[发明专利]Sn-Ag-Cu-Bi-In-Ti无铅焊料筛选方法及无铅焊料

权利要求书

1.一种Sn-Ag-Cu-Bi-In-Ti无铅焊料合金的筛选方法，其特征在于，所述方法包括如下步骤：

获取Sn-Ag-Cu系列无铅焊料合金数据集，所述数据集包括合金成分及合金成分对应的多项力学性能数据，根据所述数据集确定帕累托(Pareto)前沿；

基于机器学习模型对所述数据集合进行拟合，通过高斯上确界方法进行建模，建立起合金预测多项力学性能的模型，所述模型为线性模型，根据所述模型在所述帕累托前沿选点，得到多个无铅焊料合金成分推荐。

2.根据权利要求1所述的筛选方法，其特征在于，所述方法还包括：

按照所述多个无铅焊料合金成分推荐，实验合成多个合金，并测试力学性能，所述力学性能包括强度和塑性；

若合成的所述多个合金综合机械性能均劣于合金数据集的无铅焊料合金相应数据，则停止迭代；

若所述多个合金中至少存在一个新合成的无铅焊料合金综合机械性能优于所有Sn-Ag-Cu系列无铅焊料合金数据集对应的无铅焊料合金，则将所述多个合金的数据加所述Sn-Ag-Cu系列无铅焊料合金数据集，并记录该条件下的所述新合成的无铅焊料合金。

3.根据权利要求1所述的筛选方法，其特征在于，所述根据所述数据集确定帕累托(Pareto)前沿包括：

利用正交设计选取多条实验数据作为合金数据集，涉及的合金成分包括Sn、Ag、Cu、Bi、In、Ti，以质量百分比进行成分组合；

按配比将多种不同配比的焊锡合金原料制备为焊料合金样品；

分别对所述焊料合金样品进行力学性能测试，获得合金成分对应的多项力学性能数据，所述力学性能数据包括强度值和塑性值。

4.根据权利要求3所述的筛选方法，其特征在于，所述正交设计选取实验数据集的金属元素组分以及质量百分比组成包括：Ag:1.0％，Cu：0.5％，Bi：取值分别为3.0％、4.0％、5.0％，In：取值分别为2.5％、3.5％，Ti取值分别为0.1％、0.3％、0.5％，其余元素为Sn以及不可避免的杂质。

5.根据权利要求1所述的筛选方法，其特征在于，所述根据所述模型在所述帕累托前沿选点包括：

通过高斯过程模型拟合18条实验数据，其中拟合变量为Sn，Bi，In，Ti四种合金元素的质量百分比含量，拟合响应为强度值和塑性值，得到一个训练好的机器学习模型；

设计虚拟样本，以0.1wt.％(质量百分比)为步长，在Bi：0-7wt.％，In：1-7wt.％，Ti：0-0.6wt.％范围内进行平行设计，其中Ag：＝1.0wt.％，Cu：＝0.5wt.％，Sn＝100-(Ag+Cu+Bi+In+Ti)wt.％，共得到71×61×7＝30317个虚拟样本；

通过所述训练好的机器学习模型对30317个虚拟样本的强度值和塑性值作出预测，得到预报的强度值和衡量其预报不置信度的标准差值，记作：T_i和预报的塑性值和衡量其预报不置信度的标准差值，记作：E_i和其中i＝1，...30317；

通过高斯上确界方法将实验的测量误差进行建模，建立起合金性能的准确预测，通过机器学习模型计算合金强度值大小T_i和其误差标准差定义强度值的预报值为其中m为一常数，通过机器学习模型计算合金塑性值大小E_i和其误差标准差定义塑性值的预报值为其中n为另一常数；

采用线性组合在帕累托前沿选点，平衡强度和塑性两大优化目标，定义体现合金综合机械性能的综合指标为Ot_i＝Tb_i+γEb_i，i＝1，...30317，其中γ为方向参数，根据每次实验反馈结果调整大小，介于0-1之间，计算所有30317个虚拟样本的Ot_i值；

选择Ot_i值最大的前七个虚拟样本作为推荐样本，得到成分推荐。