基于降阶建模与神经网络场重建的功率模块电热机多物理场协同仿真加速方法

《Microelectronics Reliability》：Accelerated electro-thermo-mechanical co-simulation of power modules using reduced-order modeling and neural network-based field reconstruction

　　

研究人员提出了一种用于功率模块的多物理场降阶框架。神经网络重构了热场和位移场。场量的相对误差低于±0.7%，结温误差低于1.24%。计算时间较SPICE/FEM仿真减少了最多29倍。在多芯片退化运行条件下表现出鲁棒的预测能力。

研究背景方面，现代电力电子中宽禁带半导体如碳化硅(SiC)和氮化镓(GaN)的应用提升了开关频率、功率密度与系统效率，但也带来了封装可靠性、热调节与机械完整性的挑战。在高功率模块中，电、热、机械强耦合常导致焊料疲劳、键合线翘起及基板开裂等关键失效模式。传统分析依赖电路求解器如SPICE与多物理场有限元(FEM)协同仿真，虽精度高但计算昂贵，难以适应迭代设计或长任务剖评估。现有降阶与紧凑模型策略常孤立处理物理域或适应性有限。为此，研究人员开展了一项基于代理模型的仿真框架研究，结合物理驱动的降阶模型与机器学习场重建，实现功率模块级快速准确的电热机(Electro-Thermo-Mechanical, ETM)仿真。该研究发表在《Microelectronics Reliability》，结论显示该框架在12芯片SiC功率模块上实现了超过95%的计算加速，场误差低于±1.3%，且在标称与退化工况下均保持鲁棒性，具有重要意义。

关键技术方法方面，研究人员采用了热自适应参数化损耗模型(TAPLM)以二阶多项式拟合双脉冲仿真(DPS)获取的开关能量，耦合Foster热网络构建12×12热阻矩阵捕捉自热与芯片间热耦合，并利用拉丁超立方采样(LHS)生成2100组12维功耗输入，通过COMSOL Multiphysics稳态热电机械仿真提取Z=1.92 mm处200×200网格的温度与垂直位移场构建数据集，训练全连接前馈神经网络(层数[12,512,40000]，ReLU激活，Dropout p=0.1，Adam优化器学习率10^-4，MSE损失)实现从标量功耗到全场映射，推理阶段无需调用FEM。

研究结果部分：

1. 1.
   Introduction 引言部分指出研究定位，即TAPLM区别于静态查找表与通用神经网络损耗代理，在电热耦合循环中动态重参数化各芯片二阶多项式损耗模型，集成TAPLM、Foster网络与神经网络场重建器形成端到端工作流，从电气工作点输入直接输出全2D场，此前未在多芯片SiC模块中演示，并限定当前验证于稳态工作点，任务剖面扩展为未来方向。
2. 2.
   State of the art 相关研究综述回顾了SPICE与降阶电学建模、FEM与紧凑热模型、电热与电热机耦合策略及机器学习标量或矢量场估计的现状，指出现有方法在空间分辨率、计算效率与全耦合适应性上的局限，定位本框架兼顾ETM物理覆盖、场级输出与降阶计算成本。
3. 3.
   Methodology 方法学中描述了功率模块含12个SiC芯片的三相逆变拓扑与DBC基板结构，参考全流程为ADS SPICE与COMSOL FEM迭代耦合直至收敛(相对残差r_T^(k)(j)<0.2 °C)，单次点约2小时；降阶策略中TAPLM每迭代用全模块DPS在校验温度重拟合E_on、E_off多项式，Foster网络通过单芯片加热稳态FEM提取R_th矩阵；神经网络以12维功耗为输入映射40000维温度与位移场，训练集90/10划分，验证损失趋近训练损失表明泛化良好。
4. 4.
   Results and discussion 结果与讨论中设标称(全芯片导通)与退化(HS1、LS5阈值电压V_th=20 V致不开关)两工况，边界为电机RMS电流295 A、开关频率10 kHz、冷却液60 °C。标称下参考收敛功耗44.7–47.1 W、结温92.0–97.9 °C，降阶预测44.4–46.8 W、91.7–97.6 °C，结温MAE 0.48 °C、功耗MAE 0.58 W；退化下活跃芯片功耗达64.4 W、结温至109.3 °C，降阶结温MAE 1.29 °C、功耗MAE 1.36 W，TAPLM对失效芯片预测微负功耗系多项式外推局限。计算时间标称由3559 s降至123 s(加速28.9×)，退化由3674 s降至157 s(加速23.4×)。场重建标称温场相对误差-0.38%至+0.20%、位场-0.43%至+0.18%，退化温场-0.60%至+0.28%、位场-0.63%至+0.26%，均低于±0.7%。

讨论部分指出验证为数值对标高保真参考而非实验测量，当前限于稳态热条件可通过离散准静态点处理任务剖面，网络1600万参数配2100样本因LHS广覆盖未见过拟合且退化工况证实泛化，TAPLM负功耗可截断为零，网络固定于Z=1.92 mm平面未来可扩3D或多平面，框架可增应力等标量场输出。结论翻译为：本研究解决了功率转换模块高保真电热机仿真通常每工作点需数小时且与实时监测或快速设计迭代不兼容的计算瓶颈。为此提出多物理场降阶框架以从电气工况加速预测多芯片SiC功率模块热与机械量。虽所用工件如紧凑热网络与神经网络代理重建基于现有方法，框架引入两点贡献：其一热自适应参数化损耗模型(TAPLM)提供新颖温感知与各芯片个体化损耗估算策略，在电热耦合循环中用全模块双脉冲仿真动态重参数化；其二将这些组件集成至单一连贯物理引导电热机代理工作流，结合TAPLM、Foster热网络与神经网络高分辨率场重建，能在推理时不调FEM直接从电气工况预测全2D热与机械场，在12芯片SiC模块上实现超95%计算加速且场重建误差低于±1.3%。框架在标称与两芯片失效退化工况评估，两场景重建温与位移场相对参考FEM误差低于±0.7%，代理在退化强非均匀条件下维持精度证方法鲁棒。未来将做实验测量特别是非接触光学位移以验物理模型与硬件端到端精度，将稳态公式扩至瞬态以时间步大于主导热时间常数0.5 s处理完整任务剖面，神经网络架构拟换卷积编解码以更好利用输出场空间结构并减过拟合，并集成至数字孪生架构实现健康监控与剩余寿命(RUL)估计，标量各芯片热预测可支持智能驱动动态负载均衡的有源热管理。