导热凝胶材料级配方案优化方法与流程

1.本发明涉及一种导热凝胶材料级配方案优化方法。


背景技术：

2.随着微电子集成技术的发展，芯片的尺寸逐渐减小而功率却越来越大，导致电子产品工作中内部会产生大量热量，严重影响其使用寿命。向高分子聚合物内填充高导热填料以获得良好导热性能和绝缘性能的导热凝胶材料，也就是常说的热界面材料，是用于芯片和散热器间以提高芯片散热能力的关键材料。
3.导热凝胶材料的热导率由基体和填料共同决定，基体热导率、填料热导率、填料形状、填料体积分数等因素都会影响该导热凝胶材料的热导率。已经有国内外许多学者对聚合物复合材料导热性能进行了研究，目前对聚合物复合材料导热性能的研究主要还是通过实验的方法，由于复合材料配方复杂，制备和测量都需要花费大量时间成本和人力成本，而通过数值模拟的方法研究聚合物复合材料能够减少实验成本、缩短实验时间，对于提升芯片性能，延长芯片使用寿命都具有重要意义。近几年来，随着计算机cpu运算能力的提升，机器学习和大数据等技术快速崛起，将机器学习运用到材料信息学中成为了一种新的研究思路。
4.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。此种方法具有很高的材料和时间成本，对于多种不同颗粒混合的复杂填充结构，需要进行的实验和测试将更加繁多，效率低下。
5.而通过数值模拟的方法进行高通量的海量筛选，尽管也可以进行配方筛选，但是计算成本高昂。


技术实现要素：

6.有鉴于此，有必要提供一种导热凝胶材料级配方案优化方法。
7.本发明提供一种导热凝胶材料级配方案优化方法，该方法包括如下步骤：a.建立导热凝胶材料的结构模型；b.根据建立的导热凝胶材料的结构模型，建立导热凝胶材料导热系数数据集；c.利用神经网络对所述导热凝胶材料导热系数数据集进行学习，确定一个四层隐藏层的神经网络；d.基于确定一个四层隐藏层的神经网络，利用遗传算法对该模型中的参数进行优化，从而获得最佳的配方和材料参数组合。
8.具体地，所述结构模型的代表性体积单元为内部有一定填充密度的随机分布的球形颗粒的正方体盒子；其中，结构模型的参数包括：颗粒的直径d、颗粒填充体积分数p。
9.具体地，所述步骤b包括：
10.根据已经建好的每种结构模型，利用快速傅里叶变换的方法计算体系的有效热导率；其中，输入参数为颗粒-基体间界面热阻以及颗粒-颗粒间界面热阻，颗粒和基体的热导率根据材料类型设置为常数。
11.具体地，所述步骤b还包括：
12.由于步骤a中生成的为周期性结构，因而求取材料三个主方向热导率的平均值作为最终热导率，并对计算结果进行批量的数据提取。
13.具体地，所述导热系数数据集中输入参数为：d、p、颗粒-基体界面热阻、颗粒-颗粒界面热阻；输出参数为：材料的有效热导率。
14.具体地，所述步骤c包括：将所述高导热颗粒填充材料导热系数数据集中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。
15.具体地，所述的步骤c还包括：
16.利用神经网络对所述高导热颗粒填充材料导热系数数据集进行学习，确定一个四层隐藏层的神经网络。
17.具体地，所述的步骤d包括：
18.基于机器学习获得的四层隐藏层的神经网络，利用遗传算法对该网络中的参数进行优化，从而获得最佳的配方和材料参数组合；将所得的关系模型转化为优化的目标函数，其优化模型如下：
19.maximizef(x)＝k
20.其中，x为模型参数，k为结构模型所生成的关系模型中的宏观热导率的表达函数。
21.本发明将数值模拟和机器学习结合起来从而实现导热凝胶材料性质的快速预测，通过数值模拟产生导热凝胶材料数据集，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得到导热凝胶材料性质和导热凝胶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，对于导热凝胶材料热学性能的优化具有十分重要的指导意义。利用本技术指导级配方案成本低、效率高、结果可靠性好。
附图说明
22.图1为本发明导热凝胶材料级配方案优化方法的流程图；
23.图2为本发明实施例提供的高导热颗粒填充材料的结构模型示意图；其中，(a)三维图形；(b)二维图形；
24.图3为本发明实施例提供的遗传算法的流程示意图。
具体实施方式
25.下面结合附图及具体实施例对本发明作进一步详细的说明。
26.请参阅图1，是本发明导热凝胶材料级配方案优化方法较佳实施例的作业流程图。
27.本实施例选取高导热颗粒作为填充的导热凝胶材料进行说明，其他导热凝胶材料亦可参照本实施例进行：
28.步骤s1，建立高导热颗粒填充材料的结构模型。具体包括：
29.所述结构模型的代表性体积单元为内部有一定填充密度的随机分布的球形颗粒的正方体盒子。其中，结构模型的参数包括：颗粒的直径d、颗粒填充体积分数p。
30.为保证计算精度和效率，正方体代表性体积单元的体素大小设置为d/20，每个方向体素的数量为400*400*400，如图2所示。其中d的设置范围为1-50微米，p的设置范围为0.05-0.6，据此批量产生一系列填充结构。
31.步骤s2，根据建立的高导热颗粒填充材料的结构模型，建立高导热颗粒填充材料导热系数数据集。
32.根据已经建好的每种结构模型，利用快速傅里叶变换的方法计算体系的有效热导率。其中，输入参数为颗粒-基体间界面热阻以及颗粒-颗粒间界面热阻，每组热阻的数值在1
×
10-8
m2·
k/w～1
×
10-6
m2·
k/w随机分布。颗粒和基体的热导率根据材料类型设置为常数。
33.由于步骤s1中生成的为周期性结构，因而求取材料三个主方向热导率的平均值作为最终热导率，并对计算结果进行批量的数据提取。所述导热系数数据集中输入参数为：d、p、颗粒-基体界面热阻、颗粒-颗粒界面热阻；输出参数为：材料的有效热导率。进一步，将数据归一化作为预处理，用以消除特征之间数量级的差异对高导热颗粒填充材料的结构模型精度的影响，从而提高模型的准确度。
34.步骤s3，利用神经网络对所述高导热颗粒填充材料导热系数数据集进行学习，确定一个四层隐藏层的神经网络。具体而言：
35.将所述高导热颗粒填充材料导热系数数据集中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。利用神经网络对所述高导热颗粒填充材料导热系数数据集进行学习，通过尝试多种不同的隐藏层数，从中选择r2值最高的层数，最终确定一个四层隐藏层的神经网络，每层的神经元个数依次为64、128、128、64，选择激活函数为tanh，优化器为sgd，最终达到了0.975的r2值，得到了很好的预测效果。
36.步骤s4，基于确定一个四层隐藏层的神经网络，利用遗传算法对该模型中的参数进行优化，从而获得最佳的配方和材料参数组合。具体而言：
37.基于机器学习获得的四层隐藏层的神经网络，利用遗传算法对该网络中的参数进行优化，从而获得最佳的配方和材料参数组合。将所得的关系模型转化为优化的目标函数，其优化模型如下：
38.maximize f(x)＝k
39.其中，x为模型参数，k为结构模型所生成的关系模型中的宏观热导率的表达函数。
40.遗传算法的主要实现过程如下(请参考图3)：首先，采用二进制编码的方式生成的种群大小为100，其中个体的染色体长度为40；接着，对种群中每个个体进行二进制解码，并利用目标函数计算每个个体的适应值，采用轮盘赌的方式挑选出种群中适应值最大的那些个体形成新的种群并利用保存精英策略的手段，最大限度保护种群中最优个体直接进入下一代；然后，将交叉概率设置为0.6，采用多点交叉的方式随机选取两个个体进行随机互换各自部分染色体以此形成新的两个个体；最后，为避免遗传搜索过程中陷入局部极值，将变异概率设定为0.01，采用多点变异的方式让染色个体以一定的概率产生新的个体。
41.本技术首次提出将高通量计算、机器学习和遗传算法相结合的方法对导热凝胶材料的级配方案进行筛选和指导。利用本技术指导级配方案成本低、效率高、结果可靠性好。
42.虽然本发明参照当前的较佳实施方式进行了描述，但本领域的技术人员应能理解，上述较佳实施方式仅用来说明本发明，并非用来限定本发明的保护范围，任何在本发明的精神和原则范围之内，所做的任何修饰、等效替换、改进等，均应包含在本发明的权利保护范围之内。