پیش بینی استحکام برشی اتصالات لحیم عملیات حرارتی شده با استفاده از شبکه عصبی

در سال های اخیر و همزمان با حذف لحیم های سربی طراحی و بهینه سازی اتصالات لحیم پایه قلع به یکی از مهم ترین چالش های صنعت میکروالکترونیک تبدیل شده است. همچنین کوچک سازی قطعات و افزایش دانسیته جریان عبوری سبب می شود، دمای کاری این قطعات تا ۷۰ درصد دمای ذوب لحیم برسد که این مهم پدیده های مخرب حالت جامد مانند خزش، خستگی حرارتی مکانیکی و نفوذ اتمی را فعال می سازد. قابلیت اطمینان این اتصالات ارتباط مستقیمی با ریز ساختار فصل مشترک لحیم و زیرلایه دارد. در طی فرآیند لحیم کاری و به خصوص در طول عمر سرویس که معادل عملیات حرارتی پیرسازی است، لایه هایی از ترکیبات بین فلزی (IMCs) در فصل مشترک تشکیل شده و رشد می کنند. به دلیل ماهیت ترد و شکننده ترکیبات بین فلزی، رشد این ترکیبات که توسط مکانیزم نفوذ حالت جامد کنترل می شود مهم ترین عامل تخریب اتصالات در طول عمر قطعه است. با افزایش زمان و دمای سرویس، ضخامت این لایه ترد افزایش می یابد که این امر منجر به کاهش شدید استحکام برشی اتصال می شود. علاوه بر این در طول عمر لحیم مورفولوژی IMCs از حالت بهینه دچار تغییر شده و در نتیجه آن تنش های پسماند ناشی از ناهمسانگردی انبساط حرارتی می تواند منجر به ایجاد ریز ترک در فصل مشترک شود. در نتیجه با افزایش ضخامت، IMC مد شکست اتصال از حالت نرم در لحیم به حالت ترد در فصل مشترک یا درون لایه IMC تغییر می یابد. ارزیابی تجربی استحکام اتصالات لحیم نیازمند انجام عملیات حرارتی پیرسازی طولانی مدت و آزمون های مکانیکی پرهزینه است. هدف از این پژوهش ارائه یک مدل هوشمند مبتنی بر شبکه عصبی عمیق برای پیش بینی دقیق استحکام برشی اتصالات لحیم عملیات حرارتی شده است تا بتوان با صرفه جویی در زمان و هزینه قابلیت اطمینان اتصالات را ارزیابی نمود. در این پژوهش از داده های تجربی مربوط به ۲۰۰ آلیاژ پایه قلع استفاده شد. سه متغیر کلیدی شامل دمای عملیات حرارتی و زمان عملیات حرارتی پس از اتصال لحیم و ضخامت ترکیبات بین فلزی پس از عملیات حرارتی که بر استحکام نهایی اتصال تاثیرگذار هستند، به عنوان ورودی شبکه عصبی در نظر گرفته شدند. داده خروجی مدل نیز به صورت نسبت استحکام برشی نمونه عملیات حرارتی شده به نمونه پس از اتصال و قبل از عملیات حرارتی به صورت عددی بین ۰ و ۱ تعریف شد. یک شبکه عصبی عمیق با معماری بهینه طراحی گردید. این شبکه دارای یک لایه ورودی با سه نورون که متناظر با سه ورودی ذکر شده است، دو لایه پنهان که بر اساس آزمون و خطا به ترتیب با ۷۰ و ۹۰ نورون انتخاب شدند و یک لایه خروجی با یک نورون بود. از تابع فعال سازی ReLU برای لایه ورودی و پنهان و تابع Sigmoid برای لایه خروجی استفاده شد. داده ها به نسبت ۷۰ درصد آموزش، ۱۵ درصد اعتبارسنجی و ۱۵ درصد سنجش تقسیم شدند. معیار سنجش پیش بینی های انجام شده توسط شبکه طراحی شده برای این پژوهش بر اساس خطای میانگین مطلق (MAE) در نظر گرفته شد که در رابطه ۱ آمده است و در آن N تعداد کل داده ها، y med مقدار پیش بینی شده توسط مدل برای نمونه iام و Y targ مقدار تجربی برای آن نمونه است. بر این اساس، نتایج نشان داد که بهترین شبکه تربیت شده به مقدار خطای MAE برابر ۰/۰۶۷۶ دست یافت که این میزان خطا معادل دقت ۹۳.۲۴ درصد در پیش بینی استحکام برشی است. این دقت موید آن است که با طرح مسئله انجام شده، مدل شبکه عصبی مصنوعی طراحی شده توانسته ارتباط بین متغیرهای متالورژیکی و خواص مکانیکی لحیم را مدل سازی کند و باعث کاهش هزینه های ناشی از انجام آزمایش های تجربی شود.

کلیدواژه ها:

لحیم پایه ، قلع ، شبکه عصبی عمیق ، ترکیبات بین فلزی ، عملیات حرارتی پس از لحیم ، استحکام برشی اتصال