初始参数

使用遗传算法的AI辅助模拟框架焊接的联合可靠性风险估计，以优化AI模型的初始参数

摘要：焊接关节疲劳是球网阵列包装中的关键故障模式之一。由于可靠性测试是耗时的，并且需要物理驱动模型的几何/材料非线性，因此开发了AI辅助模拟框架以建立针对设计和过程参数的风险估计能力。由于焊接关节疲劳失败的时间依赖性和非线性特征，该研究遵循AI辅助模拟框架，并构建了非序列的人工神经网络（ANN）和顺序的经常性神经网络（RNN）体系结构。都研究了两者，以了解他们从数据集中提取时间相关的焊料关节疲劳知识的能力。此外，本研究应用了遗传算法（GA）优化，以减少最初猜测的影响，包括神经网络体系结构的权重和偏差。在这项研究中，开发了两个GA优化器，包括“背对派”和“进展”。此外，我们将主成分分析（PCA）应用于GA优化结果以获得PCA基因。在GA优化的PCA基因下，所有神经网络模型的预测误差均在0.15％以内。没有明确的统计证据表明，当应用GA优化器用于最大程度地降低初始AI模型的影响时，RNN在晶圆级芯片式包装（WLCSP）中的芯片式包装（WLCSP）焊接可靠性风险估计均优于ANN。因此，即使焊接疲劳是时间依赖于时间依赖的机械行为，但具有更快的训练速度的ANN模型可以实现具有广泛设计域的稳定优化。