論文の概要: Rapid Flow Behavior Modeling of Thermal Interface Materials Using Deep
Neural Networks
- arxiv url: http://arxiv.org/abs/2208.04045v1
- Date: Mon, 8 Aug 2022 10:44:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 13:49:51.940334
- Title: Rapid Flow Behavior Modeling of Thermal Interface Materials Using Deep
Neural Networks
- Title(参考訳): 深部ニューラルネットワークを用いた熱界面材料の高速流れ挙動モデリング
- Authors: Simon Baeuerle, Marius Gebhardt, Jonas Barth, Andreas Steimer and Ralf
Mikut
- Abstract要約: 熱界面材料(TIM)は電子包装に広く使われている。
本稿では,TIMの拡散挙動をモデル化する軽量長方形を提案する。
このモデルから得られたデータに基づいて,ニューラルネットワーク(ANN)をトレーニングすることにより,計算を高速化する。
- 参考スコア(独自算出の注目度): 0.20999222360659608
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Thermal Interface Materials (TIMs) are widely used in electronic packaging.
Increasing power density and limited assembly space pose high demands on
thermal management. Large cooling surfaces need to be covered efficiently. When
joining the heatsink, previously dispensed TIM spreads over the cooling
surface. Recommendations on the dispensing pattern exist only for simple
surface geometries such as rectangles. For more complex geometries,
Computational Fluid Dynamics (CFD) simulations are used in combination with
manual experiments. While CFD simulations offer a high accuracy, they involve
simulation experts and are rather expensive to set up. We propose a lightweight
heuristic to model the spreading behavior of TIM. We further speed up the
calculation by training an Artificial Neural Network (ANN) on data from this
model. This offers rapid computation times and further supplies gradient
information. This ANN can not only be used to aid manual pattern design of TIM,
but also enables an automated pattern optimization. We compare this approach
against the state-of-the-art and use real product samples for validation.
- Abstract(参考訳): 熱界面材料(TIM)は電子包装に広く使われている。
電力密度の増大と組立空間の制限は熱管理の要求が大きい。
大きな冷却面を効率的に覆う必要がある。
ヒートシンクを接合すると、予め放出されたTIMが冷却面上に広がる。
分配パターンに関する勧告は、矩形のような単純な曲面幾何学のためにのみ存在する。
より複雑な幾何学では、計算流体力学(CFD)シミュレーションが手動実験と組み合わせて用いられる。
CFDシミュレーションは高い精度を提供するが、シミュレーションの専門家が関与し、セットアップにはかなり費用がかかる。
我々はtimの拡散挙動をモデル化するための軽量ヒューリスティックを提案する。
このモデルから得られたデータに基づいて,ニューラルネットワーク(ANN)をトレーニングすることにより,計算を高速化する。
これは高速な計算時間を提供し、さらに勾配情報を提供する。
このANNは、TIMの手動パターン設計を支援するだけでなく、自動パターン最適化を可能にする。
このアプローチを最先端と比較し、実際の製品サンプルを検証に使用します。
関連論文リスト
- A-SDM: Accelerating Stable Diffusion through Redundancy Removal and
Performance Optimization [54.113083217869516]
本研究ではまず,ネットワークの計算冗長性について検討する。
次に、モデルの冗長性ブロックをプルークし、ネットワーク性能を維持する。
第3に,計算集約型注意部を高速化するグローバル地域対話型注意(GRI)を提案する。
論文 参考訳(メタデータ) (2023-12-24T15:37:47Z) - Deep convolutional encoder-decoder hierarchical neural networks for
conjugate heat transfer surrogate modeling [0.0]
共役熱伝達(CHT)モデルは、多くの工学系の設計に不可欠である。
高忠実性CHTモデルは計算集約的であり、設計最適化のようなアプリケーションでの使用を制限する。
モジュール型深層畳み込みエンコーダ・デコーダ階層型ニューラルネットワーク(DeepEDH)を開発した。
論文 参考訳(メタデータ) (2023-11-24T21:45:11Z) - Conformal Predictions Enhanced Expert-guided Meshing with Graph Neural
Networks [8.736819316856748]
本稿では,GNN(Graph Neural Networks)とエキスパートガイダンスを用いて,航空機モデルのためのCFDメッシュの自動生成を行う機械学習方式を提案する。
曲面分類のための2つの最先端モデルであるPointNet++とPointMLPより優れた3次元分割アルゴリズムを提案する。
また,3次元メッシュ分割モデルからCAD表面への射影予測を共形予測法を用いて提案する手法を提案する。
論文 参考訳(メタデータ) (2023-08-14T14:39:13Z) - MeshDiffusion: Score-based Generative 3D Mesh Modeling [68.40770889259143]
本研究では,シーンの自動生成と物理シミュレーションのための現実的な3次元形状生成の課題について考察する。
メッシュのグラフ構造を利用して、3Dメッシュを生成するのにシンプルだが非常に効果的な生成モデリング手法を用いる。
具体的には、変形可能な四面体格子でメッシュを表現し、この直接パラメトリゼーション上で拡散モデルを訓練する。
論文 参考訳(メタデータ) (2023-03-14T17:59:01Z) - An Adversarial Active Sampling-based Data Augmentation Framework for
Manufacturable Chip Design [55.62660894625669]
リソグラフィーモデリングは、チップ設計マスクが製造可能であることを保証するため、チップ設計において重要な問題である。
機械学習の最近の進歩は、時間を要するリソグラフィーシミュレーションをディープニューラルネットワークに置き換えるための代替ソリューションを提供している。
本稿では,限られたデータのジレンマを解消し,機械学習モデルの性能を向上させるために,データ拡張フレームワークを提案する。
論文 参考訳(メタデータ) (2022-10-27T20:53:39Z) - Deep convolutional surrogates and degrees of freedom in thermal design [0.0]
畳み込みニューラルネットワーク(CNN)は、画像として保存されたトポロジから直接計算流体力学(CFD)の結果を予測するために用いられる。
本稿では,複合ベジエ曲線を用いた複素フィン測地における熱伝達と圧力降下予測のための代理モデルを提案する。
論文 参考訳(メタデータ) (2022-08-16T00:45:39Z) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳(メタデータ) (2022-04-18T23:42:18Z) - Generative Adversarial Networks for the fast simulation of the Time
Projection Chamber responses at the MPD detector [0.0]
このような高速シミュレーションモデルの基礎として,GAN(Generative Adversarial Networks)の適用性を示す。
我々のプロトタイプであるGANベースのTPCモデルは、詳細なシミュレーションに比べて桁違いに高速に動作します。
論文 参考訳(メタデータ) (2022-03-30T14:31:50Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。