CN115048861A - 3d芯片嵌入式液冷通道流量的智能化分配方法及系统 - Google Patents

3d芯片嵌入式液冷通道流量的智能化分配方法及系统 Download PDF

Info

Publication number
CN115048861A
CN115048861A CN202210630911.7A CN202210630911A CN115048861A CN 115048861 A CN115048861 A CN 115048861A CN 202210630911 A CN202210630911 A CN 202210630911A CN 115048861 A CN115048861 A CN 115048861A
Authority
CN
China
Prior art keywords
chip
flow
liquid cooling
neural network
distribution
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
CN202210630911.7A
Other languages
English (en)
Other versions
CN115048861B (zh
Inventor
谢志辉
张健
陆卓群
奚坤
戈延林
刘翰钰
纪祥坤
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.)
Wuhan Institute of Technology
Naval University of Engineering PLA
Original Assignee
Wuhan Institute of Technology
Naval University of Engineering PLA
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 Wuhan Institute of Technology, Naval University of Engineering PLA filed Critical Wuhan Institute of Technology
Priority to CN202210630911.7A priority Critical patent/CN115048861B/zh
Publication of CN115048861A publication Critical patent/CN115048861A/zh
Application granted granted Critical
Publication of CN115048861B publication Critical patent/CN115048861B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/32—Circuit design at the digital level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Graphics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于流量分配技术领域，公开了一种3D芯片嵌入式液冷通道流量的智能化分配方法及系统，建立3D多核芯片嵌入式液冷通道散热的数值仿真模型，采用BP神经网络和遗传算法相结合的智能化方法，针对实际芯片运行功率动态变化时的热管理问题，在总流量不变的条件下，实现冷却剂流量的分配优化。与传统均匀分配流量相比，本发明经过智能化算法优化的流量分配可降低芯片运行时的最高温度，提高芯片的温度均匀性，在给定测试工况下，最高温度可降低6.06K。同时，本发明的方法可为不同工况运行的3D多核芯片，实现适时的智能化高效冷却，为实现3D多核芯片的高效热管理提供新的理论和方法支撑。

Description

3D芯片嵌入式液冷通道流量的智能化分配方法及系统
技术领域
本发明属于流量分配技术领域，尤其涉及一种3D芯片嵌入式液冷通道流量的智能化分配方法及系统。
背景技术
目前，在摩尔时代，半导体工艺的特征尺寸不断缩小，芯片的集成度迅速提高，芯片向微型化、轻量化和高密度集成化的发展趋势愈发突出。然而在近几年，随着半导体工艺的特征尺寸逐渐接近物理极限，通过缩小半导体工艺特征尺寸提高芯片集成度的成本越来越高。在此背景下，以3D堆叠芯片为代表的先进封装技术成为继续提高芯片集成度的新驱动。3D堆叠芯片将多层芯片集成在一个封装内，提高了芯片的空间利用率、缩短了晶圆互连距离、减少了芯片内部信号的延迟，为芯片的高密度集成发展提供了更为高效的途径。半导体技术也进入了后摩尔时代。但同时，3D堆叠芯片单位面积上的发热率激增，这对芯片热管理技术提出了更严峻的挑战。
传统的空冷散热、液冷散热、热管散热和半导体散热等已经很难满足高集成化芯片的散热需求。因此，国内外一大批学者围绕着芯片热管理问题展开了广泛的研究。其中，Tuckerman等最早提出通过化学刻蚀的方法在芯片的硅基层构建使冷却流体直接通过的微小通道，可以绕过芯片封装直接对集成电路表面进行冷却。这种嵌入式冷却通道，为芯片散热提供了新的解决方案。
由于微通道具有广阔的应用前景，学者们围绕微通道的结构、换热工质、传热和流动性能等开展了广泛的研究。近年来，新一代人工智能技术蓬勃发展，机器学习和优化算法为微通道研究注入了具有智能化特征的新活力。Bayer等基于神经网络，对一种双层波状壁面微通道散热器的结构进行了优化设计，与传统优化方法相比，大大降低了优化设计所需要的计算时间。Tafarroj等基于微通道散热器内纳米流体流动的实验数据，建立了人工神经网络模型预测Nu数和传热系数。Chen等基于NSGA-II算法，以最大温差和泵耗功率的复合函数为目标，对三维圆盘模型内嵌微通道的结构进行优化，得到了帕累托最优解集，并通过采用Topsis方法求出了给定加权系数下的最优解。Wang等基于NSGA-II算法，以热阻和泵耗功率的复合函数为目标，对内含多孔肋片的微通道散热器进行了优化。结果表明，通过上通道的泵耗功率和下通道的冷却性能之间的折衷调解可以达到整体的最佳性能。
同时值得注意的是，实际芯片热载荷的大小和空间位置均是可变的。随着芯片任务的变化，会出现位置并不固定的高功率区域。Danish等在热点位置随机分布的非均匀热源条件下，分析了双层微通道冷却工质的流动方向对冷却性能的影响。Li等利用热敏性纳米复合材料实现了自适应微通道冷却，该热敏材料遇冷膨胀、遇热收缩，可以根据热负荷的变化来调整流量分布，从而更高效智能地冷却高热流密度区域。Li等将机器学习方法贝叶斯优化应用于功率分布随时间变化的三维集成电路，实现了智能控制特定层微通道中的冷却剂流率，使芯片温度稳定在安全区间内。但并未针对如何分配流量，强化通道冷却能力展开进一步研究。
由上可见，实际芯片热载荷(功率)动态变化时的热管理问题重要而迫切，引起了学者们的重视。智能化技术的发展为相应的适时热管理策略的实施提供了契机。
通过上述分析，现有技术存在的问题及缺陷为：
(1)3D堆叠芯片单位面积上的发热率激增，且传统的空冷散热、液冷散热、热管散热和半导体散热等已经很难满足高集成化芯片的散热需求。
(2)现有技术并未针对如何分配流量，强化通道冷却能力展开进一步研究。
(3)现有技术对动态变化的非均匀热源的冷却能力不足，无法动态调整冷却策略，适应热源分布的变化。
发明内容
针对现有技术存在的问题，本发明提供了一种3D芯片嵌入式液冷通道流量的智能化分配方法及系统。
本发明是这样实现的，一种3D芯片嵌入式液冷通道流量的智能化分配方法，所述3D芯片嵌入式液冷通道流量的智能化分配方法包括：
建立3D多核芯片嵌入式液冷通道散热的数值仿真模型，采用BP神经网络和遗传算法相结合的智能化方法，针对实际芯片运行功率动态变化时的热管理问题，在总流量不变的条件下，实现冷却剂流量的分配优化。
进一步，所述3D芯片嵌入式液冷通道流量的智能化分配方法包括以下步骤：
步骤一，构建针对芯片的工况-流量分配-温度的BP神经网络，并通过数值计算获得训练神经网络的样本点集；
步骤二，利用通过数值计算得到的样本点集对神经网络进行训练，得到3D多核芯片的工况-流量分配-温度的神经网络模型；
步骤三，通过给定芯片的运行工况，采用遗传算法优化得到适应功率动态变化的最佳流量适时分配策略，实现对应工况下的芯片运行温度最小化。
进一步，所述3D芯片嵌入式液冷通道流量的智能化分配方法还包括：
(1)几何模型的构建
具有嵌入式冷却通道的3D集成芯片中，上下层芯片通过中间的无源转接板连接，在无源转接板中间集成有嵌入式冷却微通道；3D芯片嵌入式液冷通道以及上下层芯片的三维模型中，液冷通道包括三个入口和三个出口，根据芯片热载荷的变化，调整三个入口流量的比例，实现智能化的最佳冷却效能；上层芯片为计算芯片，拥有六个核心，每个核心为15W；每个核心的工作状态与芯片运行的任务有关；下方芯片为基础逻辑芯片，用于实现芯片的基础功能，功率设置为10W。
热沉的尺寸标注中，热沉的长、宽和高分别为23000μm、23000μm和1000μm，微通道的壁厚为20μm，通道内流道的壁厚为300μm，间距为
Figure BDA0003679634100000031
通道数目N＝21，进口/出口的直径为Dr＝700μm。
(2)物理模型的构建
将硅用作微通道的壁面材料；硅的密度、恒压热容和导热系数分别为ρS＝2330[Kg·m-3]，cp,s＝712[J·Kg-1·K-1]和ks＝148[W·m-1·K-1]。水选用变物性参数：
ρf＝432.2571+4.9692T-0.0134T2+1.0335×10-5T3；
μf＝1.3799-0.0212T1+1.3605×10-4T2-4.6454×10-7T3+8.9043×10-10T4；
kf＝-0.8691+0.0089×T1-1.5837×10-5T2+7.9754×10-9T3；
cp,f＝12010.1471-80.4073×T+0.3099×T2-5.3819×10-4T3+3.6254×10-7T4。
进一步，对3D芯片嵌入式液冷通道数值模型的简化假设如下：
①流体流动和传热均处于稳态，冷却流体不可压缩，流态为层流；
②固体材料均常物性，固体导热材料各向同性；
③流道壁面采用无滑移边界条件；
④不计重力，不考虑辐射换热和粘性耗散引起的耗散热。
基于假设，连续性方程为：
Figure BDA0003679634100000041
动量守恒方程为：
Figure BDA0003679634100000042
流体的能量守恒方程为：
Figure BDA0003679634100000043
固体的能量守恒方程为：
Figure BDA0003679634100000044
常物性热源稳态导热的能量方程为：
Figure BDA0003679634100000045
固体与流体界面之间热量传递和温度的连续性方程为：
Figure BDA0003679634100000051
Ts＝Tf；
式中，ρf为流体密度，u为流体的速度矢量；p为压力，单位Pa；I为单位矩阵；F为体积力矢量，单位N；kf为流体的热导率，单位W·m-1·K-1；ks为固体的热导率，单位W·m-1·K-1。
边界条件如下：
①流动和传热充分发展，入口水温恒定Tin＝293K；
②入口质量流量为M0＝0.001kg/s；
③出口：压力出口条件；
④芯片区域给定热流密度，除与芯片接触的位置，热沉外壁面绝热。
结合边界条件，求解获得模型的温度分布与压力分布的数值结果。
进一步，所述3D芯片嵌入式液冷通道流量的智能化分配方法还包括：
(1)给定BP神经网络所需的样本点变量的取值，并通过COMSOL进行数值计算得到样本点；通过BP神经网络算法，对样本点进行函数拟合，得到3D多核芯片嵌入式液冷通道的工况-流量分配-温度的神经网络模型；
(2)基于BP神经网络算法得到的3D多核芯片嵌入式液冷通道的工况-流量分配-温度的映射关系，给定芯片的运行状态，得到3D多核芯片嵌入式液冷通道的流量分配-温度的映射关系；
(3)将流量分配-温度的映射关系作为遗传算法的目标函数，进行优化，进而得到给定芯片运行状态下流量的最优分配。
进一步，所述3D芯片嵌入式液冷通道流量的智能化分配方法还包括：
(1)BP神经网络训练
选择的3D芯片的计算模块由六个核心组成，每个核心的工作状态相互独立。3D芯片嵌入式液冷微通道包括三个入口，总流量为M0＝0.001kg/s。选取3D芯片嵌入式液冷微通道的工作状态作为训练的样本点，并用样本点对BP神经网络进行训练，训练和测试的数据比例为8：2，神经网络的层次结构为9个人工神经元细胞的输入层、10个人工神经细胞的隐含层和一个人工神经元细胞输出层。
(2)遗传算法优化
通过BP神经网络拟合得到3D多核芯片嵌入式液冷通道的工况-流量分配-温度的神经网络模型后，给定芯片的确定工况，得到流量分配-温度的映射关系；通过将相应芯片工况的流量分配-温度的映射关系带入遗传算法中，得到工况下入口流量的最优分配；入口流量的二进制编码位数为6位，最大遗传代数为500，代沟取0.8，交叉概率0.7，奇数个体与相邻位置的子代进行交叉。
本发明的另一目的在于提供一种应用所述的3D芯片嵌入式液冷通道流量的智能化分配方法的3D芯片嵌入式液冷通道流量的智能化分配系统，所述3D芯片嵌入式液冷通道流量的智能化分配系统包括：
BP神经网络构建模块，用于构建针对芯片的工况-流量分配-温度的BP神经网络，并通过数值计算获得训练神经网络的样本点集；
神经网络训练模块，用于利用通过数值计算得到的样本点集对神经网络进行训练，得到3D多核芯片的工况-流量分配-温度的神经网络模型；
流量分配模块，用于给定芯片运行工况，采用遗传算法优化得到适应功率动态变化的最佳流量适时分配策略，实现对应工况下的芯片运行温度最小化。
本发明的另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述的3D芯片嵌入式液冷通道流量的智能化分配方法。
本发明的另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述的3D芯片嵌入式液冷通道流量的智能化分配方法。
本发明的另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述的3D芯片嵌入式液冷通道流量的智能化分配系统。
结合上述的技术方案和解决的技术问题，请从以下几方面分析本发明所要保护的技术方案所具备的优点及积极效果为：
第一、针对上述现有技术存在的技术问题以及解决该问题的难度，紧密结合本发明的所要保护的技术方案以及研发过程中结果和数据等，详细、深刻地分析本发明技术方案如何解决的技术问题，解决问题之后带来的一些具备创造性的技术效果。具体描述如下：
本发明建立了3D多核芯片嵌入式液冷通道散热的数值仿真模型，采用BP神经网络和遗传算法相结合的智能化方法，针对实际芯片运行功率动态变化时的热管理问题，在总流量不变的条件下，开展了冷却剂流量的分配优化研究。构建关于芯片“工况-流量分配-温度”BP神经网络，用通过数值计算得到样本点集对神经网络进行训练，得到3D多核芯片的“工况-流量分配-温度”神经网络模型。接下来采用遗传算法，优化得到了适应功率动态变化的最佳流量适时分配策略，实现了对应工况下的芯片运行温度最小化。
本发明针对实际芯片功率动态变化时的热管理问题，建立了3D多核芯片嵌入式液冷通道散热的数值仿真模型，通过数值计算获得了可以训练神经网络的样本点集。本发明还建立了关于“工况-流量分配-温度”的BP神经网络，利用样本点进行训练后，得到了3D多核芯片的“工况-流量分配-温度”的神经网络模型。本发明通过给定芯片的运行工况，采用遗传算法，优化得到了适应功率动态变化的最佳流量适时分配策略，实现了对应工况下芯片运行温度的最小化。与传统均匀分配流量相比，本发明提供的经过智能化算法优化的流量分配可降低芯片运行时的最高温度，提高芯片的温度均匀性，为不同工况下的芯片运行提供了适时的智能化高效冷却。
第二，把技术方案看做一个整体或者从产品的角度，本发明所要保护的技术方案具备的技术效果和优点，具体描述如下：
与传统均匀分配流量相比，本发明经过智能化算法优化的流量分配可降低芯片运行时的最高温度，提高芯片的温度均匀性，在给定测试工况下，最高温度可降低6.06K。本方法可为不同工况运行的3D多核芯片，实现适时的智能化高效冷却，为实现3D多核芯片的高效热管理提供新的理论支撑。
第三，作为本发明的权利要求的创造性辅助证据，还体现在本发明的技术方案转化后的预期收益和商业价值为：本技术方案转化后能够在不需要改变通道结构的前提下，通过控制嵌入式液冷通道的流量分配强化通道结构对动态变化的非均匀热源的散热。降低了嵌入式液冷通道制作工艺的难度，增加了嵌入式液冷通道的适用范围，降低了成本。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的3D芯片嵌入式液冷通道流量的智能化分配方法流程图；
图2是本发明实施例提供的具有嵌入式冷却微通道的3D集成芯片结构图；
图3是本发明实施例提供的模型的功率分区示意图；
图4是本发明实施例提供的模型的几何标注示意图；
图5是本发明实施例提供的模型有效性验证示意图；
图6是本发明实施例提供的计算残差曲线示意图；
图7是本发明实施例提供的优化流程图；
图8是本发明实施例提供的神经网络配置示意图；
图9是本发明实施例提供的样本点集示意图；
图10是本发明实施例提供的BP神经网络训练结果拟合图；
图11是本发明实施例提供的BP神经网络预测输出示意图；
图12是本发明实施例提供的代际寻优轨迹图；
图13是本发明实施例提供的优化前后芯片对应的等温线图；
图13(a)是本发明实施例提供的优化前后芯片工况1对应的等温线图；
图13(b)是本发明实施例提供的优化前后芯片工况2对应的等温线图；
图13(c)是本发明实施例提供的优化前后芯片工况3对应的等温线图；
图13(d)是本发明实施例提供的优化前后芯片工况4对应的等温线图。
图14(a)是本发明实施例提供的优化前芯片横向节点的温度变化图；
图14(b)是本发明实施例提供的流程优化后芯片横向节点的温度变化图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种3D芯片嵌入式液冷通道流量的智能化分配方法及系统，下面结合附图对本发明作详细的描述。
一、解释说明实施例。为了使本领域技术人员充分了解本发明如何具体实现，该部分是对权利要求技术方案进行展开说明的解释说明实施例。
如图1所示，本发明实施例提供的3D芯片嵌入式液冷通道流量的智能化分配方法包括以下步骤：
S101，构建针对芯片的工况-流量分配-温度的BP神经网络，并通过数值计算获得训练神经网络的样本点集；
S102，通过数值计算得到样本点集对神经网络进行训练，得到3D多核芯片的工况-流量分配-温度的神经网络模型；
S103，通过给定芯片的运行工况，采用遗传算法优化得到适应功率动态变化的最佳流量适时分配策略，实现对应工况下的芯片运行温度最小化。
作为优选实施例，本发明实施例提供的3D芯片嵌入式液冷通道流量的智能化分配方法具体包括：
1.模型建立
1.1几何模型
图2给出了具有嵌入式冷却通道的3D集成芯片示意图。如图2所示，上下层芯片通过中间的无源转接板连接，在无源转接板中间集成有嵌入式冷却微通道。图3给出了3D芯片嵌入式液冷通道以及上下层芯片的三维模型图。液冷通道有三个入口和三个出口，可以根据芯片热载荷的变化，调整三个入口流量的比例，实现智能化的最佳冷却效能。上层芯片为计算芯片，拥有六个核心，每个核心为15W。每个核心的工作状态与芯片运行的任务有关。下方芯片为基础逻辑芯片，主要用来实现芯片的基础功能，功率设置为10W。
图4给出了热沉的尺寸标注，热沉的长、宽和高分别为23000μm、23000μm和1000μm，微通道的壁厚为20μm，通道内流道的壁厚为300μm，间距为
Figure BDA0003679634100000101
通道数目N＝21，进口/出口的直径为Dr＝700μm。表1给出了模型尺寸参数。
表1模型几何尺寸
Figure BDA0003679634100000102
1.2物理模型
由于硅在自然界中的储量丰富，提纯成本低，相对其他半金属元素在高温下的性质更为稳定，故被广泛用于半导体工业。同时，硅具有良好的导热性，耐腐蚀性和易加工性，常常被用作微通道的壁面材料。硅的密度、恒压热容和导热系数分别为ρS＝2330[Kg·m-3]，cp,s＝712[J·Kg-1·K-1]和k＝148[W·m-1·K-1]。水选用变物性参数：
ρf＝432.2571+4.9692T-0.0134T2+1.0335×10-5T3 (1)
μf＝1.3799-0.0212T1+1.3605×10-4T2-4.6454×10-7T3+8.9043×10-10T4 (2)
kf＝-0.8691+0.0089×T1-1.5837×10-5T2+7.9754×10-9T3 (3)
cp,f＝12010.1471-80.4073×T+0.3099×T2-5.3819×10-4T3+3.6254×10-7T4(4)
本发明对3D芯片嵌入式液冷通道数值模型的简化假设如下：
(1)流体流动和传热均处于稳态，冷却流体不可压缩，流态为层流；
(2)固体材料均常物性，固体导热材料各向同性；
(3)流道壁面采用无滑移边界条件；
(4)不计重力，不考虑辐射换热和粘性耗散引起的耗散热。
基于以上假设，连续性方程为：
Figure BDA0003679634100000111
动量守恒方程为：
Figure BDA0003679634100000112
流体的能量守恒方程为：
Figure BDA0003679634100000113
固体的能量守恒方程为：
Figure BDA0003679634100000114
常物性热源稳态导热的能量方程为：
Figure BDA0003679634100000115
固体与流体界面之间热量传递和温度的连续性方程为：
Figure BDA0003679634100000116
Ts＝Tf (11)
式中，ρf为流体密度，u为流体的速度矢量，p(Pa)为压力，I为单位矩阵，F(N)为体积力矢量，kf(W·m-1·K-1)为流体的热导率，ks(W·m-1·K-1)为固体的热导率。
边界条件如下：
(1)流动和传热充分发展，入口水温恒定Tin＝293K；
(2)入口质量流量为M0＝0.001kg/s；
(3)出口：压力出口条件；
(4)芯片区域给定热流密度，除与芯片接触的位置，热沉外壁面绝热。
结合以上边界条件，求解式(5)-(11)，可获得模型的温度分布与压力分布的数值结果。
1.3模型验证
本发明使用COMSOL Multiphysics5.6软件在相应的边界条件下求解方程(5)-(11)。为保证计算结果的精度，对网格独立性进行检验。网格数目分别为75258、278271、486062和1008354，对应为368.95K、371.38K、374.26K和373.26K，相对误差分别为1.15％、0.50％和0.27％。为兼顾模型的计算精度和计算效率，选择486062的网格划分策略。为了进一步验证数值模型的准确性，使用本发明的建模方法，建立了文献中的微针肋热沉模型。图5给出了模拟结果与文献中实验结果的对比点图，由图可见用本发明的建模方法得出的热沉热阻与文献实验中的热阻最大误差0.071，最小误差为0.011。图6给出了计算残差曲线图，温度和速度的残差曲线均收敛到10-6。
2.优化方法
图7给出了优化流程图。首先，给定BP神经网络所需的样本点变量的取值，并通过COMSOL进行数值计算得到样本点。然后通过BP神经网络算法，对样本点进行函数拟合，得到3D多核芯片嵌入式液冷通道的“工况-流量分配-温度”神经网络模型。基于BP神经网络算法得到的3D多核芯片嵌入式液冷通道的“工况-流量分配-温度”映射关系，给定芯片的运行状态，可以得到3D多核芯片嵌入式液冷通道的“流量分配-温度”映射关系。将“流量分配-温度”映射关系作为遗传算法的目标函数，进行优化，可以得到给定芯片运行状态下流量的最优分配。
2.1BP神经网络训练
本发明选择的3D芯片的计算模块由六个核心组成，每个核心的工作状态都是相互独立的。3D芯片嵌入式液冷微通道有三个入口，总流量为M0＝0.001kg/s。选取了1494个3D芯片嵌入式液冷微通道的工作状态作为训练的样本点，并用样本点对BP神经网络进行训练，训练和测试的数据比例为8：2，神经网络的层次结构为9个人工神经元细胞的输入层、10个人工神经细胞的隐含层和一个人工神经元细胞输出层。图8给出了神经网络配置示意图，采用Bayesian Regularization改进算法对建立的神经网络进行训练。图9给出了工作1494个工作状态对应的离散点图。
图10给出了模型目标输出与训练数据的散点分布图，模型目标输出与所有1494个样本的相关系数为0.99327。图11给出了测试数据集299组不同芯片工况下，神经网络期望输出和预测输出之间的对比图。平均相对误差在3％以下，这说明该样本得到的神经网络模型符合预期。
2.2遗传算法优化
通过BP神经网络拟合得到3D多核芯片嵌入式液冷通道的“工况-流量分配-温度”神经网络模型后，给定芯片的确定工况，就能得到“流量分配-温度”映射关系。通过将相应芯片工况的“流量分配-温度”映射关系带入遗传算法中，可以得到该工况下入口流量的最优分配。考虑本问题的精度要求，兼顾生成个体的多样性，入口流量的二进制编码位数为6位，最大遗传代数为500，代沟取0.8，交叉概率0.7，奇数个体与其相邻位置的子代进行交叉。
3.结果分析
表2给出了四种不同的芯片工况，由于各芯片运行程序不同，各芯片核心的工作状态也不同。图12给出了在芯片四种不同的工况下，通过遗传算法寻找最优流量分配的代际寻优轨迹图。
表2芯片运行工况
Figure BDA0003679634100000131
Figure BDA0003679634100000141
表3给出了在总流量一定的条件下，流量分配优化前后，芯片的最高运行温度对比。从表中可以看出，经过流量分配优化，芯片对应的最高温度降低。工况1的最高温度下降了2.63K，工况2的最高温度下降了2.63K，工况3的最高温度下降了6.06K，工况4的最高温度下降了4.63K。
表3芯片运行温度对比
Figure BDA0003679634100000142
图13给出了四种芯片工况下入口流量优化前(左)后(右)的温度云图。可见，在总流量不变的前提下，经过遗传算法的优化，增加流量向芯片运行区域分配比例，可以降低芯片运行时的最高温度。同时可以发现，经过优化后的流量分配对应的芯片工况，温度均匀性更好。这是因为均匀分配流量时，冷却流体对芯片的非运行区域冷却过度，对芯片的运行区域冷却过度，加大芯片上温度之间的差值。
4.本发明针对实际芯片功率动态变化时的热管理问题，建立了3D多核芯片嵌入式液冷通道散热的数值仿真模型，通过数值计算获得了可以训练神经网络的样本点集。进一步建立了关于“工况-流量分配-温度”的BP神经网络，利用样本点进行训练后，得到了3D多核芯片的“工况-流量分配-温度”的神经网络模型。通过给定芯片的运行工况，采用遗传算法，优化得到了适应功率动态变化的最佳流量适时分配策略，实现了对应工况下芯片运行温度的最小化。与传统均匀分配流量相比，经过智能化算法优化的流量分配可降低芯片运行时的最高温度，提高芯片的温度均匀性，为不同工况下的芯片运行提供了适时的智能化高效冷却。
本发明实施例提供的3D芯片嵌入式液冷通道流量的智能化分配系统包括：
BP神经网络构建模块，用于构建针对芯片的工况-流量分配-温度的BP神经网络，并通过数值计算获得训练神经网络的样本点集；
神经网络训练模块，用于利用通过数值计算得到的样本点集对神经网络进行训练，得到3D多核芯片的工况-流量分配-温度的神经网络模型；
流量分配模块，用于给定芯片运行工况，采用遗传算法优化得到适应功率动态变化的最佳流量适时分配策略，实现对应工况下的芯片运行温度最小化。
二、应用实施例。为了证明本发明的技术方案的创造性和技术价值，该部分是对权利要求技术方案进行具体产品上或相关技术上的应用实施例。
本实施例阐述了将本发明应用于多核心堆叠芯片的散热，通过对芯片多核心运行状态进行分析，合理的分配入口冷却剂的流量。具体实施例如图7所示，主要包括芯片运行状态的获取，神经网络对现有数据的拟合预测和遗传算法的寻优。
具体实施时，应通过数值模拟或实验的方式获取该芯片在不同工况下温度的分布，建立数据集。再经神经网络对数据进行拟合预测，得到工况-流量分配-温度的神经网络模型。再经遗传算法对得到的神经网络模型进行寻优，得到针对当前芯片工况下的最优流量分配。
得到的信息将通过计算机存储，并与控制器相连。具体实施时，通过传感器获知芯片的运行状态，并经由蓝牙模块将信息传到主控计算机。最优流量分配在计算机中实现，并将信息发送至控制模块。
所述的智能优化方法，能够实时监控芯片的工作状态，给出合适的流量分配策略，提高了芯片运行时表面温度的均匀性，降低了芯片运行温度，提高了芯片的性能和可靠性。
三、实施例相关效果的证据。本发明实施例在研发或者使用过程中取得了一些积极效果，和现有技术相比的确具备很大的优势，下面内容结合试验过程的数据、图表等进行描述。
图14(a)、图14(b)显示了流程优化前后芯片横向节点的温度变化。图中正在运行的芯片核心标有红叉。从图14(b)中可以看出，经过流量分布优化后，芯片运行的最高温度有所降低。同时，芯片表面的最高温度和最低温度之间的差异也减小了。图14(a)的最高和最低温度差从46.86K减小到41.83K。图14(b)的最高和最低温度差从55.24K减小到43.78K。这是因为温度分布均匀。与智能优化的流量分配相比，流量允许微通道过冷芯片的非工作区域并过冷工作区域。智能优化的流量分布，更有效地冷却芯片的工作区域，提高了芯片表面的温度均匀性。芯片表面温度分布均匀，有利于减少芯片内部信号的传输延迟，同时避免因温度梯度过大导致芯片局部翘曲的热应力。
现有技术—：均匀流量分配的嵌入式液冷热沉：1.Feng S,Yan Y,Li H,etal.Thermal management of 3D chip with non-uniform hotspots by integratedgradient distribution annular-cavity micro-pin fins[J].Applied ThermalEngineering,2021,182:116132.
现有技术二：Coupling management optimization of temperature andthermal stress inside 3D-IC with multi-cores and various power density.
与现有技术一、现有技术二相比，现有技术通过改变嵌入式液冷热沉的结构强化散热，本发明无需对热沉结构进行大幅度调整，降低了制作热沉时的工艺难度。
本发明可以针对多种热源进行适时精准的冷却，现有的技术手段往往针对单一非均匀热源进行设计，应用具有局限性。
应当注意，本发明的实施方式可以通过硬件、软件或者软件和硬件的结合来实现。硬件部分可以利用专用逻辑来实现；软件部分可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域的普通技术人员可以理解上述的设备和方法可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本发明的设备及其模块可以由诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用由各种类型的处理器执行的软件实现，也可以由上述硬件电路和软件的结合例如固件来实现。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种3D芯片嵌入式液冷通道流量的智能化分配方法，其特征在于，所述3D芯片嵌入式液冷通道流量的智能化分配方法包括：
建立3D多核芯片嵌入式液冷通道散热的数值仿真模型，采用BP神经网络和遗传算法相结合的智能化方法，针对实际芯片运行功率动态变化时的热管理问题，在总流量不变的条件下，实现冷却剂流量的分配优化。
2.如权利要求1所述的3D芯片嵌入式液冷通道流量的智能化分配方法，其特征在于，所述3D芯片嵌入式液冷通道流量的智能化分配方法包括以下步骤：
步骤一，构建针对芯片的工况-流量分配-温度的BP神经网络，并通过数值计算获得训练神经网络的样本点集；
步骤二，利用通过数值计算得到的样本点集对神经网络进行训练，得到3D多核芯片的工况-流量分配-温度的神经网络模型；
步骤三，通过给定芯片的运行工况，采用遗传算法优化得到适应功率动态变化的最佳流量适时分配策略，实现对应工况下的芯片运行温度最小化。
3.如权利要求1所述的3D芯片嵌入式液冷通道流量的智能化分配方法，其特征在于，所述3D芯片嵌入式液冷通道流量的智能化分配方法还包括：
(1)几何模型的构建
具有嵌入式冷却通道的3D集成芯片中，上下层芯片通过中间的无源转接板连接，在无源转接板中间集成有嵌入式冷却微通道；3D芯片嵌入式液冷通道以及上下层芯片的三维模型中，液冷通道包括三个入口和三个出口，根据芯片热载荷的变化，调整三个入口流量的比例，实现智能化的最佳冷却效能；上层芯片为计算芯片，拥有六个核心，每个核心为15W；每个核心的工作状态与芯片运行的任务有关；下方芯片为基础逻辑芯片，用于实现芯片的基础功能，功率设置为10W；
热沉的尺寸标注中，热沉的长、宽和高分别为23000μm、23000μm和1000μm，微通道的壁厚为20μm，通道内流道的壁厚为300μm，间距为
Figure FDA0003679634090000011
通道数目N＝21，进口/出口的直径为Dr＝700μm；
(2)物理模型的构建
将硅用作微通道的壁面材料；硅的密度、恒压热容和导热系数分别为ρS＝2330[Kg·m-3]，cp,s＝712[J·Kg-1·K-1]和k＝148[W·m-1·K-1]；水选用变物性参数：
ρf＝432.2571+4.9692T-0.0134T2+1.0335×10-5T3；
μf＝1.3799-0.0212T1+1.3605×10-4T2-4.6454×10-7T3+8.9043×10-10T4；
kf＝-0.8691+0.0089×T1-1.5837×10-5T2+7.9754×10-9T3；
cp,f＝12010.1471-80.4073×T+0.3099×T2-5.3819×10-4T3+3.6254×10-7T4。
4.如权利要求3所述的3D芯片嵌入式液冷通道流量的智能化分配方法，其特征在于，对3D芯片嵌入式液冷通道数值模型的简化假设如下：
①流体流动和传热均处于稳态，冷却流体不可压缩，流态为层流；
②固体材料均常物性，固体导热材料各向同性；
③流道壁面采用无滑移边界条件；
④不计重力，不考虑辐射换热和粘性耗散引起的耗散热；
基于假设，连续性方程为：
Figure FDA0003679634090000021
动量守恒方程为：
Figure FDA0003679634090000022
流体的能量守恒方程为：
Figure FDA0003679634090000023
固体的能量守恒方程为：
Figure FDA0003679634090000024
常物性热源稳态导热的能量方程为：
Figure FDA0003679634090000025
固体与流体界面之间热量传递和温度的连续性方程为：
Figure FDA0003679634090000031
Ts＝Tf；
式中，ρf为流体密度，u为流体的速度矢量；p为压力，单位Pa；I为单位矩阵；F为体积力矢量，单位N；kf为流体的热导率，单位W·m-1·K-1；ks为固体的热导率，单位W·m-1·K-1；
边界条件如下：
①流动和传热充分发展，入口水温恒定Tin＝293K；
②入口质量流量为M0＝0.001kg/s；
③出口：压力出口条件；
④芯片区域给定热流密度，除与芯片接触的位置，热沉外壁面绝热；
结合边界条件，求解获得模型的温度分布与压力分布的数值结果。
5.如权利要求1所述的3D芯片嵌入式液冷通道流量的智能化分配方法，其特征在于，所述3D芯片嵌入式液冷通道流量的智能化分配方法还包括：
(1)给定BP神经网络所需的样本点变量的取值，并通过COMSOL进行数值计算得到样本点；通过BP神经网络算法，对样本点进行函数拟合，得到3D多核芯片嵌入式液冷通道的工况-流量分配-温度的神经网络模型；
(2)基于BP神经网络算法得到的3D多核芯片嵌入式液冷通道的工况-流量分配-温度的映射关系，给定芯片的运行状态，得到3D多核芯片嵌入式液冷通道的流量分配-温度的映射关系；
(3)将流量分配-温度的映射关系作为遗传算法的目标函数，进行优化，进而得到给定芯片运行状态下流量的最优分配。
6.如权利要求1所述的3D芯片嵌入式液冷通道流量的智能化分配方法，其特征在于，所述3D芯片嵌入式液冷通道流量的智能化分配方法还包括：
(1)BP神经网络训练
选择的3D芯片的计算模块由六个核心组成，每个核心的工作状态相互独立；3D芯片嵌入式液冷微通道包括三个入口，总流量为M0＝0.001kg/s；选取3D芯片嵌入式液冷微通道的工作状态作为训练的样本点，并用样本点对BP神经网络进行训练，训练和测试的数据比例为8：2，神经网络的层次结构为9个人工神经元细胞的输入层、10个人工神经细胞的隐含层和一个人工神经元细胞输出层；
(2)遗传算法优化
通过BP神经网络拟合得到3D多核芯片嵌入式液冷通道的工况-流量分配-温度的神经网络模型后，给定芯片的确定工况，得到流量分配-温度的映射关系；通过将相应芯片工况的流量分配-温度的映射关系带入遗传算法中，得到工况下入口流量的最优分配；入口流量的二进制编码位数为6位，最大遗传代数为500，代沟取0.8，交叉概率0.7，奇数个体与相邻位置的子代进行交叉。
7.一种应用如权利要求1～6任意一项所述的3D芯片嵌入式液冷通道流量的智能化分配方法的3D芯片嵌入式液冷通道流量的智能化分配系统，其特征在于，所述3D芯片嵌入式液冷通道流量的智能化分配系统包括：
BP神经网络构建模块，用于构建针对芯片的工况-流量分配-温度的BP神经网络，并通过数值计算获得训练神经网络的样本点集；
神经网络训练模块，用于利用通过数值计算得到的样本点集对神经网络进行训练，得到3D多核芯片的工况-流量分配-温度的神经网络模型；
流量分配模块，用于给定芯片运行工况，采用遗传算法优化得到适应功率动态变化的最佳流量适时分配策略，实现对应工况下的芯片运行温度最小化。
8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的3D芯片嵌入式液冷通道流量的智能化分配方法。
9.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1～6任意一项所述的3D芯片嵌入式液冷通道流量的智能化分配方法。
10.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现如权利要求7所述的3D芯片嵌入式液冷通道流量的智能化分配系统。
CN202210630911.7A 2022-06-06 2022-06-06 3d芯片嵌入式液冷通道流量的智能化分配方法及系统 Active CN115048861B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210630911.7A CN115048861B (zh) 2022-06-06 2022-06-06 3d芯片嵌入式液冷通道流量的智能化分配方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210630911.7A CN115048861B (zh) 2022-06-06 2022-06-06 3d芯片嵌入式液冷通道流量的智能化分配方法及系统

Publications (2)

Publication Number Publication Date
CN115048861A true CN115048861A (zh) 2022-09-13
CN115048861B CN115048861B (zh) 2023-06-20

Family

ID=83159479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210630911.7A Active CN115048861B (zh) 2022-06-06 2022-06-06 3d芯片嵌入式液冷通道流量的智能化分配方法及系统

Country Status (1)

Country Link
CN (1) CN115048861B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115575156A (zh) * 2022-12-09 2023-01-06 中国核动力研究设计院 一种研究微通道换热器流量分配特性的实验装置
CN117193424A (zh) * 2023-10-18 2023-12-08 中诚华隆计算机技术有限公司 一种3d芯片内混合冷却控制方法和系统
CN117709168A (zh) * 2024-02-02 2024-03-15 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 一种强制风冷散热系统的优化设计方法及其装置
CN118296970A (zh) * 2024-06-04 2024-07-05 中国人民解放军海军工程大学 一种电子芯片嵌入式液冷热沉的腔体结构优化方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200348993A1 (en) * 2019-04-30 2020-11-05 Hewlett Packard Enterprise Development Lp Machine-learning based optimization of data center designs and risks
CN112949165A (zh) * 2021-01-28 2021-06-11 哈尔滨工程大学 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法
CN113760660A (zh) * 2021-09-07 2021-12-07 南京大学 一种基于长短时记忆神经网络的三维多核芯片温度预测方法及系统
CN114034350A (zh) * 2021-10-22 2022-02-11 湖南大学 一种换热器流量分配的监测方法、系统及存储介质

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200348993A1 (en) * 2019-04-30 2020-11-05 Hewlett Packard Enterprise Development Lp Machine-learning based optimization of data center designs and risks
CN112949165A (zh) * 2021-01-28 2021-06-11 哈尔滨工程大学 一种基于神经网络模型与nsga-ii遗传算法的射流泵多目标优化方法
CN113760660A (zh) * 2021-09-07 2021-12-07 南京大学 一种基于长短时记忆神经网络的三维多核芯片温度预测方法及系统
CN114034350A (zh) * 2021-10-22 2022-02-11 湖南大学 一种换热器流量分配的监测方法、系统及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
CHEN HR, HAN Y, TANG GY, ET AL: "Water balance optimization in hybrid microfluidic cooler embedded in Silicon interposer for data center application" *
SWAPNIL S AND ANKUR J: "A Review of Recent Research on Heat Transfer in Three-Dimensional Integrated Circuits(3-D ICs)" *
XIA GD, MA DD, WANG W, ET AL: "Effects of different structures and allocations on fluid flow and heat transfer performance in 3D-IC integrated micro-channel interlayer cooling" *
赵密城: "微通道冷凝器流量分配与强化传热研究" *
闫红雨: "基于遗传算法的仿生微流道热沉多目标优化及热-流协同特性研究" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115575156A (zh) * 2022-12-09 2023-01-06 中国核动力研究设计院 一种研究微通道换热器流量分配特性的实验装置
CN115575156B (zh) * 2022-12-09 2023-03-10 中国核动力研究设计院 一种研究微通道换热器流量分配特性的实验装置
CN117193424A (zh) * 2023-10-18 2023-12-08 中诚华隆计算机技术有限公司 一种3d芯片内混合冷却控制方法和系统
CN117193424B (zh) * 2023-10-18 2024-04-12 中诚华隆计算机技术有限公司 一种3d芯片内混合冷却控制方法和系统
CN117709168A (zh) * 2024-02-02 2024-03-15 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 一种强制风冷散热系统的优化设计方法及其装置
CN117709168B (zh) * 2024-02-02 2024-04-30 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) 一种强制风冷散热系统的优化设计方法及其装置
CN118296970A (zh) * 2024-06-04 2024-07-05 中国人民解放军海军工程大学 一种电子芯片嵌入式液冷热沉的腔体结构优化方法及系统

Also Published As

Publication number Publication date
CN115048861B (zh) 2023-06-20

Similar Documents

Publication Publication Date Title
CN115048861A (zh) 3d芯片嵌入式液冷通道流量的智能化分配方法及系统
Coskun et al. Energy-efficient variable-flow liquid cooling in 3D stacked architectures
Bahiraei et al. Optimizing energy efficiency of a specific liquid block operated with nanofluids for utilization in electronics cooling: a decision-making based approach
Hasan et al. Influence of channel geometry on the performance of a counter flow microchannel heat exchanger
Fan et al. Multi-objective optimization design of lithium-ion battery liquid cooling plate with double-layered dendritic channels
Zhu et al. Multi-objective optimization of a liquid cooled battery module with collaborative heat dissipation in both axial and radial directions
Yan et al. Influence of hydrogels embedding positions on automatic adaptive cooling of hot spot in fractal microchannel heat sink
Qian et al. Cyber-physical thermal management of 3D multi-core cache-processor system with microfluidic cooling
CN112367809B (zh) 基于深度学习的定向高效散热装置及安装监控方法
Olakoyejo et al. Mathematical optimisation of laminar forced convection heat transfer through a vascularised solid with square channels
CN116595884B (zh) 微型核反应堆系统超实时计算实现方法
Zhang et al. Weight and performance optimization of rectangular staggered fins heat exchangers for miniaturized hydraulic power units using genetic algorithm
Huang et al. A manifold design problem for a plate-fin microdevice to maximize the flow uniformity of system
Sabry et al. Thermal balancing of liquid-cooled 3d-mpsocs using channel modulation
Niknam et al. 3d-ttp: Efficient transient temperature-aware power budgeting for 3d-stacked processor-memory systems
Zhan et al. Topology optimization of liquid cooling plate for lithium battery heat dissipation based on a bionic leaf-vein structure
Qu et al. Real-time optimization of the liquid-cooled data center based on cold plates under different ambient temperatures and thermal loads
Padalkar et al. Computational investigation for reduction in auxiliary energy consumption with different cell spacing in battery pack
Li et al. Multi-objective parameter optimization design of tapered-type manifold/variable cross-section microchannel heat sink
Lee et al. Optimization study on the uniform temperature of an additively manufactured cooler for a semiconductor heating device
Ge et al. Optimal arrangement design of a tube bundle in cross-flow using computational fluid dynamics and multi-objective genetic algorithm
Zongyi et al. Optimization of a microchannel heat sink with surrogate model and genetic algorithm
Ayoobi et al. Optimization of temperature distribution and heat flux functions for cylindrical and conical micro-fins by applying genetic algorithm
Zheng et al. Dynamic flow optimization for a three-loop fluid heat dissipation system in spacecraft
Hu et al. Design and optimization of air-cooled heat dissipation structure of an on-board supercapacitor box

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