找到 1 条结果
一种考虑高温老化下表面金属化效应的SiC模块互连层力学性能快速识别与预测的机器学习框架
A Machine Learning Framework for Rapidly Identifying and Predicting Mechanical Properties of Interconnected Layer in SiC Module Considering Surface Metallization Effect Under High-Temperature Aging
Libo Zhao · Yanwei Dai · Fei Qin · IEEE Transactions on Industrial Informatics · 2025年7月
烧结银（Ag）作为高温碳化硅（SiC）功率模块封装中最具潜力的芯片互连材料，在封装过程和高温服役条件下常承受热应力，这极大地降低了SiC功率模块的热机械可靠性。本文通过机器学习辅助的实验与模拟方法，获取并评估了考虑金属化层和高温时效效应的烧结银互连层界面强度预测参数。提出了一种基于多层MLP（多层人工神经网络） - LSTM（长短期记忆网络）框架的模型，该模型具有更高的分类和预测能力。在该方法中，MLP用于提取不同金属化层作用下的分类特征，LSTM用于提取时间特征，以对高温时效引起的力学性能退化...
解读: 从阳光电源的业务角度来看，这项基于机器学习的SiC功率模块互连层性能预测技术具有重要的战略价值。随着公司光伏逆变器和储能系统向高功率密度、高效率方向发展，SiC功率器件已成为核心技术路线。该研究针对烧结银互连层在高温老化下的可靠性预测问题，直接关系到我们产品在严苛工况下的长期稳定性。 该技术的核心...