CN116975790B - 复合线路板导热系数预测方法及相关设备 - Google Patents
复合线路板导热系数预测方法及相关设备 Download PDFInfo
- Publication number
- CN116975790B CN116975790B CN202311229627.XA CN202311229627A CN116975790B CN 116975790 B CN116975790 B CN 116975790B CN 202311229627 A CN202311229627 A CN 202311229627A CN 116975790 B CN116975790 B CN 116975790B
- Authority
- CN
- China
- Prior art keywords
- thermal
- circuit board
- composite circuit
- feature
- minimum
- 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
- 239000002131 composite material Substances 0.000 title claims abstract description 156
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000000463 material Substances 0.000 claims abstract description 274
- 238000004088 simulation Methods 0.000 claims abstract description 138
- 238000009826 distribution Methods 0.000 claims abstract description 105
- 239000002356 single layer Substances 0.000 claims description 61
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000000605 extraction Methods 0.000 claims description 43
- 230000004927 fusion Effects 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007499 fusion processing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 4
- 239000000523 sample Substances 0.000 description 25
- 239000010410 layer Substances 0.000 description 19
- 238000004364 calculation method Methods 0.000 description 8
- 239000000758 substrate Substances 0.000 description 6
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 239000004411 aluminium Substances 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000012811 non-conductive material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/26—Composites
-
- 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)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
Abstract
本发明实施例提供一种复合线路板导热系数预测方法，包括：获取复合线路板的层级通路结构以及材料分布参数；基于层级通路结构以及材料分布参数对复合线路板进行建模处理，得到复合线路板的三维模型；通过对三维模型进行热仿真，得到复合线路板在稳态条件下的热仿真模型；对热仿真模型进行网格拆解处理，得到拆解后的热仿真模型；对各个热单元的仿真热参数进行预测处理，得到复合线路板的导热系数。本发明考虑了复合线路板的层级通路结构和材料分布参数，使得热单元可以表示对应层级通路结构和材料分布参数下的局部仿真热参数，通过预测处理可以提取各个热单元之间在结构关系和材料分布关系，进而提高复合线路板导热系数预测的准确性。
Description
技术领域
本发明涉及车载导航领域，尤其涉及一种复合线路板导热系数预测方法及相关设备。
背景技术
线路板的导热系数一般是和线路板的材料有关，不同的材料具有不同的导热系数，线路板的导热系数决定线路板的导热能力，将线路板元件产生的热量传导至铝散热板上，通过铝散热板将线路板元件产生的热量传导至外界，避免线路板烧坏，而现有线路板的导热系数测量通过是测温设备进行测量和计算得到，但测温设备只能测量线路板局部的温度，对结构复杂的复合线路板来说，不同的局部温度差异较大，无法体现复合线路板整体的导热系数，因此，现有线路板的导热系数测量存在准确度不高的问题。
发明内容
本发明实施例提供一种复合线路板导热系数预测方法，旨在解决现有线路板的导热系数测量存在准确度不高的问题。通过在复合线路板的层级通路结构和材料分布参数来进行建模处理，得到复合线路板的三维模型，利用三维模型进行热仿真，得到热仿真模型，将热仿真模型拆解得到多个热单元，利用热单元预测得到复合线路板的导热系数，考虑了复合线路板的层级通路结构和材料分布参数，使得热单元可以表示对应层级通路结构和材料分布参数下的局部仿真热参数，通过预测处理可以提取各个热单元之间在结构关系和材料分布关系，进而提高复合线路板导热系数预测的准确性。
第一方面，本发明实施例提供一种复合线路板导热系数预测方法，所述方法包括：
获取复合线路板的层级通路结构以及材料分布参数，所述层级通路结构包括至少两个单层线路板之间的通路结构以及各个单层线路板的材料分布参数；
基于所述层级通路结构以及所述材料分布参数对所述复合线路板进行建模处理，得到所述复合线路板的三维模型，所述三维模型包括所述层级通路结构以及所述材料分布参数；
通过对所述三维模型进行热仿真，得到所述复合线路板在稳态条件下的热仿真模型，所述热仿真模型包括所述层级通路结构、所述材料分布参数以及第一仿真热参数；
对所述热仿真模型进行网格拆解处理，得到拆解后的热仿真模型，所述拆解后的热仿真模型包括多个热单元，所述热单元包括第二仿真热参数；
对各个所述热单元的所述仿真热参数进行预测处理，得到所述复合线路板的导热系数。
可选的，所述对所述热仿真模型进行网格拆解处理，得到所述热仿真模型的热单元，包括：
根据所述层级通路结构以及所述材料分布参数确定最小拆解单元；
根据所述最小拆解单元对所述热仿真模型进行网格拆解处理，得到所述热仿真模型的热单元。
可选的，所述根据所述层级通路结构以及所述材料分布参数确定最小拆解单元，包括：
根据所述层级通路结构确定各个所述单层线路板的局部最小厚度，以及根据所述材料分布参数确定各个所述单层线路板的最小材料面积；
基于各个所述单层线路板的局部最小厚度以及各个所述单层线路板的最小材料面积，确定最小拆解单元。
可选的，所述材料分布参数为材料轮廓图，所述材料轮廓图中包括不同类型材料的轮廓，所述根据所述材料分布参数确定各个所述单层线路板的最小材料面积，包括：
在所述单层线路板的材料轮廓图中确定出各个类型材料的轮廓；
对各个类型材料的轮廓进行规整化处理，得到各个类型材料的规整化轮廓；
计算各个类型材料的规整化轮廓的规整化面积；
计算各个类型材料的规整化面积的最小公约面积，基于所述最小公约面积，确定各个所述单层线路板的最小材料面积。
可选的，所述对各个所述热单元的所述仿真热参数进行预测处理，得到所述复合线路板的导热系数，包括：
根据各个所述热单元的邻接关系，确定各个所述热单元的邻接矩阵，所述邻接矩阵中每个矩阵单元对应一个所述热单元的仿真热参数和材料系数，所述材料系数根据所述热单元的材料占比进行确定；
对所述邻接矩阵进行预测处理，得到所述复合线路板的导热系数。
可选的，所述根据各个所述热单元的邻接关系，确定各个所述热单元的邻接矩阵，包括：
确定各个类型材料的导热系数值；
确定所述热单元中的各个类型材料的材料占比；
基于各个类型材料的导热系数值以及各个类型材料的材料占比，确定各个所述热单元的材料系数。
可选的，所述对所述邻接矩阵进行预测处理，得到所述复合线路板的导热系数，包括：
将所述邻接矩阵在三个方向维度分别输入到预测模型的第一特征提取网络、第二特征提取网络以及第三特征提取网络中进行特征提取处理，分别得到第一特征、第二特征以及第三特征；
通过预测模型的特征融合网络对所述第一特征、所述第二特征以及所述第三特征进行特征融合处理，得到融合特征；
通过预测模型的线性回归网络对所述融合特征进行回归处理，输出得到所述复合线路板的导热系数。
第二方面，本发明实施例还提供了一种复合线路板导热系数预测装置，所述复合线路板导热系数预测装置包括：
获取模块，用于获取复合线路板的层级通路结构以及材料分布参数，所述层级通路结构包括至少两个单层线路板之间的通路结构以及各个单层线路板的材料分布参数；
建模模块，用于基于所述层级通路结构以及所述材料分布参数对所述复合线路板进行建模处理，得到所述复合线路板的三维模型，所述三维模型包括所述层级通路结构以及所述材料分布参数；
热仿真模块，用于通过对所述三维模型进行热仿真，得到所述复合线路板在稳态条件下的热仿真模型，所述热仿真模型包括所述层级通路结构、所述材料分布参数以及第一仿真热参数；
模型拆解模块，用于对所述热仿真模型进行网格拆解处理，得到拆解后的热仿真模型，所述拆解后的热仿真模型包括多个热单元，所述热单元包括第二仿真热参数；
预测模块，用于对各个所述热单元的所述仿真热参数进行预测处理，得到所述复合线路板的导热系数。
第三方面，本发明实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本发明实施例提供的复合线路板导热系数预测方法中的步骤。
第四方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现发明实施例提供的复合线路板导热系数预测方法中的步骤。
本发明实施例中，获取复合线路板的层级通路结构以及材料分布参数，层级通路结构包括至少两个单层线路板之间的通路结构以及各个单层线路板的材料分布参数；基于层级通路结构以及材料分布参数对复合线路板进行建模处理，得到复合线路板的三维模型，三维模型包括层级通路结构以及材料分布参数；通过对三维模型进行热仿真，得到复合线路板在稳态条件下的热仿真模型，热仿真模型包括层级通路结构、材料分布参数以及第一仿真热参数；对热仿真模型进行网格拆解处理，得到拆解后的热仿真模型，拆解后的热仿真模型包括多个热单元，热单元包括第二仿真热参数；对各个热单元的仿真热参数进行预测处理，得到复合线路板的导热系数。通过在复合线路板的层级通路结构和材料分布参数来进行建模处理，得到复合线路板的三维模型，利用三维模型进行热仿真，得到热仿真模型，将热仿真模型拆解得到多个热单元，利用热单元预测得到复合线路板的导热系数，考虑了复合线路板的层级通路结构和材料分布参数，使得热单元可以表示对应层级通路结构和材料分布参数下的局部仿真热参数，通过预测处理可以提取各个热单元之间在结构关系和材料分布关系，进而提高复合线路板导热系数预测的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中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一种复合线路板导热系数预测方法的流程图；
图2是本发明实施例提供的一种热仿真模型的示意图；
图3是本发明实施例提供的一种热单元的邻接矩阵示意图；
图4是本发明实施例提供的一种预测模型结构示意图；
图5是本发明实施例中提供的一种复合线路板导热系数预测装置的结构示意图；
图6是本发明实施例提供的一种电子设备的结构示意图。
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是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
如图1所示，图1是本发明实施例提供的一种复合线路板导热系数预测方法的方法流程图。该复合线路板导热系数预测方法包括步骤：
101、获取复合线路板的层级通路结构以及材料分布参数。
在本发明实施例中，上述复合线路板可以理解为多个单层线路板叠加成的复杂线路板，也可以称为多层线路板或多层PCB板。上述层级通路结构可以理解为不同单层线路板之间导电层的通路结构，上述材料分布参数主要包括导电层材料分布、基板层材料分布、元件材料分布等材料分布参数，上述层级通路结构包括至少两个单层线路板之间的通路结构以及各个单层线路板的材料分布参数。
上述复合线路板设计时，可以保存不同单层线路板之间导电层的通路结构和材料分布参数，在需要进行该复合线路板导热系数从预测时，可以读取出上述复合线路板的层级通路结构和材料分布参数。
102、基于层级通路结构以及材料分布参数对复合线路板进行建模处理，得到复合线路板的三维模型。
在本发明实施例中，可以通过现有的三维软件对上述复合线路板进行建模处理，通过输入上述复合线路板的层级通路结构以及材料分布参数，生成复合线路板对应的三维模型，生成后的三维模型可以包括上述层级通路结构以及材料分布参数。上述三维软件可以是Altium Designer、AutoCAD、CATIA、UG、以及solidworks等软件。
103、通过对三维模型进行热仿真，得到复合线路板的热仿真模型。
在本发明实施例中，可以通过热仿真软件对上述三维模型进行热仿真处理，得到复合线路板的热仿真模型。具体可以将三维模型的模型文件导入到热仿真软件中，通过调节仿真参数来使得热仿真软件输出对应的热仿真模型。热仿真软件可以是Flotherm、PADS、Cadence allegro等软件，在稳态条件下得到复合线路板的热仿真模型。
上述热仿真模型包括层级通路结构、材料分布参数以及第一仿真热参数。上述热仿真模型的层级通路结构与上述复合线路板的层级通路结构相同，上述热仿真模型的材料分布参数与上述复合线路板的材料分布参数相同。上述热仿真模型的第一仿真热参数可以理解为稳态条件下热仿真模型在表面温度分布和内部温度分布。上述热仿真如图2所示，图2是本发明实施例提供的一种热仿真模型的示意图，在图2中，最右侧为稳态条件下的热仿真模型，从左到右热仿真模型的温度依次升高。
104、对热仿真模型进行网格拆解处理，得到拆解后的热仿真模型。
在本发明实施例中，可以通过最小拆解单元对热仿真模型进行网格拆解处理，将热仿真模型拆解为多个热单元，每个热单元的大小与最小拆解单元的大小相同。
拆解后的热仿真模型包括多个热单元，热单元包括第二仿真热参数；上述第二仿真热参数可以理解为热单元的平均温度。
105、对各个热单元的仿真热参数进行预测处理，得到复合线路板的导热系数。
在本发明实施例中，在得到各个热单元的仿真热参数后，可以将各个热单元进行排序或组合，将排序或组合后的各个热单元的仿真热参数进行预测处理，得到复合线路板的导热系数。上述预测处理可以是基于预测模型的预测处理，也可以是基于模板的预测处理。
上述预测模型可以是基于卷积神经网络模型的预测模型，预测模型学习提取各个热单元的仿真热参数与复合线路板整体导热关系之间的隐含关系，通过学习这种隐含关系，从而通过捕捉各个热单元的仿真热参数与复合线路板整体导热关系之间的隐含关系来预测得到复合线路板在稳态条件下的导热系数。
上述模板为具有确定导热系数的仿真热参数排序或组合，具体的，可以将具有确定导热系数的样本复合线路板通过上述步骤101至步骤104进行处理，并将样本复合线路板对应的各个热单元的仿真热参数进行排序或组合，得到稳态条件下样本复合线路板中各个热单元的仿真热参数排序或组合作为模板，将复合线路板对应的各个热单元的仿真热参数进行排序或组合与模板进行比对，得到比对结果，将比对结果最接近的模板所对应的导热系数确定为复合线路板在稳态条件下的导热系数。
在一种可能的实施例中，上述比对结果可以是相似度，当相似度小于预设相似度时，说明模板中没有与复合线路板相接近的模板，因此，可以再通过预测模型来预测得到复合线路板在稳态条件下的导热系数。
本发明实施例中，获取复合线路板的层级通路结构以及材料分布参数，所述层级通路结构包括至少两个单层线路板之间的通路结构以及各个单层线路板的材料分布参数；基于所述层级通路结构以及所述材料分布参数对所述复合线路板进行建模处理，得到所述复合线路板的三维模型，所述三维模型包括所述层级通路结构以及所述材料分布参数；通过对所述三维模型进行热仿真，得到所述复合线路板的热仿真模型，所述热仿真模型包括所述层级通路结构、所述材料分布参数以及第一仿真热参数；对所述热仿真模型进行网格拆解处理，得到拆解后的热仿真模型，所述拆解后的热仿真模型包括多个热单元，所述热单元包括第二仿真热参数；对各个所述热单元的所述仿真热参数进行预测处理，得到所述复合线路板的导热系数。通过在复合线路板的层级通路结构和材料分布参数来进行建模处理，得到复合线路板的三维模型，利用三维模型进行热仿真，得到热仿真模型，将热仿真模型拆解得到多个热单元，利用热单元预测得到复合线路板的导热系数，考虑了复合线路板的层级通路结构和材料分布参数，使得热单元可以表示对应层级通路结构和材料分布参数下的局部仿真热参数，通过预测处理可以提取各个热单元之间在结构关系和材料分布关系，进而提高复合线路板导热系数预测的准确性。
可选的，在对热仿真模型进行网格拆解处理，得到热仿真模型的热单元的步骤中，可以根据层级通路结构以及材料分布参数确定最小拆解单元；根据最小拆解单元对热仿真模型进行网格拆解处理，得到热仿真模型的热单元。
在本发明实施例中，在得到稳态条件下的热仿真模型后，可以先确定出最小拆解单元，利用最小拆解单元对热仿真模型进行拆解，得到热仿真模型的热单元，上述热单元可以组合构成上述热仿真模型。上述最小拆解单元可以是根据层级通路结构以及材料分布参数确定出来最小网格单元，通过最小网格单元对上述热仿真模型者拆解处理，得到大小相同的网格单元作为热仿真模型的热单元。
将热仿真模型进行网格拆解处理，得到多个热单元，这样，可以使得复合线性板整体的导热系数计算被拆分成离散热单元之间的导热能力分布计算，可以利用不同热单元在空间和导热能力之间的关联关系，来预测出复合线路板在稳态条件下的导热系数。
可选的，在根据层级通路结构以及材料分布参数确定最小拆解单元的步骤中，可以根据层级通路结构确定各个单层线路板的局部最小厚度，以及根据材料分布参数确定各个单层线路板的最小材料面积；基于各个单层线路板的局部最小厚度以及各个单层线路板的最小材料面积，确定最小拆解单元。
在本发明实施例中，在得到复合线路板的层级通路结构后，可以查找出各个单层线路板的局部最小厚度，上述局部最小厚度不包括通孔厚度（通孔厚度为0），上述局部最小厚度可以理解为单层线路板上厚度最小位置对应的厚度。
上述材料分布可以包括导电层材料分布、基板层材料分布、元件材料分布等材料分布参数，导电层材料一般金属导电材料为主，上述基板层一般以非导电材料为主、上述元件材料指的是制成该元件所用到的主要材料。具体的，可以将最小元件的面积作为最小材料面积，也可以查找出基板层和导电层最窄部分的宽度，将最窄部分的宽度作为最小材料面积的长和宽，得到最小材料面积。
可以将局部最小厚度确定为最小拆解单元的高度，将最小材料面积确定为最小拆解单元的底面积。具体的，在得到各个单层线路板的局部最小厚度后，可以在局部最小厚度中选择最小的局部最小厚度作为最小拆解单元的高度。在得到各个单层线路板的最小材料面积后，可以在最小材料面积中选择最小的最小材料面积作为最小拆解单元的底面积。根据最小拆解单元的高度和最小拆解单元的底面积确定出最小拆解单元。
可选的，材料分布参数为材料轮廓图，材料轮廓图中包括不同类型材料的轮廓，在根据材料分布参数确定各个单层线路板的最小材料面积的步骤中，可以在单层线路板的材料轮廓图中确定出各个类型材料的轮廓；对各个类型材料的轮廓进行规整化处理，得到各个类型材料的规整化轮廓；计算各个类型材料的规整化轮廓的规整化面积；计算各个类型材料的规整化面积的最小公约面积，基于最小公约面积，确定各个单层线路板的最小材料面积。
在本发明实施例中，上述材料轮廓图中，可以通过不同颜色标注不同类型材料的轮廓，或者可以通过掩码方式来标注不同类型材料的轮廓。在得到材料轮廓图后，可以在材料轮廓图中确定出各个类型材料的轮廓，比如确定基板层材料的轮廓、导电层材料的轮廓以及元件材料的轮廓。
上述规整化指的是将不规则区域转换成矩形区域或正方形区域，优选的，上述规整化为将不规则区域转换成正方形区域。在基板层材料的轮廓中确定出最窄部分的宽度，以该最窄部分的宽度作为最小材料面积的长和宽，得到最窄部分的第一正方形。在导电层材料的轮廓中最窄部分的宽度，以该最窄部分的宽度作为最小材料面积的长和宽，得到最窄部分的第二正方形。在元件材料中确定出最小元件的轮廓，将最小元件的轮廓按最小面积方向扩展为正方形，得到最小元件的第三正方形，取第一正方形、第二正方形以及第三正方形中最小公约面积为最应单层线路板的最小材料面积。
可选的，在对各个所述热单元的仿真热参数进行预测处理，得到复合线路板的导热系数的步骤中，可以根据各个热单元的邻接关系，确定各个热单元的邻接矩阵，邻接矩阵中每个矩阵单元对应一个热单元的仿真热参数和材料系数，材料系数根据热单元的材料占比进行确定；对邻接矩阵进行预测处理，得到复合线路板的导热系数。
在本发明实施例中，上述热单元的邻接关系包括上、下、左、右、前、后六个方向的相邻关系，可以将各个热单元的仿真热参数和材料系数按邻接关系来构建邻接矩阵，上述邻接矩阵可以表示为L×H×W，其中，L表示邻接矩阵一行有L个热单元，H表示邻接矩阵一列有H个热单元，W表示邻接矩阵一个管道有W热单元，如图3所示，图3是本发明实施例提供的一种热单元的邻接矩阵示意图，在图3中，L可以表示复合线路板在长度上的热单元数量，H可以表示复合线路板在高度上的热单元数量，W表示复合线路板在宽度上的热单元数量。上述邻接矩阵包含了各个热单元的值σi,j，热单元的值包括仿真热参数和材料系数σi,j=（ui,j，vi,j），ui,j表示第i行第j列个矩阵单元对应热单元的温度值，vi,j表示第i行第j列个矩阵单元对应热单元的材料系数。
上述热单元的温度值表示稳态条件下该热单元的温度情况，上述材料系数表示该热单元中各材料对于导热的贡献值，一般来说，材料的导热系数只与材料本身性质相关，但是由于复合线路板中层级通路结构较为复杂，材料分布也相应复杂，无法通过单一材料的导热系数来确定复合线路板的导热系数。由于上述热单元是根据最小拆解单元进行拆解得到，使得热单元中包含的材料类型较少，甚至不包含任何材料（复合线路板内部空心部分对应的热单元），因此，可以使得复合线性板整体的导热系数计算被拆分成离散热单元之间的导热能力分布计算，降低结构复杂度和材料耦合度，可以利用不同热单元在空间和导热能力之间的关联关系来弥补结构复杂度和材料耦合度，进而提高复合线路板在稳态条件下的导热系数预测准确性。
可选的，在根据各个热单元的邻接关系，确定各个热单元的邻接矩阵的步骤中，可以确定各个类型材料的导热系数值；确定热单元中的各个类型材料的材料占比；基于各个类型材料的导热系数值以及各个类型材料的材料占比，确定各个热单元的材料系数。
在本发明实施例中，不同类型材料的导热系数值由材料本身性质决定，对于一个热单元，可以根据材料分布参数查找出该热单元包含的材料类型和材料体积，该热单元包含的材料类型和材料体积，计算出该热单元中不同类型材料的材料占比，上述导热系数值为各类型材料的导热系数值与对应材料占比的加权和，加权计算中的权重为材料占比。可以理解的是，热单元中导热系数值越大的材料占比越大，则该热单元的导热系数值越大，反之，热单元中导热系数值越小的材料占比越大，则该热单元的导热系数值越小。
可选的，在对邻接矩阵进行预测处理，得到复合线路板的导热系数的步骤中，可以将邻接矩阵在三个方向维度分别输入到预测模型的第一特征提取网络、第二特征提取网络以及第三特征提取网络中进行特征提取处理，分别得到第一特征、第二特征以及第三特征；通过预测模型的特征融合网络对第一特征、第二特征以及第三特征进行特征融合处理，得到融合特征；通过预测模型的线性回归网络对融合特征进行回归处理，输出得到复合线路板的导热系数。
在本发明实施例中，可以将邻接矩阵的前左下角确定为原点，以该原点进行坐标系构建，得到邻接矩阵的坐标系，在该坐标系下，邻接矩阵包括x、y、z三个方向维度，其中，x方向维度对应复合线路板的长度，y方向维度对应复合线路板的宽度，z方向维度对应复合线路板的厚度。
请参考图4，图4是本发明实施例提供的一种预测模型结构示意图，如图4所示，上述预测模型可以是基于卷积神经网络的序列模型，具体可以是RNN特征神经网络、LSTM长短时记忆网络等模型，上述预测模型包括第一特征提取网络、第二特征提取网络、第三特征提取网络、特征融合网络以及线性回归网络。上述三个方向维度分别是L方向维度、W方向维度以及H方向维度，当以L方向维度进行输入时，相当于将H×W视为一帧图像，将L帧图像依次输入到第一特征提取网络中进行特征提取处理，得到第一特征；当以W方向维度进行输入时，相当于将H×L视为一帧图像，将W帧图像依次输入到第二特征提取网络中进行特征提取处理，得到第二特征；当以H方向维度进行输入时，相当于将W×L视为一帧图像，将W帧图像依次输入到第三特征提取网络中进行特征提取处理，得到第三特征。上述第一特征包括各个热单元在L方向维度上的空间依赖，上述第二特征包括各个热单元在W方向维度上的空间依赖，上述第三特征包括各个热单元在H方向维度上的空间依赖。
上述特征融合网络可以是将第一特征、第二特征、以及第三特征进行叠加融合，得到融合特征。上述融合特征融合了不同方向上热单元的温度特征、材料特征，利用不同方向上的空间依赖来对复合线路板的复杂结构以及材料进行解构，从而提高复合线路板在稳态条件下的导热系数预测准确性。
进一步的，在对邻接矩阵进行预测处理，得到复合线路板的导热系数的步骤之前，还可以获取一定数量样本复合线路板的样本层级通路结构以及样本材料分布参数，通过本发明实施例中步骤101至步骤104及其具体步骤的处理，得到样本复合线路板的样本邻接矩阵，样本复合线路板的导热系数为已知的，并标注为对应样本邻接矩阵的导热系数标签，得到训练数据集，训练数据集中包括样本邻接矩阵以及样本邻接矩阵对应的导热系数标签，一个样本邻接矩阵对应一个导热系数标签。构建待训练模型，待训练模型包括待训练第一特征提取网络、待训练第二特征提取网络、待训练第三特征提取网络、待训练融合网络以及待训练线性回归网络。
将样本邻接矩阵在三个方向维度分别输入到待训练预测模型中的待训练第一特征提取网络、待训练第二特征提取网络以及待训练第三特征提取网络中进行特征提取处理，分别得到第一样本特征、第二样本特征以及第三样本特征；通过预测模型的特征融合网络对第一样本特征、第二样本特征以及第三样本特征进行特征融合处理，得到融合特征；通过预测模型的线性回归网络对融合特征进行回归处理，输出得到样本复合线路板的预测导热系数，将样本复合线路板的预测导热系数与样本复合线路板的导热系数标签进行损失计算，得到样本复合线路板的预测导热系数与样本复合线路板的导热系数标签之间的损失值，以最小化损失值为优化目标，通过反向传播算法对待训练第一特征提取网络、待训练第二特征提取网络、待训练第三特征提取网络、待训练融合网络以及待训练线性回归网络进行参数调整，迭代上述参数调整过程，直到迭代次数达到阈值，停止训练，得到训练好的预测模型。通过对预测模型进行训练，使得预测模型可以学习到邻接矩阵与导热系数之间的隐含关系，进而利用该隐含关系对复合路线板的导热系数进行预测。
本发明可以使得复合线性板整体的导热系数计算被拆分成离散热单元之间的导热能力分布计算，降低结构复杂度和材料耦合度，可以利用不同热单元在空间和导热能力之间的关联关系来弥补结构复杂度和材料耦合度，进而提高复合线路板在稳态条件下的导热系数预测准确性。
如图5所示，本发明实施例提供一种复合线路板导热系数预测装置，该复合线路板导热系数预测装置包括：
获取模块501，用于获取复合线路板的层级通路结构以及材料分布参数，所述层级通路结构包括至少两个单层线路板之间的通路结构以及各个单层线路板的材料分布参数；
建模模块502，用于基于所述层级通路结构以及所述材料分布参数对所述复合线路板进行建模处理，得到所述复合线路板的三维模型，所述三维模型包括所述层级通路结构以及所述材料分布参数；
热仿真模块503，用于通过对所述三维模型进行热仿真，得到所述复合线路板在稳态条件下的热仿真模型，所述热仿真模型包括所述层级通路结构、所述材料分布参数以及第一仿真热参数；
模型拆解模块504，用于对所述热仿真模型进行网格拆解处理，得到拆解后的热仿真模型，所述拆解后的热仿真模型包括多个热单元，所述热单元包括第二仿真热参数；
预测模块505，用于对各个所述热单元的所述仿真热参数进行预测处理，得到所述复合线路板的导热系数。
可选的，所述模型拆解模块504还用于根据所述层级通路结构以及所述材料分布参数确定最小拆解单元；根据所述最小拆解单元对所述热仿真模型进行网格拆解处理，得到所述热仿真模型的热单元。
可选的，所述模型拆解模块504还用于根据所述层级通路结构确定各个所述单层线路板的局部最小厚度，以及根据所述材料分布参数确定各个所述单层线路板的最小材料面积；基于各个所述单层线路板的局部最小厚度以及各个所述单层线路板的最小材料面积，确定最小拆解单元。
可选的，所述材料分布参数为材料轮廓图，所述材料轮廓图中包括不同类型材料的轮廓，所述模型拆解模块504还用于在所述单层线路板的材料轮廓图中确定出各个类型材料的轮廓；对各个类型材料的轮廓进行规整化处理，得到各个类型材料的规整化轮廓；计算各个类型材料的规整化轮廓的规整化面积；计算各个类型材料的规整化面积的最小公约面积，基于所述最小公约面积，确定各个所述单层线路板的最小材料面积。
可选的，所述预测模块505还用于根据各个所述热单元的邻接关系，确定各个所述热单元的邻接矩阵，所述邻接矩阵中每个矩阵单元对应一个所述热单元的仿真热参数和材料系数，所述材料系数根据所述热单元的材料占比进行确定；对所述邻接矩阵进行预测处理，得到所述复合线路板的导热系数。
可选的，所述预测模块505还用于确定各个类型材料的导热系数值；确定所述热单元中的各个类型材料的材料占比；基于各个类型材料的导热系数值以及各个类型材料的材料占比，确定各个所述热单元的材料系数。
可选的，所述预测模块505还用于将所述邻接矩阵在三个方向维度分别输入到预测模型的第一特征提取网络、第二特征提取网络以及第三特征提取网络中进行特征提取处理，分别得到第一特征、第二特征以及第三特征；通过预测模型的特征融合网络对所述第一特征、所述第二特征以及所述第三特征进行特征融合处理，得到融合特征；通过预测模型的线性回归网络对所述融合特征进行回归处理，输出得到所述复合线路板的导热系数。
本发明实施例提供的复合线路板导热系数预测装置能够实现上述方法实施例中复合线路板导热系数预测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
参见图6，图6是本发明实施例提供的一种电子设备的结构示意图，如图6所示，包括：存储器602、处理器601及存储在存储器602上并可在处理器601上运行的复合线路板导热系数预测方法的计算机程序，其中：
处理器601用于调用存储器602存储的计算机程序，执行如下步骤：
获取复合线路板的层级通路结构以及材料分布参数，所述层级通路结构包括至少两个单层线路板之间的通路结构以及各个单层线路板的材料分布参数；
基于所述层级通路结构以及所述材料分布参数对所述复合线路板进行建模处理，得到所述复合线路板的三维模型，所述三维模型包括所述层级通路结构以及所述材料分布参数；
通过对所述三维模型进行热仿真，得到所述复合线路板在稳态条件下的热仿真模型，所述热仿真模型包括所述层级通路结构、所述材料分布参数以及第一仿真热参数；
对所述热仿真模型进行网格拆解处理，得到拆解后的热仿真模型，所述拆解后的热仿真模型包括多个热单元，所述热单元包括第二仿真热参数；
对各个所述热单元的所述仿真热参数进行预测处理，得到所述复合线路板的导热系数。
可选的，处理器601执行的所述对所述热仿真模型进行网格拆解处理，得到所述热仿真模型的热单元，包括：
根据所述层级通路结构以及所述材料分布参数确定最小拆解单元；
根据所述最小拆解单元对所述热仿真模型进行网格拆解处理，得到所述热仿真模型的热单元。
可选的，处理器601执行的所述根据所述层级通路结构以及所述材料分布参数确定最小拆解单元，包括：
根据所述层级通路结构确定各个所述单层线路板的局部最小厚度，以及根据所述材料分布参数确定各个所述单层线路板的最小材料面积；
基于各个所述单层线路板的局部最小厚度以及各个所述单层线路板的最小材料面积，确定最小拆解单元。
可选的，所述材料分布参数为材料轮廓图，所述材料轮廓图中包括不同类型材料的轮廓，处理器601执行的所述根据所述材料分布参数确定各个所述单层线路板的最小材料面积，包括：
在所述单层线路板的材料轮廓图中确定出各个类型材料的轮廓；
对各个类型材料的轮廓进行规整化处理，得到各个类型材料的规整化轮廓；
计算各个类型材料的规整化轮廓的规整化面积；
计算各个类型材料的规整化面积的最小公约面积，基于所述最小公约面积，确定各个所述单层线路板的最小材料面积。
可选的，处理器601执行的所述对各个所述热单元的所述仿真热参数进行预测处理，得到所述复合线路板的导热系数，包括：
根据各个所述热单元的邻接关系，确定各个所述热单元的邻接矩阵，所述邻接矩阵中每个矩阵单元对应一个所述热单元的仿真热参数和材料系数，所述材料系数根据所述热单元的材料占比进行确定；
对所述邻接矩阵进行预测处理，得到所述复合线路板的导热系数。
可选的，处理器601执行的所述根据各个所述热单元的邻接关系，确定各个所述热单元的邻接矩阵，包括：
确定各个类型材料的导热系数值；
确定所述热单元中的各个类型材料的材料占比；
基于各个类型材料的导热系数值以及各个类型材料的材料占比，确定各个所述热单元的材料系数。
可选的，处理器601执行的所述对所述邻接矩阵进行预测处理，得到所述复合线路板的导热系数，包括：
将所述邻接矩阵在三个方向维度分别输入到预测模型的第一特征提取网络、第二特征提取网络以及第三特征提取网络中进行特征提取处理，分别得到第一特征、第二特征以及第三特征；
通过预测模型的特征融合网络对所述第一特征、所述第二特征以及所述第三特征进行特征融合处理，得到融合特征；
通过预测模型的线性回归网络对所述融合特征进行回归处理，输出得到所述复合线路板的导热系数。
本发明实施例提供的电子设备能够实现上述方法实施例中复合线路板导热系数预测方法实现的各个过程，且可以达到相同的有益效果。为避免重复，这里不再赘述。
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的复合线路板导热系数预测方法或应用端复合线路板导热系数预测方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，的存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）或随机存取存储器（Random Access Memory，简称RAM）等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (4)
1.一种复合线路板导热系数预测方法，其特征在于，包括：
获取复合线路板的层级通路结构以及材料分布参数，所述层级通路结构包括至少两个单层线路板之间的通路结构以及各个单层线路板的材料分布参数；
基于所述层级通路结构以及所述材料分布参数对所述复合线路板进行建模处理，得到所述复合线路板的三维模型，所述三维模型包括所述层级通路结构以及所述材料分布参数；
通过对所述三维模型进行热仿真，得到所述复合线路板在稳态条件下的热仿真模型，所述热仿真模型包括所述层级通路结构、所述材料分布参数以及第一仿真热参数；
根据所述层级通路结构确定各个所述单层线路板的局部最小厚度；所述材料分布参数为材料轮廓图，所述材料轮廓图中包括不同类型材料的轮廓，在所述单层线路板的材料轮廓图中确定出各个类型材料的轮廓；对各个类型材料的轮廓进行规整化处理，得到各个类型材料的规整化轮廓；计算各个类型材料的规整化轮廓的规整化面积；计算各个类型材料的规整化面积的最小公约面积，基于所述最小公约面积，确定各个所述单层线路板的最小材料面积；
基于各个所述单层线路板的局部最小厚度以及各个所述单层线路板的最小材料面积，确定最小拆解单元；
根据所述最小拆解单元对所述热仿真模型进行网格拆解处理，得到所述热仿真模型的热单元，拆解后的热仿真模型包括多个热单元，所述热单元包括第二仿真热参数；
根据各个所述热单元的邻接关系，确定各个所述热单元的邻接矩阵，所述邻接矩阵中每个矩阵单元对应一个所述热单元的第二仿真热参数和材料系数，所述材料系数根据所述热单元的材料占比进行确定；
将所述邻接矩阵在三个方向维度分别输入到预测模型的第一特征提取网络、第二特征提取网络以及第三特征提取网络中进行特征提取处理，分别得到第一特征、第二特征以及第三特征；
通过预测模型的特征融合网络对所述第一特征、所述第二特征以及所述第三特征进行特征融合处理，得到融合特征；
通过预测模型的线性回归网络对所述融合特征进行回归处理，输出得到所述复合线路板的导热系数。
2.一种复合线路板导热系数预测装置，其特征在于，所述复合线路板导热系数预测装置包括：
获取模块，用于获取复合线路板的层级通路结构以及材料分布参数，所述层级通路结构包括至少两个单层线路板之间的通路结构以及各个单层线路板的材料分布参数；
建模模块，用于基于所述层级通路结构以及所述材料分布参数对所述复合线路板进行建模处理，得到所述复合线路板的三维模型，所述三维模型包括所述层级通路结构以及所述材料分布参数；
热仿真模块，用于通过对所述三维模型进行热仿真，得到所述复合线路板在稳态条件下的热仿真模型，所述热仿真模型包括所述层级通路结构、所述材料分布参数以及第一仿真热参数；
模型拆解模块，用于根据所述层级通路结构确定各个所述单层线路板的局部最小厚度；所述材料分布参数为材料轮廓图，所述材料轮廓图中包括不同类型材料的轮廓，在所述单层线路板的材料轮廓图中确定出各个类型材料的轮廓；对各个类型材料的轮廓进行规整化处理，得到各个类型材料的规整化轮廓；计算各个类型材料的规整化轮廓的规整化面积；计算各个类型材料的规整化面积的最小公约面积，基于所述最小公约面积，确定各个所述单层线路板的最小材料面积；基于各个所述单层线路板的局部最小厚度以及各个所述单层线路板的最小材料面积，确定最小拆解单元；根据所述最小拆解单元对所述热仿真模型进行网格拆解处理，得到所述热仿真模型的热单元，拆解后的热仿真模型包括多个热单元，所述热单元包括第二仿真热参数；
预测模块，用于根据各个所述热单元的邻接关系，确定各个所述热单元的邻接矩阵，所述邻接矩阵中每个矩阵单元对应一个所述热单元的第二仿真热参数和材料系数，所述材料系数根据所述热单元的材料占比进行确定；将所述邻接矩阵在三个方向维度分别输入到预测模型的第一特征提取网络、第二特征提取网络以及第三特征提取网络中进行特征提取处理，分别得到第一特征、第二特征以及第三特征；通过预测模型的特征融合网络对所述第一特征、所述第二特征以及所述第三特征进行特征融合处理，得到融合特征；通过预测模型的线性回归网络对所述融合特征进行回归处理，输出得到所述复合线路板的导热系数。
3.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1所述的复合线路板导热系数预测方法中的步骤。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1所述的复合线路板导热系数预测方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311229627.XA CN116975790B (zh) | 2023-09-22 | 2023-09-22 | 复合线路板导热系数预测方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311229627.XA CN116975790B (zh) | 2023-09-22 | 2023-09-22 | 复合线路板导热系数预测方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116975790A CN116975790A (zh) | 2023-10-31 |
| CN116975790B true CN116975790B (zh) | 2023-12-22 |
Family
ID=88485333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311229627.XA Active CN116975790B (zh) | 2023-09-22 | 2023-09-22 | 复合线路板导热系数预测方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116975790B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101017146A (zh) * | 2006-02-08 | 2007-08-15 | 周玉成 | 板材导热效能的检测分析方法及其系统 |
| CN101945563A (zh) * | 2010-09-02 | 2011-01-12 | 吉林大学 | 车用电子控制单元散热控制方法 |
| CN104424374A (zh) * | 2013-09-05 | 2015-03-18 | 北汽福田汽车股份有限公司 | 电路板的热仿真模型的标定方法及系统 |
| CN105760624A (zh) * | 2016-03-16 | 2016-07-13 | 北京大学 | 一种支持大规模三维集成电路的热仿真和热设计方法 |
| WO2020110796A1 (ja) * | 2018-11-28 | 2020-06-04 | 株式会社Sumco | 熱伝導率推定方法、熱伝導率推定装置、半導体結晶製品の製造方法、熱伝導率演算装置、熱伝導率演算プログラム、および、熱伝導率演算方法 |
| US10685166B1 (en) * | 2018-06-29 | 2020-06-16 | Cadence Design Systems, Inc. | Methods, systems, and computer program products for implementing an electronic design with physical simulation using layout artwork |
| WO2022041135A1 (zh) * | 2020-08-27 | 2022-03-03 | 中国科学院深圳先进技术研究院 | 宏观热导率计算方法及其计算装置、存储介质 |
| CN115186556A (zh) * | 2022-07-19 | 2022-10-14 | 湖南大学 | 热阻抗模型建模及结温估计方法、计算机设备及存储介质 |
| CN115422882A (zh) * | 2022-09-07 | 2022-12-02 | 山东大学 | 集成电路产品布线区域等效导热系数的批量化计算方法 |
| CN116432571A (zh) * | 2023-04-14 | 2023-07-14 | 山东云海国创云计算装备产业创新中心有限公司 | 一种芯片热仿真方法、系统、设备及介质 |
-
2023
- 2023-09-22 CN CN202311229627.XA patent/CN116975790B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101017146A (zh) * | 2006-02-08 | 2007-08-15 | 周玉成 | 板材导热效能的检测分析方法及其系统 |
| CN101945563A (zh) * | 2010-09-02 | 2011-01-12 | 吉林大学 | 车用电子控制单元散热控制方法 |
| CN104424374A (zh) * | 2013-09-05 | 2015-03-18 | 北汽福田汽车股份有限公司 | 电路板的热仿真模型的标定方法及系统 |
| CN105760624A (zh) * | 2016-03-16 | 2016-07-13 | 北京大学 | 一种支持大规模三维集成电路的热仿真和热设计方法 |
| US10685166B1 (en) * | 2018-06-29 | 2020-06-16 | Cadence Design Systems, Inc. | Methods, systems, and computer program products for implementing an electronic design with physical simulation using layout artwork |
| WO2020110796A1 (ja) * | 2018-11-28 | 2020-06-04 | 株式会社Sumco | 熱伝導率推定方法、熱伝導率推定装置、半導体結晶製品の製造方法、熱伝導率演算装置、熱伝導率演算プログラム、および、熱伝導率演算方法 |
| WO2022041135A1 (zh) * | 2020-08-27 | 2022-03-03 | 中国科学院深圳先进技术研究院 | 宏观热导率计算方法及其计算装置、存储介质 |
| CN115186556A (zh) * | 2022-07-19 | 2022-10-14 | 湖南大学 | 热阻抗模型建模及结温估计方法、计算机设备及存储介质 |
| CN115422882A (zh) * | 2022-09-07 | 2022-12-02 | 山东大学 | 集成电路产品布线区域等效导热系数的批量化计算方法 |
| CN116432571A (zh) * | 2023-04-14 | 2023-07-14 | 山东云海国创云计算装备产业创新中心有限公司 | 一种芯片热仿真方法、系统、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 王永康.《ANSYS Icepak 电子散热基础教程》.国防工业出版社,2015,(第1版),第405-410页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116975790A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109299701B (zh) | 基于gan扩充多人种特征协同选择的人脸年龄估计方法 | |
| Coley et al. | Low-energy design: combining computer-based optimisation and human judgement | |
| CN111931903A (zh) | 一种基于双层图注意力神经网络的网络对齐方法 | |
| CN111489358A (zh) | 一种基于深度学习的三维点云语义分割方法 | |
| CN104239982A (zh) | 一种基于时间序列和神经网络的建筑节假日能耗预测方法 | |
| CN110570034B (zh) | 一种基于多XGBoost模型融合的母线负荷预测方法 | |
| CN107526895B (zh) | 一种古民居群快速建模系统 | |
| CN109359815A (zh) | 基于生成对抗网络的智能电网深度学习训练样本生成方法 | |
| CN115310727B (zh) | 一种基于迁移学习的建筑冷热电负荷预测方法及系统 | |
| CN109376941A (zh) | 基于人工神经网络和bim的建筑能耗模拟和优化方法 | |
| CN111428363A (zh) | 基于支持向量机svm的边坡系统失效概率计算方法 | |
| CN116975790B (zh) | 复合线路板导热系数预测方法及相关设备 | |
| Shi et al. | A hierarchical layout approach for underfloor heating systems in single-family residential buildings | |
| CN113065321A (zh) | 基于lstm模型和超图的用户行为预测方法及系统 | |
| CN117436334A (zh) | 一种油浸式电力变压器温度场的仿真方法及系统 | |
| CN117313552A (zh) | 半导体器件建模方法、系统及电子设备 | |
| CN115062551B (zh) | 一种基于时序神经网络的湿物理过程参数化方法 | |
| CN116150837B (zh) | 基于边特征预测图神经网络的剪力墙设计方法和装置 | |
| Sahin et al. | Approximate and three-dimensional modeling of brightness levels in interior spaces by using artificial neural networks | |
| CN111625995A (zh) | 一种集成遗忘机制和双超限学习机的在线时空建模方法 | |
| CN111325221A (zh) | 基于图像深度信息的图像特征提取方法 | |
| Qiao | Computer-aided design of fine art graphics based on virtual reality technology | |
| Gui et al. | Visual comfort generative design framework based on parametric network in underground space | |
| CN117952020A (zh) | 一种基于物理信息神经网络的多层介质电磁计算方法 | |
| CN117744204B (zh) | 基于图神经网络的梁布置设计方法和装置 |
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 |