description 3
- 239000000543 intermediate Substances 0.000 description 57
- 239000012071 phase Substances 0.000 description 15
- 238000005137 deposition process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- HMDDXIMCDZRSNE-UHFFFAOYSA-N [C].[Si] Chemical compound [C].[Si] HMDDXIMCDZRSNE-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000000919 ceramic Substances 0.000 description 3
- 229910010293 ceramic material Inorganic materials 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000003321 amplification Effects 0.000 description 2
- 239000011153 ceramic matrix composite Substances 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000007790 solid phase Substances 0.000 description 2
- 229910052581 Si3N4 Inorganic materials 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- HQVNEWCFYHHQES-UHFFFAOYSA-N silicon nitride Chemical compound N12[Si]34N5[Si]62N3[Si]51N64 HQVNEWCFYHHQES-UHFFFAOYSA-N 0.000 description 1
- 239000002210 silicon-based material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Crystallography & Structural Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Chemical Vapour Deposition (AREA)
Abstract
本发明公开了一种化学气相沉积速率预测方法，具体涉及化学工艺研究领域，具体预测方法如下：建立有限元反应器模型；建立能量守恒方程；建立质量守恒和动量守恒方程；建立多组分扩散方程；建立气相反应模型；极限学习机模型和粘附系数法确定主要中间物质；建立表面反应模型；沉积速率预测模型建立粘度系数和表面浓度、沉积速率的相关性；建立中间物质粘度系数与其影响因素之间的多因变量的PLSR模型；根据实验结果确定粘附系数。本发明结合机器学习和计算流体力学的模拟技术，将大大降低模型参数对人为经验的依赖，通过少量实验即可准确确定重要中间相和粘滞系数，达到预测结果准确性高、可靠性强的技术效果。
Description
技术领域
本发明涉及化学工艺研究技术领域，更具体地说，本发明涉及一种化学气相沉积速率预测方法。
背景技术
陶瓷基复合材料为以陶瓷为基体与各种纤维复合的一类复合材料，陶瓷基体可为氮化硅、碳化硅等高温结构陶瓷。它保留了陶瓷材料的耐高温、低密度、高比强和抗氧化等优异性能，而且克服了陶瓷材料脆性大和可靠性差等致命弱点，作为高温结构材料能应用于某些高温和苛刻环境中，被誉为“面向21世纪的新材料”，受到了越来越多的关注。
目前，化学气相沉积法(CVD)为制备陶瓷基复合材料基体和涂层的主要方法。但这种新技术过程包括了极其复杂的物理与化学过程，涉及到无机化学、物理化学、结晶化学、固体化学和固体物理等一系列学科，至今还没有形成一套系统的理论，在制备工艺上带有很强的经验性，给控制和优化工艺、设计放大沉积工艺以及推广和转变CVD技术带来较大的困难和挑战。
目前国内外CVD研究设计方法主要分两类：实验研究和计算机数值模。实验研究具直观、普遍、易实现等优点，但为实验过程的中间和微观信息不易获得，很难从分子、原子水平来理解和解释实验现象。计算机数值模拟可从不同研究尺度和层次进行理论计算，具快速、节省人力、财力和物力资源等优点，能给沉积过程提供本质的理论基础，但它对实际过程作出一定理想简化，其结果的有效性需通过准确测量和监控工艺参数的实验来验证。目前，如何将实验研究方法与计算机模拟计算结合，为高效准确设计CVD工艺的关键。
而现有技术方案为：根据实验反应器几何特征创立几何实体模型，建立流体流动、传热传质、化学反应等模型，定义模型参数，设置模型的边界条件和区域条件，对模型划分网格单元，基于自编程序或采用流体力学商业软件求解方程组，通过预实验结果对比和参数化分析，估算模型参数，最后用建立的模型对工艺进行优化设计。
近年来，研究人员运用化学工程理论和计算流体力学模拟技术针对CVD进行了很多研究。通过模拟预测出不同沉积工艺条件对沉积速率的影响，对化学气相沉积工艺的设计和优化起到十分重要的指导作用。但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
1、在气相物质到达沉积基底表面前，先驱体将生成大量中间相物质，仅靠气相组分浓度很难准确判断哪些中间相为沉积固相的主要贡献者，哪些中间相为控制沉积速率的主要因素，导致中间相的选取有很强经验性，误差较大；
2、即使确定主要中间相，因为多种中间相在沉积过程中存在争夺占有表面空位的竞争关系，而这些关系可能还会随温度、压力和各组分浓度的改变而改变，仅依靠现有技术很难确定地这些因素对各种主要中间相粘滞系数的影响，而目前采用的粘滞系数多为在非沉积条件下测量获得，他能否直接应用于实际沉积环境为存在疑问的，这也为导致建立的模型普适性差的原因之一。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种机器学习和计算流体力学相结合的模拟技术，结合机器学习和计算流体力学的模拟方法，通过少量实验数据即可确定主要中间相，并通过计算流体力学建模计算以及数据转换，作为偏最小二乘回归分析的输入项进行机器学习，最终确定主要中间相的粘滞系数，解决了现有技术中模型参数难以确定，严重依赖于经验的技术问题，提出方法具有很强普适性、预测结果准确性高、可靠性强的技术效果。
为实现上述目的，本发明提供如下技术方案：一种化学气相沉积速率预测方法，具体预测方法如下：
S1、建立有限元反应器模型：根据实验条件将反应器模拟为三维圆柱模型，然后将反应器切割并区分为反应器空腔、进气口和沉积基底，为减小计算量切割圆柱，只保留一半的反应器空腔、进气口和沉积，得到有限元模型；
S2、建立能量守恒方程：考虑热传导和对流，忽略热辐射和反应热，建立能量守恒方程，计算温度场：
其中，T为温度，Cρ为热容量，k为热导率；
S3、建立质量守恒和动量守恒方程，计算流场：
其中，ρ为来自理想气体状态方程的气体混合物的质量密度，u为质量平均速度的矢量，p为压力；I为单位张量；
S4、建立多组分扩散方程，分别计算浓度场：
其中，ρ为来自理想气体状态方程的气体混合物的质量密度，Ri为反应速率，Yi为质量分数，Di为气体扩散率，Di T为热扩散率；下标i表示第i种气体；
S5、建立气相反应模型；通过多组ti化学反应实验，采用可逆反应，得到气相反应模型，反应的动力学常数可由第一性原理、过渡态理论(TST)、正则变分过渡态理论(CVTST)或从头计算得到；
S6、极限学习机模型和粘附系数法确定主要中间物质；
S6.1、联立反应器的有限元模型、热传导和对流、质量守恒和动量守恒、多组分扩散方程和气相反应模型，计算反应器内部中间相物质的浓度分布，计算沉积基底表面的平均物质浓度；
S6.2、建立极限学习机模型，输入系统变量，这些变量包括通过实验测量的沉积速率ti和计算得到的沉积基板表面各种中间物质浓度xi；
tN＝{t1；t2；...；ti}
其中，N为实验数据的数量；
给定训练样本集
和隐层神经元数L,存在ai，bi，βi使得：
其中：ai和bi为隐层节点参数；βi表示连接第i个隐层节点和网络输出之间的外权；g为激活方程；
将上式写成如下矩阵形式：
Hβ＝T
其中：
H称为隐层输出矩阵；
考虑预测误差，上式可修改为：
Hβ＝T+E
定义平方损失函数：
J＝(Hβ-T)T(Hβ-T)
则ELM网络参数的训练问题转化为求平方损失函数最小值问题，即需要寻找一组最优参数
使得J最小；当激活函数g无限可微时，可在训练开始时随机选择隐层参数节点，然后在训练过程中固定，外权β可通过最小二乘法求解上述方程组得到；
ELM训练结束后，采用ELM网络模型进行敏感性分析，定义如下敏感度系数计算中间物质浓度与碳化硅生长速率的相关性：
其中，
是当第k种气体物质的浓度固定为零并且其他物种的浓度保持不变时，ELM预测的生长速率，敏感度分析结果如图4；
S6.3、采用粘附系数(SC)方法，基底吸附速率由气体热力学确定，以
表示；其中，xi、R、T、Mi分别是摩尔浓度、理想气体常数、温度、分子量和近表面物质的粘附系数；表2列出了报道的各种中间物质的粘附系数；
使用SC进行敏感度分析(图5)，SC计算得到中间物质浓度与沉积速率的相关性，进一步确定硅碳来源的中间物质，敏感系数定义为SC的吸附速率与通过实验测量的沉积速率的比率；
综合ELM计算得到的中间物质浓度与沉积速率的相关性和SC计算得到的中间物质浓度与沉积速率的相关性，最终确定控制硅原子和碳原子的吸附速率乃至碳化硅的生长速率的中间物质；
S7、建立表面反应模型：根据已经确定的主要中间物质，认为碳化硅通过两个单独的反应序列沉积，分布涉及碳氢化合物和氯硅化合物；因此，考虑表面沉积，解吸，蚀刻以及报道的表面动力学，建立改进的表面动力学模型列于表3；
S8、沉积速率预测模型建立粘度系数和表面浓度、沉积速率的相关性：联立反应器有限元模型、热传导和对流、质量守恒和动量守恒、多组分扩散方程、气相反应模型和表面动力学模型，建立计算流体力学沉积速率预测模型，该模型输入量为各种主要中间物质的粘附系数；以报道的各种中间物质的粘附系数作为基准值，保持其他中间物质系数值不变，分别轮流放大、缩小每个中间物质的粘附系数值，并输入沉积速率预测模型，计算对应沉积速率；
S9、建立中间物质粘度系数与其影响因素之间的多因变量的PLSR模型：以温度、压力，步骤S8.1中计算得到各中间物质表面浓度和沉积速率作为自变量，以相应的各中间物质粘度系数估算值为因变量，运用偏最小二乘回归(PLSR)的原理，进行多元多重线性回归分析,建立各中间物质粘度系数与其影响因素之间的多因变量的PLSR模型；
S10、根据实验结果确定粘附系数：以实验测得的沉积速率、温度、压力作为自变量，输入步骤S8.2中获得的PLSR模型，计算得到符合实际的中间物质粘度系数。
在一个优选地实施方式中，所述步骤S2中，以炉膛壁面作为边界条件，在炉膛壁面设置恒温区为900℃-1300℃，靠近炉膛中心10cm处为恒温区，其他壁面的温度定义为实验测量值。
在一个优选地实施方式中，所述步骤S3中，在入口设置流速，出口设置压力边界，其他壁面设为无滑移边界。
在一个优选地实施方式中，所述步骤S4中，气体混合物可以看作为具有温度依赖性的理想混合物，忽略反应引起的气体混合物的膨胀或收缩，有限元模型采用载气中反应物和产物的二元扩散系数，根据实验条件在入口设置浓度边界，出口设置流出边界。
在一个优选地实施方式中，所述步骤S5中，实验中所使用的载气流量相对较高，前驱气体浓度较低，硅团簇在气相中的成核和凝聚可以忽略不计。
在一个优选地实施方式中，所述步骤S5中，反应速率以阿仑尼乌斯形式表示：K＝ATne-E/RT。
在一个优选地实施方式中，所述步骤S7中，表面反应速率以阿仑尼乌斯形式表示：K＝ATne-E/RT。
本发明的技术效果和优点：
1、本发明结合机器学习和计算流体力学的模拟方法，通过少量实验数据即可确定主要中间相，并通过计算流体力学建模计算以及数据转换，作为偏最小二乘回归分析的输入项进行机器学习，最终确定主要中间相的粘滞系数，并精确计算这些中间相的粘滞系数，解决了现有技术中模型参数难以确定，严重依赖于经验的技术问题，提出方法具有很强普适性、预测结果准确性高、可靠性强的技术效果，可用于设计放大沉积工艺；
2、本发明不需要通过人为判断主要中间物质，而是通过机器学习程序自行判断确定，减小了对人为经验的依赖，尤其是没有包含沉积元素的中间物质，以前只能通过大量系统实验来确定它们对沉积速率的影响大小，而通过本技术只需要一组实验即可有效确定；
3、由于粘滞系数难以实验测定，报道的估算值准确性只能保证在一个数量级，而本发明提供的技术克服了这一问题，可将实际工艺条件以及各种中间相浓度的相互耦合关系、以及它们对粘滞系数的影响考虑进去，通过机器学习方式直接建立相关性，自动建立有效准确的预测模型。
附图说明
图1为本发明的整体流程图。
图2为本发明的反应器几何模型和有限元模型图。
图3为本发明的反应器内部中间物质浓度分布图。
图4为本发明的ELM计算得到的中间物质浓度与沉积速率的相关性示意图。
图5为本发明的SC计算得到的中间物质浓度与沉积速率的相关性示意图。
图6为本发明的利用沉积速率预测模型建立粘度系数和表面浓度、沉积速率的相关性示意图。
图7为本发明的各中间物质粘度系数与其影响因素之间的多因变量的PLSR模型示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅为本发明一部分实施例，而不为全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
根据图1所示的一种化学气相沉积速率预测方法，具体预测方法如下：
S1、建立有限元反应器模型：根据实验条件将反应器模拟为三维圆柱模型，然后将反应器切割并区分为反应器空腔、进气口和沉积基底，为减小计算量切割圆柱，只保留一半的反应器空腔、进气口和沉积，得到有限元模型，具体见图2；
S2、建立能量守恒方程：考虑热传导和对流，忽略热辐射和反应热，建立能量守恒方程，计算温度场：
其中，T为温度，Cρ为热容量，k为热导率；
以炉膛壁面作为边界条件，在炉膛壁面设置恒温区为900℃-1300℃，靠近炉膛中心10cm处为恒温区，其他壁面的温度定义为实验测量值；
S3、建立质量守恒和动量守恒方程，计算流场：
其中，ρ为来自理想气体状态方程的气体混合物的质量密度，u为质量平均速度的矢量，p为压力；I为单位张量，在入口设置流速，出口设置压力边界，其他壁面设为无滑移边界；
S4、建立多组分扩散方程，分别计算浓度场：
其中，ρ为来自理想气体状态方程的气体混合物的质量密度，Ri为反应速率，Yi为质量分数，Di为气体扩散率，
为热扩散率；下标i表示第i种气体；
气体混合物可以看作为具有温度依赖性的理想混合物，忽略反应引起的气体混合物的膨胀或收缩，有限元模型采用载气中反应物和产物的二元扩散系数，根据实验条件在入口设置浓度边界，出口设置流出边界；
S5、建立气相反应模型；由于实验中所使用的载气流量相对较高，前驱气体浓度较低，硅团簇在气相中的成核和凝聚可以忽略不计，因此通过多组化学反应实验，采用可逆反应，得到气相反应模型，反应的动力学常数可由第一性原理、过渡态理论(TST)、正则变分过渡态理论(CVTST)或从头计算得到；
表1气相反应模型列表
反应速率以阿仑尼乌斯形式表示：K＝ATne-E/RT；第三组分以M表示；
表示逆反应反应速率常数通过平衡热化学估算；
S6、极限学习机模型和粘附系数法确定主要中间物质；
S6.1、联立反应器的有限元模型、热传导和对流、质量守恒和动量守恒、多组分扩散方程和气相反应模型，计算反应器内部中间相物质的浓度分布，计算沉积基底表面的平均物质浓度；
S6.2、建立极限学习机模型，输入系统变量，这些变量包括通过实验测量的沉积速率ti和计算得到的沉积基板表面各种中间物质浓度xi；
tN＝{t1；t2；...；ti}
其中，N为实验数据的数量；
给定训练样本集
和隐层神经元数L,存在ai，bi，βi使得：
其中：ai和bi为隐层节点参数；βi表示连接第i个隐层节点和网络输出之间的外权；g为激活方程；
将上式写成如下矩阵形式：
Hβ＝T
其中：
H称为隐层输出矩阵；
考虑预测误差，上式可修改为：
Hβ＝T+E
定义平方损失函数：
J＝(Hβ-T)T(Hβ-T)
则ELM网络参数的训练问题转化为求平方损失函数最小值问题，即需要寻找一组最优参数
使得J最小；当激活函数g无限可微时，可在训练开始时随机选择隐层参数节点，然后在训练过程中固定，外权β可通过最小二乘法求解上述方程组得到；
ELM训练结束后，采用ELM网络模型进行敏感性分析，定义如下敏感度系数计算中间物质浓度与碳化硅生长速率的相关性：
其中，
是当第k种气体物质的浓度固定为零并且其他物种的浓度保持不变时，ELM预测的生长速率，敏感度分析结果如图4；
S6.3、采用粘附系数(SC)方法，基底吸附速率由气体热力学确定，以
表示；其中，xi、R、T、Mi分别是摩尔浓度、理想气体常数、温度、分子量和近表面物质的粘附系数；表2列出了报道的各种中间物质的粘附系数；
使用SC进行敏感度分析(图5)，SC计算得到中间物质浓度与沉积速率的相关性，进一步确定硅碳来源的中间物质，敏感系数定义为SC的吸附速率与通过实验测量的沉积速率的比率；
表2各种中间物质粘附系数参考值
综合ELM计算得到的中间物质浓度与沉积速率的相关性和SC计算得到的中间物质浓度与沉积速率的相关性，即(图4和5)，最终确定控制硅原子和碳原子的吸附速率乃至碳化硅的生长速率的中间物质；
S7、建立表面反应模型：根据已经确定的主要中间物质，认为碳化硅通过两个单独的反应序列沉积，分布涉及碳氢化合物和氯硅化合物；因此，考虑表面沉积，解吸，蚀刻以及报道的表面动力学，建立改进的表面动力学模型列于表3；
表3表面动力学反应列表
表面反应速率K＝ATne-E/RT，反应速率单位[mol m-2s-1]，气相和表面浓度单位分别为[mol m-3]和[mol m-2]；S和B分别代表表面和固相；Si($)和C($)分别代表Si和C表面空位；下标C和Si指吸附在C或Si空位；SiC的表面空位数为1.75×10-5mol/m2；
S8、沉积速率预测模型建立粘度系数和表面浓度、沉积速率的相关性：联立反应器有限元模型、热传导和对流、质量守恒和动量守恒、多组分扩散方程、气相反应模型和表面动力学模型，建立计算流体力学沉积速率预测模型，该模型输入量为各种主要中间物质的粘附系数；以报道的各种中间物质的粘附系数作为基准值，保持其他中间物质系数值不变，分别轮流放大、缩小每个中间物质的粘附系数值，并输入沉积速率预测模型，计算对应沉积速率，具体见图6；
S9、建立中间物质粘度系数与其影响因素之间的多因变量的PLSR模型：以温度、压力，步骤S8.1中计算得到各中间物质表面浓度和沉积速率作为自变量，以相应的各中间物质粘度系数估算值为因变量，运用偏最小二乘回归(PLSR)的原理，进行多元多重线性回归分析,建立各中间物质粘度系数与其影响因素之间的多因变量的PLSR模型，具体见图7；
S10、根据实验结果确定粘附系数：以实验测得的沉积速率、温度、压力作为自变量，输入步骤S8.2中获得的PLSR模型，计算得到符合实际的中间物质粘度系数。
本发明结合机器学习和计算流体力学的模拟方法，通过少量实验数据即可确定主要中间相，并精确计算这些中间相的粘滞系数，解决了现有技术中模型参数难以确定，严重依赖于经验的技术问题，提出方法具有很强普适性，预测结果准确性高、可靠性强的技术效果，可用于设计放大沉积工艺。
以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管已描述了本发明的针对碳硅材料体系和圆柱形反应器结构，但本领域内的技术人员一旦得知了基本创造性概念，可以对本发明的技术方案进行修改或者等同替换，例如可变更不同材料体系，应用于不同温度和压力条件，采用不同结构的反应器，变更不同机器学习或流体力学计算方法；
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种化学气相沉积速率预测方法，其特征在于，具体预测方法如下：
S1、建立有限元反应器模型：根据实验条件将反应器模拟为三维圆柱模型，然后将反应器切割并区分为反应器空腔、进气口和沉积基底，只保留一半的反应器空腔、进气口和沉积，得到有限元模型；
S2、建立能量守恒方程：考虑热传导和对流，忽略热辐射和反应热，建立能量守恒方程，计算温度场：
其中，T为温度，Cρ为热容量，k为热导率；
S3、建立质量守恒和动量守恒方程，计算流场：
其中，ρ为来自理想气体状态方程的气体混合物的质量密度，u为质量平均速度的矢量，p为压力；I为单位张量；
S4、建立多组分扩散方程，分别计算浓度场：
其中，ρ为来自理想气体状态方程的气体混合物的质量密度，Ri为反应速率，Yi为质量分数，Di为气体扩散率，
为热扩散率；下标i表示第i种气体；
S5、建立气相反应模型；通过多组化学反应实验，采用可逆反应，得到气相反应模型，反应的动力学常数可由第一性原理、过渡态理论、正则变分过渡态理论或从头计算得到；
S6、极限学习机模型和粘附系数法确定主要中间物质；
S6.1、联立反应器的有限元模型、热传导和对流、质量守恒和动量守恒、多组分扩散方程和气相反应模型，计算反应器内部中间相物质的浓度分布，计算沉积基底表面的平均物质浓度；
S6.2、建立极限学习机模型，输入系统变量，这些变量包括通过实验测量的沉积速率ti和计算得到的沉积基板表面各种中间物质浓度xi；
tN＝{t1；t2；...；ti}
其中，N为实验数据的数量；
给定训练样本集
和隐层神经元数L,存在αi，bi，βi使得：
其中：αi和bi为隐层节点参数；βi表示连接第i个隐层节点和网络输出之间的外权；g为激活方程；
将上式写成如下矩阵形式：
Hβ＝T
其中：H＝H(a1,…,aL,b1,…,bL,x1,…,xN)＝
H称为隐层输出矩阵；
考虑预测误差，上式可修改为：
Hβ＝T+E
定义平方损失函数：
J＝(Hβ-T)T(Hβ-T)
则ELM网络参数的训练问题转化为求平方损失函数最小值问题，即需要寻找一组最优参数
使得J最小；当激活函数g无限可微时，可在训练开始时随机选择隐层参数节点，然后在训练过程中固定，外权β可通过最小二乘法求解上述方程组得到；
ELM训练结束后，采用ELM网络模型进行敏感性分析，定义如下敏感度系数计算中间物质浓度与碳化硅生长速率的相关性：
其中，
是当第k种气体物质的浓度固定为零并且其他物种的浓度保持不变时，ELM预测的生长速率；
S6.3、采用粘附系数方法，基底吸附速率由气体热力学确定，以
表示；其中，xi、R、T、Mi、τ分别是摩尔浓度、理想气体常数、温度、分子量和近表面物质的粘附系数；
使用SC进行敏感度分析，SC计算得到中间物质浓度与沉积速率的相关性，进一步确定硅碳来源的中间物质，敏感系数定义为SC的吸附速率与通过实验测量的沉积速率的比率；
综合ELM计算得到的中间物质浓度与沉积速率的相关性和SC计算得到的中间物质浓度与沉积速率的相关性，最终确定控制硅原子和碳原子的吸附速率乃至碳化硅的生长速率的中间物质；
S7、建立表面反应模型：根据已经确定的主要中间物质，认为碳化硅通过两个单独的反应序列沉积，分布涉及碳氢化合物和氯硅化合物；因此，考虑表面沉积，解吸，蚀刻以及报道的表面动力学，建立改进的表面动力学模型；
S8、沉积速率预测模型建立粘度系数和表面浓度、沉积速率的相关性：联立反应器有限元模型、热传导和对流、质量守恒和动量守恒、多组分扩散方程、气相反应模型和表面动力学模型，建立计算流体力学沉积速率预测模型，该模型输入量为各种主要中间物质的粘附系数；以报道的各种中间物质的粘附系数作为基准值，保持其他中间物质系数值不变，分别轮流放大、缩小每个中间物质的粘附系数值，并输入沉积速率预测模型，计算对应沉积速率；
S9、建立中间物质粘度系数与其影响因素之间的多因变量的PLSR模型：以温度、压力，步骤S8.1中计算得到各中间物质表面浓度和沉积速率作为自变量，以相应的各中间物质粘度系数估算值为因变量，运用偏最小二乘回归的原理，进行多元多重线性回归分析,建立各中间物质粘度系数与其影响因素之间的多因变量的PLSR模型；
S10、根据实验结果确定粘附系数：以实验测得的沉积速率、温度、压力作为自变量，输入步骤S8.2中获得的PLSR模型，计算得到符合实际的中间物质粘度系数。
2.根据权利要求1所述的一种化学气相沉积速率预测方法，其特征在于：所述步骤S2中，以炉膛壁面作为边界条件，在炉膛壁面设置恒温区为900℃-1300℃，靠近炉膛中心10cm处为恒温区，其他壁面的温度定义为实验测量值。
3.根据权利要求1所述的一种化学气相沉积速率预测方法，其特征在于：所述步骤S3中，在入口设置流速，出口设置压力边界，其他壁面设为无滑移边界。
4.根据权利要求1所述的一种化学气相沉积速率预测方法，其特征在于：所述步骤S4中，气体混合物可以看作为具有温度依赖性的理想混合物，忽略反应引起的气体混合物的膨胀或收缩，有限元模型采用载气中反应物和产物的二元扩散系数，根据实验条件在入口设置浓度边界，出口设置流出边界。
5.根据权利要求1所述的一种化学气相沉积速率预测方法，其特征在于：所述步骤S5中，实验中所使用的载气流量相对较高，前驱气体浓度较低，硅团簇在气相中的成核和凝聚可以忽略不计。
6.根据权利要求1所述的一种化学气相沉积速率预测方法，其特征在于：所述步骤S5中，反应速率以阿仑尼乌斯形式表示：K＝ATne-E/RT。
7.根据权利要求1所述的一种化学气相沉积速率预测方法，其特征在于：所述步骤S7中，表面反应速率以阿仑尼乌斯形式表示：K＝ATne-E/RT。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910749267.3A CN110598255B (zh) | 2019-08-14 | 2019-08-14 | 一种化学气相沉积速率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910749267.3A CN110598255B (zh) | 2019-08-14 | 2019-08-14 | 一种化学气相沉积速率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110598255A CN110598255A (zh) | 2019-12-20 |
| CN110598255B true CN110598255B (zh) | 2021-07-06 |
Family
ID=68854289
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910749267.3A Active CN110598255B (zh) | 2019-08-14 | 2019-08-14 | 一种化学气相沉积速率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110598255B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021132183A (ja) * | 2020-02-21 | 2021-09-09 | 東京エレクトロン株式会社 | 情報処理装置、情報処理方法及びコンピュータ読み取り可能な記録媒体 |
| CN111597735B (zh) * | 2020-06-19 | 2022-06-14 | 华南理工大学 | 机器学习与cvd建模相结合的组分预测方法 |
| CN112214871B (zh) * | 2020-09-09 | 2022-11-01 | 东南大学 | 一种聚焦离子束辅助沉积加工的结构高度计算方法 |
| CN112102897B (zh) * | 2020-09-18 | 2022-03-08 | 华南理工大学 | 一种化学气相多元沉积产物组分预测方法 |
| CN112100943B (zh) * | 2020-09-21 | 2024-01-26 | 水羊化妆品制造有限公司 | 一种高粘度流体混合性能预测方法 |
| CN112331271B (zh) * | 2020-11-04 | 2022-06-14 | 华南理工大学 | 一种cvd沉积速率、产物织构和质量跨尺度预测方法 |
| CN113536529B (zh) * | 2021-05-24 | 2022-09-06 | 山西中电科新能源技术有限公司 | 一种用于碳碳复合材料沉积的投炉装配优化方法 |
| CN113703411B (zh) * | 2021-08-31 | 2022-08-30 | 亚洲硅业(青海)股份有限公司 | 多晶硅生长过程监测系统、方法及多晶硅生产系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1510596A2 (en) * | 1999-10-06 | 2005-03-02 | Air Products And Chemicals, Inc. | Purification, analysis and deposition of titanium amides |
| CN102779198A (zh) * | 2011-05-13 | 2012-11-14 | 中国石油天然气股份有限公司 | 天然气管网输送系统动态仿真系统建立方法 |
| CN105973926A (zh) * | 2016-04-28 | 2016-09-28 | 华南理工大学 | 一种粉体材料热膨胀系数的测量装置及测量方法 |
| CN107400875A (zh) * | 2017-07-12 | 2017-11-28 | 华中科技大学 | 一种热丝化学气相沉积设备 |
| US10176983B1 (en) * | 2017-10-11 | 2019-01-08 | Lawrence Livermore National Security, Llc | Charged particle induced deposition of boron containing material |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109985487B (zh) * | 2019-04-03 | 2021-04-27 | 天津大学 | 一种基于Fluent的变压吸附碳捕集的优化方法 |
-
2019
- 2019-08-14 CN CN201910749267.3A patent/CN110598255B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1510596A2 (en) * | 1999-10-06 | 2005-03-02 | Air Products And Chemicals, Inc. | Purification, analysis and deposition of titanium amides |
| CN102779198A (zh) * | 2011-05-13 | 2012-11-14 | 中国石油天然气股份有限公司 | 天然气管网输送系统动态仿真系统建立方法 |
| CN105973926A (zh) * | 2016-04-28 | 2016-09-28 | 华南理工大学 | 一种粉体材料热膨胀系数的测量装置及测量方法 |
| CN107400875A (zh) * | 2017-07-12 | 2017-11-28 | 华中科技大学 | 一种热丝化学气相沉积设备 |
| US10176983B1 (en) * | 2017-10-11 | 2019-01-08 | Lawrence Livermore National Security, Llc | Charged particle induced deposition of boron containing material |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110598255A (zh) | 2019-12-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110598255B (zh) | 一种化学气相沉积速率预测方法 | |
| CN111597735B (zh) | 机器学习与cvd建模相结合的组分预测方法 | |
| CN112666210B (zh) | 一种复合相变材料热导率动态变化的测量方法 | |
| Kreuger et al. | Methane decomposition kinetics on unfunctionalized alumina surfaces | |
| CN111859532A (zh) | 考虑高超声速化学非平衡效应的改进热壁修正方法 | |
| CN111157671B (zh) | 模拟陶瓷基复合材料在高温燃气环境下烧蚀形貌的方法 | |
| Guan et al. | Numerical modeling of SiC by low-pressure chemical vapor deposition from methyltrichlorosilane | |
| CN116718633A (zh) | 一种绝热材料绝热性能软测量智能检测系统及方法 | |
| Magnico | Pore‐scale simulations of unsteady flow and heat transfer in tubular fixed beds | |
| Guan et al. | A multiscale model for CVD growth of silicon carbide | |
| Kharatyan et al. | Kinetics of tungsten carbidization under non-isothermal conditions | |
| Li et al. | Numerical simulation of isothermal chemical vapor infiltration process in fabrication of carbon-carbon composites by finite element method | |
| CN112331271B (zh) | 一种cvd沉积速率、产物织构和质量跨尺度预测方法 | |
| Chen et al. | Experimental studies and computer simulation of the preparation of nanoporous silicon-carbide membranes by chemical-vapor infiltration/chemical-vapor deposition techniques | |
| Guan et al. | Prediction of permeability for chemical vapor infiltration | |
| Starr et al. | 3-D modeling of forced-flow thermal-gradient CVI for ceramic composite fabrication | |
| Mar et al. | Modeling of the formation of RuO2 thin film from Ru (C5H5) 2 by metal-organic chemical vapor decomposition | |
| CN112358301A (zh) | 一种基于电子结构协同的高熵陶瓷热防护材料设计方法 | |
| CN106844440A (zh) | 多组分防热材料热化学平衡烧蚀数据库构建方法 | |
| Bang et al. | Preparation of C/C composites by the chemical vapor infiltration (CVI) of propane pyrolysis | |
| Kulik et al. | Experimental study and numerical modeling of pulse CVI for the production of organomorphic C/SiC composites | |
| Schnack et al. | A coupled numerical modelling and experimental approach in chemical vapour infiltration (CVI) process of SiC/SiC composites | |
| CN113782106B (zh) | 一种用于cfd的高焓离解气体表面催化反应速率的求解方法 | |
| CN117275614A (zh) | 一种cvd/cvi数字化模型和预测方法 | |
| Yang et al. | Numerical simulation of the deposition process and the epitaxial growth of cadmium telluride thin film in a MOCVD reactor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240118 Address after: Room 124, 1st to 2nd floors, No.124 Xingsheng Street, Huangcun Town, Daxing District, Beijing, 102627 (cluster registration) Patentee after: Beijing Huifengyuan Technology Co.,Ltd. Address before: 510640 No.308, Linhong building, Wushan campus, South China University of technology, 381 Wushan Road, Guangzhou City, Guangdong Province Patentee before: SOUTH CHINA University OF TECHNOLOGY |