颗粒填充型热界面材料级配方案优化方法及装置

技术领域

本发明涉及高分子材料领域，具体而言，涉及一种颗粒填充型热界面材料级配方案优化方法及装置。

背景技术

近年来，随着电子元器件封装集成度的迅速提高，封装结构变得越来越复杂，并逐渐向小型化和高功率化发展，从而导致电子产品产生的热量也随之增加。大量的热量聚集在这些电子元器件中无法有效排除，将严重影响元电子器件的性能和寿命。解决这个问题的一种有效方法就是在发热源和散热器之间填充一层同时具有高导热系数和良好的可压缩性的热界面材料。向聚合物中增加高导热的填料以提高其热导率是当前热界面材料开发与生产中最常见的选择，常见的填料主要为金属、金属氧化物、金属氮化物、无机碳材料或其他高导热粒子，其中Al

当前关于热界面材料的研究主要是利用实验的手段不断调整配比并进行热学性能测试，这显然需要大量的成本和时间消耗。随着计算机技术的提高，材料设计已经逐渐向数据驱动的方向发展，为当前的热界面材料的设计提供了一种新的思路。对于颗粒填充型的热界面材料，经过合理的实验设计并收集实验数据，利用基于机器学习的分析方式建立数据驱动型的材料设计，最终实现用理论模拟指导实验配比，可以减少损耗，降低成本，提高材料设计的成功率，实现研发市场成本和时间均减半的目标。值得注意的是，在数据库的建立过程中，仅仅依靠实验数据的大量累积需要庞大的工作量，显然是不现实的。因此利用计算机技术，通过数值模拟的方法对复合材料的热导率进行模型的建立和均质化分析，并进行高通量的计算进行数据收集，是一个非常优秀的替代方案。

现有的对于导热凝胶配方的开发设计手段主要是基于正交实验的方法，通过不断调配组分并进行热导率测试，寻找能够达到更优导热效果的配方，此种方法需要很高的材料和时间成本，效率低下，并且很难确定实验得到的方案是否为最佳，即是否还有可以优化的空间。

发明内容

本发明实施例提供了一种颗粒填充型热界面材料级配方案优化方法及装置，以至少解决现有方法获取到的热界面材料级配方案存在更多优化空间的技术问题。

根据本发明的一实施例，提供了一种颗粒填充型热界面材料级配方案优化方法，包括以下步骤：

通过数值模拟产生复合材料数据集；

通过监督学习的方式将数值模拟产生的复合材料数据集输入到机器学习模型得到复合材料性质和复合材料参数之间的对应关系；

机器学习模型将复合材料性质和复合材料参数之间的对应关系通过遗传算法计算得到具有最优热导率的配方方案。

进一步地，方法具体包括：

建立一系列具有不同填充密度和颗粒填充配比的随机结构模型；

然后以模型体系内部界面热阻和接触热阻为自变量，以模型结构有效热导率为输出参数利用数值模拟的方法进行高通量计算；

对计算所获得的数据库利用随机森林的算法进行机器学习；

最后利用遗传算法搜索获取到颗粒填充型热界面材料的最佳级配方案。

进一步地，颗粒填充型热界面材料为Al

进一步地，建立一系列具有不同填充密度和颗粒填充配比的随机结构模型包括：

随机结构模型被配置为：由小颗粒的Al

进一步地，小颗粒的直径分别设置为1微米、2微米、3微米；小颗粒和大颗粒的直径比分别为1:2、1:3、1:4、1:5。

进一步地，以模型体系内部界面热阻和接触热阻为自变量，以模型结构有效热导率为输出参数利用数值模拟的方法进行高通量计算包括：

根据已经建好的随机结构模型，利用GeoDict软件中的ConductoDict模块计算体系的有效热导率；进行热导率计算的参数有5个，分别是Al

进一步地，每组热阻的数值在1×10

进一步地，对计算所获得的数据库利用随机森林的算法进行机器学习包括：

将热导率数据集中75％-85％数据作为训练集进行学习，15％-25％数据作为测试集用于效果测试；

利用随机森林算法对数据集进行学习，并利用随机森林算法获得各输入参数的重要性指标。

进一步地，利用遗传算法搜索获取到颗粒填充型热界面材料的最佳级配方案包括：

基于机器学习获得的模型，利用遗传算法逐步迭代，获得最佳的配方和材料参数组合。

本发明的另一实施例，提供了一种颗粒填充型热界面材料级配方案优化装置，包括：

数据集产生单元，用于通过数值模拟产生复合材料数据集；

数据输入及计算单元，用于通过监督学习的方式将数值模拟产生的复合材料数据集输入到机器学习模型得到复合材料性质和复合材料参数之间的对应关系；

配方方案获取单元，用于机器学习模型将复合材料性质和复合材料参数之间的对应关系通过遗传算法计算得到具有最优热导率的配方方案。

一种存储介质，存储介质存储有能够实现上述任意一项颗粒填充型热界面材料级配方案优化方法的程序文件。

一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的颗粒填充型热界面材料级配方案优化方法。

本发明实施例中的颗粒填充型热界面材料级配方案优化方法及装置，将数值模拟和机器学习结合起来实现复合材料性质的快速预测，通过数值模拟产生复合材料数据集，再通过监督学习的方式将数值模拟产生的数据集输入机器学习模型便可以得到复合材料性质和复合材料参数之间的对应关系，进一步通过遗传算法寻找到具有最优热导率的配方，对于聚合物复合材料热学性能的优化具有十分重要的指导意义。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明颗粒填充型热界面材料级配方案优化方法的流程图；

图2为本发明中Al

图3为本发明中随机森林测试集预测结果图；

图4为本发明Al

图5为本发明颗粒填充型热界面材料级配方案优化装置的模块图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

实施例1

根据本发明一实施例，提供了一种颗粒填充型热界面材料级配方案优化方法，参见图1，包括以下步骤：

S101:通过数值模拟产生复合材料数据集；

S102:通过监督学习的方式将数值模拟产生的复合材料数据集输入到机器学习模型得到复合材料性质和复合材料参数之间的对应关系；

S103:机器学习模型将复合材料性质和复合材料参数之间的对应关系通过遗传算法计算得到具有最优热导率的配方方案。

本发明实施例中的颗粒填充型热界面材料级配方案优化方法，将数值模拟和机器学习结合起来实现复合材料性质的快速预测，通过数值模拟产生复合材料数据集，再通过监督学习的方式将数值模拟产生的数据集输入机器学习模型便可以得到复合材料性质和复合材料参数之间的对应关系，进一步通过遗传算法寻找到具有最优热导率的配方，对于聚合物复合材料热学性能的优化具有十分重要的指导意义。

其中，方法具体包括：

建立一系列具有不同填充密度和颗粒填充配比的随机结构模型；

然后以模型体系内部界面热阻和接触热阻为自变量，以模型结构有效热导率为输出参数利用数值模拟的方法进行高通量计算；

对计算所获得的数据库利用随机森林的算法进行机器学习；

最后利用遗传算法搜索获取到颗粒填充型热界面材料的最佳级配方案。

其中，颗粒填充型热界面材料为Al

其中，建立一系列具有不同填充密度和颗粒填充配比的随机结构模型包括：

随机结构模型被配置为：由小颗粒的Al

其中，小颗粒的直径分别设置为1微米、2微米、3微米；小颗粒和大颗粒的直径比分别为1:2、1:3、1:4、1:5。

其中，以模型体系内部界面热阻和接触热阻为自变量，以模型体系内部有效热导率为输出参数利用数值模拟的方法进行高通量计算包括：

根据已经建好的随机结构模型，利用GeoDict软件中的ConductoDict模块计算体系的有效热导率；进行热导率计算的参数有5个，分别是Al

其中，每组热阻的数值在1×10

其中，对计算所获得的数据库利用随机森林的算法进行机器学习包括：

将热导率数据集中75％-85％数据作为训练集进行学习，15％-25％数据作为测试集用于效果测试；

利用随机森林算法对数据集进行学习，并利用随机森林算法获得各输入参数的重要性指标。

其中，利用遗传算法搜索获取到颗粒填充型热界面材料的最佳级配方案包括：

基于机器学习获得的模型，利用遗传算法逐步迭代，获得最佳的配方和材料参数组合。

下面以具体实施例，对本发明的颗粒填充型热界面材料级配方案优化方法进行详细说明：

本发明中，将数值模拟和机器学习结合起来实现复合材料性质的快速预测，通过数值模拟产生复合材料数据集，再通过监督学习的方式将数值模拟产生的数据集输入机器学习模型便可以得到复合材料性质和复合材料参数之间的对应关系，进一步通过遗传算法寻找到具有最优热导率的配方，对于聚合物复合材料热学性能的优化具有十分重要的指导意义。

本发明提出一种结合数值模拟和机器学习的Al

本发明针对Al

本发明选取高导热颗粒作为填料的热界面材料作为研究对象，采用如下手段对其配方进行优化设计：

1.Al

该模型由小颗粒的Al

2.Al

根据已经建好的结构模型，利用GeoDict软件中的ConductoDict模块计算体系的有效热导率。进行热导率计算的参数有5个，分别是Al

3.基于机器学习建立Al

将热导率数据集中80％数据作为训练集进行学习，20％数据作为测试集用于效果测试。利用随机森林算法对数据集进行学习，其中决策树的最大深度设置为17，决策树的棵树为130，预测数据的R2可达到0.968，如图3所示。同时，利用随机森林算法可以获得各输入参数的重要性，如图4，说明尽量提高大颗粒的填充体积分数，同时减小大颗粒之间接触热阻可以提高复合材料的热导率。

4.遗传算法

基于机器学习获得的模型，利用遗传算法逐步迭代，从而获得最佳的配方和材料参数组合。

本发明的关键点和欲保护点至少在于：

1.将高通量计算、机器学习和遗传算法相结合以筛选Al

2.Al

3.随机森林模型中决策树深度和棵树的选取。

与现有技术相比，本发明的优点及有益效果至少在于：

1.本发明首次将高通量计算、决策森林算法和遗传算法相结合对Al

2.利用该方法指导级配方案成本低，效率高，结果可靠性好。

3.该方法同时可以给出影响Al

本发明经过测试，证明可行，最终可获得具有最优热导率的配方。

实施例2

根据本发明的另一实施例，提供了一种颗粒填充型热界面材料级配方案优化装置，参见图5，包括：

数据集产生单元201，用于通过数值模拟产生复合材料数据集；

数据输入及计算单元202，用于通过监督学习的方式将数值模拟产生的复合材料数据集输入到机器学习模型得到复合材料性质和复合材料参数之间的对应关系；

配方方案获取单元203，用于机器学习模型将复合材料性质和复合材料参数之间的对应关系通过遗传算法计算得到具有最优热导率的配方方案。

本发明实施例中的颗粒填充型热界面材料级配方案优化装置，将数值模拟和机器学习结合起来实现复合材料性质的快速预测，通过数值模拟产生复合材料数据集，再通过监督学习的方式将数值模拟产生的数据集输入机器学习模型便可以得到复合材料性质和复合材料参数之间的对应关系，进一步通过遗传算法寻找到具有最优热导率的配方，对于聚合物复合材料热学性能的优化具有十分重要的指导意义。

下面以具体实施例，对本发明的颗粒填充型热界面材料级配方案优化装置进行详细说明：

本发明中，将数值模拟和机器学习结合起来实现复合材料性质的快速预测，通过数值模拟产生复合材料数据集，再通过监督学习的方式将数值模拟产生的数据集输入机器学习模型便可以得到复合材料性质和复合材料参数之间的对应关系，进一步通过遗传算法寻找到具有最优热导率的配方，对于聚合物复合材料热学性能的优化具有十分重要的指导意义。

本发明提出一种结合数值模拟和机器学习的Al

本发明针对Al

本发明选取高导热颗粒作为填料的热界面材料作为研究对象，采用如下手段对其配方进行优化设计：

1.Al

该模型由小颗粒的Al

2.Al

根据已经建好的结构模型，利用GeoDict软件中的ConductoDict模块计算体系的有效热导率。进行热导率计算的参数有5个，分别是Al

3.基于机器学习建立Al

将热导率数据集中80％数据作为训练集进行学习，20％数据作为测试集用于效果测试。利用随机森林算法对数据集进行学习，其中决策树的最大深度设置为17，决策树的棵树为130，预测数据的R2可达到0.968，如图3所示。同时，利用随机森林算法可以获得各输入参数的重要性，如图4，说明尽量提高大颗粒的填充体积分数，同时减小大颗粒之间接触热阻可以提高复合材料的热导率。

4.遗传算法

基于机器学习获得的模型，利用遗传算法逐步迭代，从而获得最佳的配方和材料参数组合。

本发明的关键点和欲保护点至少在于：

1.将高通量计算、机器学习和遗传算法相结合以筛选Al

2.Al

3.随机森林模型中决策树深度和棵树的选取。

与现有技术相比，本发明的优点及有益效果至少在于：

1.本发明首次将高通量计算、决策森林算法和遗传算法相结合对Al

2.利用该方法指导级配方案成本低，效率高，结果可靠性好。

3.该方法同时可以给出影响Al

本发明经过测试，证明可行，最终可获得具有最优热导率的配方。

实施例3

一种存储介质，存储介质存储有能够实现上述任意一项颗粒填充型热界面材料级配方案优化方法的程序文件。

实施例4

一种处理器，处理器用于运行程序，其中，程序运行时执行上述任意一项的颗粒填充型热界面材料级配方案优化方法。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的系统实施例仅仅是示意性的，例如单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。