【技術實現步驟摘要】
本專利技術涉及于慣性微系統，特別是一種基于物理信息神經網絡的慣性微系統熱力耦合分析方法。
技術介紹
1、慣性微系統因小型化、集成化、智能化、低成本、高性能、批量生產等優點，在各個領域得到廣泛應用，隨著慣性微系統技術發展的不斷深入，慣性微系統的可靠性失效分析成為了微系統封裝技術進一步發展的薄弱環節，慣性微系統封裝結構集成度的提高，使互連問題變得至關重要，互連線尺寸的減小以及層數的增加會引起電磁損耗的增加，進而導致系統內部溫度升高，引發結構可靠性問題，通過傳統的物理和試驗手段進行可靠性表征面臨極大的困難，從而急需可靠性分析評價手段，所以如何通過仿真手段準確地呈現慣性微系統失效并結合失效分析對工程進行反哺，一直是慣性微系統封裝失效分析熱點問題。
2、慣性微系統在空間服役時受到電、熱、機械力等物理場的協同作用，且各個物理場之間存在能量交換，是一個復雜的多場耦合系統，多物理場耦合作用使得慣性微系統誤差加劇，嚴重影響慣性微系統的性能。公開號為cn108920831a的中國專利，公開了一種高速飛行器罩體高溫燒蝕對天線電性能影響的快速計算方法，僅僅是對熱場的影響進行了分析，該方法未考慮多載荷應力耦合的工程應用環境，也不能考慮熱力之間的相互影響，導致分析結果不準確。目前缺少針對慣性微系統電熱力三種物理場相互耦合分析，且慣性微系統在分析中大多只單獨考慮熱仿真或力學仿真,并未考慮多物理場耦合的空間服役惡劣工況，也未考慮熱、力、電磁間的相互影響，不能完全反映其實際工況，分析結果難以準確，迫切需要對慣性微系統進行多物理場耦合分析，來指導和驗證
技術實現思路
1、本專利技術解決的技術問題是：克服現有技術的不足，提供了一種基于物理信息神經網絡的慣性微系統熱力耦合分析方法，實現慣性微系統多時刻溫度場的高精度預測，計算電-熱-力多物理場耦合下慣性微系統性能，提高求解精度和可靠性，確保慣性微系統在空間服役中的可靠性。
2、本專利技術的技術解決方案是：一種基于物理信息神經網絡的慣性微系統熱力耦合分析方法，包括：
3、s1、根據空間服役工況，設置慣性微系統的材料參數和邊界條件，建立慣性微系統熱力耦合分析模型；
4、s2、對慣性微系統熱力耦合分析模型進行電熱耦合仿真分析，得到工作狀態下慣性微系統中各器件的溫度分布；
5、s3、以步驟s2得到的各器件溫度分布和各器件功率損耗作為熱源，進行熱力耦合仿真分析，得到慣性微系統的熱應力分布；
6、s4、根據步驟s2、s3得到的溫度分布和熱應力分布，建立一個輸入為位置和時間，輸出為慣性微系統各個時刻溫度場的物理信息神經網絡，利用物理信息神經網絡預測慣性微系統不同時刻的溫度場；具體步驟包括：
7、s41、實驗測量慣性微系統上待測點的溫度；
8、s42、將位置x和時間t作為輸入，將完備多項式系數βi作為物理信息神經網絡的拓展參數，與物理信息神經網絡參數權值和偏置值(wi,bi)共同作為輸出；構建物理信息神經網絡的損失函數，將包括測點溫度值、控制方程和邊界條件在內的物理信息融入到損失函數中；采用自適應運動估計算法adam和逆秩二擬牛頓法lbfgs進行訓練優化，使損失函數達到最小，得到完備多項式系數βi和權值與偏置值(wi,bi)；
9、s43、將完備多項式系數βi、權值和偏置值(wi,bi)，代入物理信息神經網絡，從而準確預測慣性微系統不同時刻的溫度場；
10、s5、將步驟s4得到的慣性微系統不同時刻的溫度場作為慣性微系統結構力學仿真的邊界條件，進行力學分析，得到慣性微系統結構的力學性能；
11、s6、將步驟s5得到的力學性能反饋至電磁仿真中，進行基于力學性能的電性能仿真，分析力學性能對電性能影響，得到慣性微系統的電性能。
12、進一步，物理信息神經網絡的損失函數loss，具體為：
13、
14、
15、式中：wf為熱傳導權重系數，lossf為控制方程的殘差均方誤差，wn為熱流項權重系數，lossbcq為邊界熱流的殘差均方誤差，wu為溫度項權重系數，nbct、nrc分別為對應節點的坐標的數目，nt為時間節點數目，nm為測點數目，lossbct、lossrc分別為邊界溫度和初始點溫度的殘差平方和，lossm為測點溫度殘差的均方誤差，為在測點神經網絡對溫度場溫度的預測值，tm為測點對應的溫度，γm為測點邊界，tend為瞬態計算的終止時刻。
16、進一步，溫度權重系數wu和熱流項權重系數wn，先通過adam求解器進行迭代計算，每次計算更新一次權重系數，將多次更新后得到的權重系數作為慣性微系統的最優權重系數，再利用lbfgs算法優化物理信息神經網絡參數，使損失函數達到最小。
17、進一步，溫度權重系數wu和熱流項權重系數wn的更新方式，具體為：
18、
19、
20、式中：l為迭代次數，α為權重系數，和分別表示為第l次迭代后的溫度權重系數，為第l次迭代時溫度損失項平均值，和分別表示為第l次迭代后的熱流項權重系數，為第l次迭代時熱流損失項平均值。
21、進一步，步驟s43中，將步驟s422得到的完備多項式系數βi，代入物理信息神經網絡，具體為：利用完備多項式系數βi更新物理信息神經網絡中的溫度場熱源g(x,t)參數，公式如下：
22、
23、式中：λ為尺度因子，φi(x,t)為多項式基函數，s為基函數數量，i＝1,2…s。
24、進一步，步驟s43中，將步驟s422得到的權值與偏置值(wi,bi)代入物理信息神經網絡，具體為：代入下式
25、
26、式中：x1、x2和x3分別代表測點的x軸、y軸和z軸坐標，wi、bi為神經網絡模型需優化的未知參數，分別為神經網絡的權值與偏置值，k為物理信息神經網絡的層數；
27、利用下式預測慣性微系統在不同時刻的溫度場：
28、t＝lk(zk)oσolk-1(zk-1)o…oσol1(z1)
29、式中：o為一種組合運算符，根據隱含層數目和神經元個數相應進行變化，上式為一個深度為k層的物理信息神經網絡，σ為softplus激活函數，lk為k層，zk為神經網絡的第k隱藏層的參數。
30、進一步，步驟s2中電熱耦合仿真分析，通過下式熱傳導方程對慣性微系統的溫度分布進行求解，
31、
32、式中：ρ、c分別為器件材料密度、比熱容，k(t1)為器件材料隨溫度變化的電導率，p為器件的發熱功率，t1為瞬態的空間溫度場分布，h為對流換熱系數，t為慣性微系統溫度，t0為初始溫度，t為節測點時間，n為空間坐標，γa為對流換熱邊界。
33、進一步，步驟s3中慣性微系統中的熱應力分布為：
34、σyl＝eε－β(t－t0)
35、式中，σyl為慣性微系統所受熱應力，e為彈性系數，ε為慣性微系統應變本文檔來自技高網...
【技術保護點】
1.一種基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于，包括：
2.根據權利要求1所述的基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于：物理信息神經網絡的損失函數loss，具體為：
3.根據權利要求2所述的基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于：溫度權重系數WU和熱流項權重系數WN，先通過Adam求解器進行迭代計算，每次計算更新一次權重系數，將多次更新后得到的權重系數作為慣性微系統的最優權重系數，再利用LBFGS算法優化物理信息神經網絡參數，使損失函數達到最小。
4.根據權利要求3所述的基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于：溫度權重系數WU和熱流項權重系數WN的更新方式，具體為：
5.根據權利要求1所述的基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于：將得到的完備多項式系數βi，代入物理信息神經網絡，具體為：利用完備多項式系數βi更新物理信息神經網絡中的溫度場熱源g(x,t)參數，公式如下：
6.根據權利要求1所述的基于物理信息神經網
7.根據權利要求1所述的基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于：對慣性微系統熱力耦合分析模型進行電熱耦合仿真分析，通過下式熱傳導方程對慣性微系統的溫度分布進行求解，
8.根據權利要求1所述的基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于：慣性微系統的熱應力分布為：
9.根據權利要求1所述的基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于：慣性微系統結構的力學性能包括熱應力、彈塑性應變、疲勞壽命、蠕變、變形、斷裂和翹曲。
...【技術特征摘要】
1.一種基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于，包括：
2.根據權利要求1所述的基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于：物理信息神經網絡的損失函數loss，具體為：
3.根據權利要求2所述的基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于：溫度權重系數wu和熱流項權重系數wn，先通過adam求解器進行迭代計算，每次計算更新一次權重系數，將多次更新后得到的權重系數作為慣性微系統的最優權重系數，再利用lbfgs算法優化物理信息神經網絡參數，使損失函數達到最小。
4.根據權利要求3所述的基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于：溫度權重系數wu和熱流項權重系數wn的更新方式，具體為：
5.根據權利要求1所述的基于物理信息神經網絡的慣性微系統熱力耦合分析方法，其特征在于：將得到的完備多...
【專利技術屬性】
技術研發人員：高志強，李男男，孟凡琛，趙雪薇，馬伊琳，王巍，
申請(專利權)人：北京航天控制儀器研究所，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。