Machine learning of the mechanical properties and data-driven design of lead-free solder alloys

Abstract

研发具有高强度、高韧性、耐蠕变、耐热疲劳、可焊性好的无铅焊料合金对现代电子工业的发展具有重要意义。金属锡本身具有强度低、塑性高的特点。由于强度和塑性之间的内在矛盾关系，提高焊锡合金强度的同时就有可能降低其塑性，导致其韧性的降低。同时优化焊料合金两种相互制约的性能，从而实现其综合力学性能的提升具有较大的挑战性。本文针对焊锡合金分别建立了以合金成分和原子尺度为特征的两类机器学习模型，通过精度对比，选择了以原子尺度为特征构建的两个预报精度最高的机器学习模型作为最终的学习器，预测了无铅焊料合金的抗拉强度和断裂延伸率。根据各元素的成分范围和变化步长构造虚拟样本集，采用特征SHAP值对特征取值进行约束，筛选出候选虚拟样本并进行预报，以强度和塑性的L2范数作为综合力学性能指标，选取在帕眉托边界上综合力学性能最高的两个虚拟样本进行实验验证。结果表明通过机器学习设计出的两种合金均实现了综合力学性能的提升。本研究可为复杂合金进行拮抗多目标优化设计提供参考。