XiaoMi-AI文件搜索系统
World File Search System轴对称
高温应用的烧结银芯片粘接剂的热机械模拟
各种电子封装都在极其恶劣的环境下工作，这需要较长的使用寿命，对微电子界来说是一个重大挑战。200 o C 以上的工作温度加上高压、振动和潜在的腐蚀性环境意味着，在如此高温下工作的电子系统的开发中仍然存在一些技术问题。最近的高温应用技术已经出现，能够承受高达 300 o C 的高温。烧结银是极端环境下芯片粘接的潜在候选材料之一。本研究旨在通过研究烧结银材料，了解硅芯片粘接材料在恶劣环境下性能下降/失效的方式和原因。开发了一种常用于表示微电子封装组件的二维轴对称芯片粘接模型。FE 模型可以很好地理解不同引线框架材料、烧结银和芯片厚度的单一参数变化的影响。烧结银厚度对塑性应变的影响非常小。此外，在芯片方面，硅芯片和烧结银之间的局部热失配是最重要的负载因素。此外，较厚的芯片会在芯片中产生更高的应力。
非高斯响应统计与可靠性预测
6G9.刚性容器内固体弹性圆柱体的轴对称振动。JA>aES R. HUTCHI•rSON（非会员），加利福尼亚大学，加利福尼亚州戴维斯市。-- 本研究的目的是调查端部边界条件对固体推进剂火箭发动机振动特性的影响。此前，在文献中，已经基于无限长圆柱体的解获得了解决方案。这些解决方案仅产生有限圆柱体的某些可能的端部边界条件集，但不会产生考虑的端部边界条件集（即固定在所有边界上）。该方法包括选择一系列具有未知系数的函数。每个项都满足控制微分方程和轴向位移的边界条件。径向位移的边界条件通过正交化程序近似。该方法产生一个特征值矩阵，其系数是频率的超越函数。最终解决方案的准确性取决于径向位移边界条件的满足程度。通过使用系列中的 20 个项，发现该程序收敛，并且实现了足够的精度。通过比较两种方法获得的结果，讨论了基于无限圆柱体的更简单方法的局限性。
不同 LMD 喷嘴的气体/粉末流动实验和数值分析
摘要：激光金属沉积 (LMD) 工艺是一种增材制造方法，通过激光束与气体/粉末流的相互作用生成 3D 结构。流径、表面密度和焦平面位置会影响沉积轨迹的尺寸、效率和规律性。因此，准确了解气体/粉末流特性对于控制工艺和提高其在工业应用中的可靠性和可重复性至关重要。本文提出了多种实验技术，如气压测量、光学和称重方法，以分析气体和粒子速度、粉末流直径、其焦平面位置和密度。这是针对三种喷嘴设计和多种气体和粉末流速条件进行的。结果表明：(1) 粒子流遵循高斯分布，而气体速度场更接近于平顶分布；(2) 轴向、载体和整形气流显著影响粉末流的焦平面位置；(3) 只有整形气体、粉末流速和喷嘴设计会影响粉末流直径。然后对三个喷嘴分别进行具有 RANS 湍流模型的气体和粉末流的 2D 轴对称模型，结果显示与实验结果具有良好的一致性，但压力测量对气体速度的估计过高。
NASEC 2024小册子
Supernova Remnant Cassiopeia A表现出严重的不对称性，主要是两个大型喷气结构，它们沿相反方向延伸到标称的正向冲击。这些喷气机已通过高度不对称的超新星爆炸来解释。我们使用超新星残留物的三维流体动力模拟来探讨这样的假设，即这种结构可能是由球形超新星与非对称室内媒体（CSM）的相互作用引起的。我们强加了一个轴对称的CSM，其密度区域附近赤道平面和较低密度区域附近的轴对称CSM，这是从恒星和行星星云的观察结果以及近距离二进制系统中风的建模所推断的。我们发现，如果对称轴和一个大约10度离轴的角度之间的CSM对比度的密度对比度超过了临界值，则射流形成是这些模型的强大特征。这些喷气机的长度可以超过CSM密度对比度向前冲击的标称半径的三倍以上，低至3.00。这些喷气机有时会倒塌，跌落到一侧，但迅速再生。将这些模型扩展到较高的数值分辨率会产生相似的演化，但在后期导致更大的喷气机。
可追踪的回音壁 2D 有限元模拟...
摘要 — 本文介绍了如何配置一个流行的、商业上可用的软件包，用于解决基于有限元方法 (FEM) 的偏微分方程 (PDE)，以有效地计算轴对称介电谐振器的回音壁 (WG) 模式的频率和场。该方法具有可追溯性；它利用 PDE 求解器接受所谓“弱形式”中麦克斯韦方程解的定义的能力。提供了用于估计 WG 模式的体积、填充因子以及在封闭（开放）谐振器的情况下的壁（辐射）损耗的相关表达式和方法。由于没有施加横向近似，即使对于低、有限方位角模式阶的准横向磁/电模式，该方法仍然准确。通过对几个非平凡结构进行建模，证明了该方法的通用性和实用性：（i）两个不同的光学微腔[一个由二氧化硅制成的环形，另一个是AlGaAs微盘]；（ii）三阶蓝宝石：空气布拉格腔；（iii）两个不同的低温蓝宝石WG模式谐振器；（ii）和（iii）都在微波X波段工作。通过将（iii）之一拟合到一组测量的谐振频率，可以估算出蓝宝石在液氦温度下的介电常数。
新型超声波流量计测量不同速度分布的流体流量
摘要。本文介绍了一种用于较低流速的非侵入式流量计的开发及其首次测试。该仪表在物理上基于流体流动与从发射器到接收器穿过流体的超声波信号的相互作用。超声波流量计是目前比较常用的仪表，其优点是非侵入性（即零压力损失）和能够无缝测量任何（例如不透明）液体的流速，而无需接触液体，这一点众所周知。然而，超声波流量计测量链中仍有一些部分正在研究和开发中。它可以是信号处理本身（主要是）、其设计解决方案、不同流动情况的测量（在具有均匀速度分布的流场中测量、在具有轴对称速度分布的流场中测量、在具有一般速度分布的流场中测量）、应用的信号处理方法的验证、不确定性的评估。本文描述的流量计本身将用于空气工程中的无故障测量，但也可用作构建更复杂超声波仪表的训练设备。因此，该流量计包含比通常更多的信号发射器和接收器，并且在测量过程中捕获所有发射器-接收器组合。这种仪表称为超声波断层扫描仪，其原理也在本文概述中。到目前为止，这里没有重建的矢量场。
裂缝实验中用于表面裂纹检测的机器学习分类器
在进行机械实验时，正确确定断裂的发作至关重要。通常是通过视觉检查进行的，这里提出了一种基于图像的机器学习方法来对破裂和未裂缝的标本进行分类。它产生了客观化和自动化裂纹检测的潜力，从而消除了实验后处理中的不确定性和错误来源。评估了从77个实验获得的三个试样几何形状的30'000以上斑点图案。它们包括单轴张力，缺口张力以及轴对称V弯曲实验。统计纹理特征是从所有图像中提取的。它们包括第一阶（方差，偏度，峰度）和高阶统计纹理特征，即Haralick功能。根据Fisher的判别比率评估纹理信息的歧视能力，并确定并量化特征相关性。高歧视能力的图像纹理特征子集用于解析从简单的ceptron到feed-fordward和cascade神经网络的不同复杂性的神经网络体系结构。发现，对于所有实验，研究的纹理特征的一小部分是高度重要的。获得了多层，非线性和低复杂性馈送网络体系结构的分类精度，以99％的顺序使用。同时，即使使用了高歧视性功能特征，也表明线性分类器不足以鲁棒区分样品的状态。图形摘要：
晶圆退火工艺扩散炉的传热分析
半导体制造工艺中的扩散炉用于在硅片表面生长氧化物或将掺杂剂扩散到半导体晶片中。在此过程中，硅片在炉中被加热到通常在 973K 至 1523K 之间的温度。在本研究中，采用二维轴对称模型来模拟在 1123K 温度下运行的垂直炉。对工艺管中含有 175 个直径为 200mm 的硅片的基准情况的轮廓温度分布的模拟结果与实验数据非常吻合。从加热温度为 1123 K 的炉子中获得的实验数据被用作此数值评估的基准。还表明可以对堆叠晶片的本体区域施加均匀加热。在本研究中，探讨了加热器温度和工艺管中排列的晶片之间的间隙对工艺管中温度场的影响。从模拟中可以看出，值得强调的是，堆叠晶片本体区域的温度分布与加热器温度一致。此外，研究发现，在舟皿中对较少数量的晶圆（具有较大的晶圆间隙）进行退火工艺可能不会显著影响炉内的加热性能。关键词：立式炉；石英管；辐射；加热器；绝缘；峰值温度；温度分布版权所有 © 2020 PENERBIT AKADEMIA BARU - 保留所有权利
湍流射流的人工智能控制
开发了一种人工智能 (AI) 控制系统，以最大限度地提高湍流喷射的混合率。该系统由六个独立操作的非稳定微型喷射执行器、两个放置在喷射器中的热线传感器和用于无监督学习近乎最优控制律的遗传编程组成。该定律的假设包括多频率开环强迫、传感器反馈及其非线性组合。混合性能通过喷射中心线平均速度的衰减率来量化。有趣的是，人工智能控制的学习过程按性能提高的顺序逐一发现了传统控制技术可实现的经典强迫，即轴对称、螺旋和拍打，最终收敛到迄今为止未探索过的强迫。仔细检查控制环境可以揭示学习过程中产生的典型控制定律及其演变。最佳 AI 强制产生复杂的湍流结构，其特点是周期性生成的蘑菇结构、螺旋运动和振荡射流柱，所有这些都提高了混合率并且远远优于其他结构。这种流动结构以前从未被报道过，我们从各个方面对其进行了检查，包括速度谱、平均和波动速度场及其下游演变，以及三个正交平面中的流动可视化图像，并与其他经典流动结构进行了比较。除了对微射流产生的流动及其对主射流初始条件的影响的了解之外，这些方面还为我们了解这种新发现的流动结构高效混合背后的物理原理提供了宝贵的见解。结果表明，人工智能在征服许多执行器和传感器的控制律的巨大机会空间以及优化湍流方面具有巨大潜力。
湍流射流的人工智能控制
开发了一种人工智能 (AI) 控制系统，以最大限度地提高湍流喷射的混合率。该系统由六个独立操作的非稳定微型喷射执行器、两个放置在喷射器中的热线传感器和用于无监督学习近乎最优控制律的遗传编程组成。该定律的假设包括多频率开环强迫、传感器反馈及其非线性组合。混合性能通过喷射中心线平均速度的衰减率来量化。有趣的是，人工智能控制的学习过程按性能提高的顺序逐一发现了传统控制技术可实现的经典强迫，即轴对称、螺旋和拍打，最终收敛到迄今为止未探索过的强迫。仔细检查控制环境可以揭示学习过程中产生的典型控制定律及其演变。最佳 AI 强制产生复杂的湍流结构，其特点是周期性生成的蘑菇结构、螺旋运动和振荡射流柱，所有这些都提高了混合率并且远远优于其他结构。这种流动结构以前从未被报道过，我们从各个方面对其进行了检查，包括速度谱、平均和波动速度场及其下游演变，以及三个正交平面中的流动可视化图像，并与其他经典流动结构进行了比较。除了对微射流产生的流动及其对主射流初始条件的影响的了解之外，这些方面还为我们了解这种新发现的流动结构高效混合背后的物理原理提供了宝贵的见解。结果表明，人工智能在征服许多执行器和传感器的控制律的巨大机会空间以及优化湍流方面具有巨大潜力。