升温载荷下玻璃通孔异质界面热机械可靠性评估及寿命预测OA

针对玻璃通孔(TGV)互连结构在升温载荷下的热机械可靠性问题,采用多物理场仿真与机器学习算法相协同的研究策略,重点分析了铜柱的塑性应变响应,并基于Coffin-Manson定律预测其疲劳寿命。深入探究了实际工艺中不可避免的几何变异及不同升温速率对TGV结构最大塑性应变的作用机理,研究结果表明,TGV管壁的界面粗糙度与最大塑性应变始终呈正相关,而TGV中央区域锥度对其影响呈非线性,存在一个可有效缓解应力集中的最优值。对比四边形与六边形TGV阵列的温度与热应力分布发现,六边形排列可有效缓解结构中应力集中现象。相较于四边形排列,六边形排列的TGV阵列可使最大塑性应变降低约25%,循环寿命提升约67.5%。以人工神经网络(ANN)为核心,构建了一种基于仿真数据的代理模型,成功实现了工艺参数到热机械响应的高精度、快速预测。所建立的代理模型在测试集上决定系数R2达到0.9649,具备较高的预测精度,为TGV结构的工艺优化与可靠性设计提供了关键的设计依据和高效的数字化预测工具。