[发明专利]Sn-Ag-Cu-Bi-In-Ti无铅焊料筛选方法及无铅焊料

说明书

本发明提供一种Sn‑Ag‑Cu‑Bi‑In‑Ti无铅焊料合金的筛选方法，包括：获取Sn‑Ag‑Cu系列无铅焊料合金数据集以及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眉托前沿选点，得到多个无铅焊料合金成分推荐。还提供一种根据该筛选方法获得的无铅焊料合金。本发明方法在无铅焊料的设计中体现出明显优势，仅通过几轮筛选就能获得良好机械性能的合金，可以缩减材料研发的经济和时间成本，可推广应用于其它高性能材料的研发，具有广泛的应用前景。

技术领域

本发明涉及电子焊接材料领域，具体涉及一种基于机器学习策略优化的Sn-Ag-Cu-Bi-In-Ti无铅焊料选取方法，以及由此方法获得的合金。

背景技术

随着电子信息产业的不断发展，传统的锡铅焊料由于其优异的性能被广泛应用于电子产品行业。铅元素的存在，可以降低表面张力，并抑制锡的相变从而提高可靠性和稳定性，然而铅元素在锡铅焊料中作为一种基本元素，它的毒性是一个不可忽视的因素，会对环境和人的身体健康产生负面的影响。

随着电子工业中绿色革命潮流的涌起，使得无铅焊料的研究和应用开始急速发展。国际上普遍采用的第一代锡银铜无铅焊料含银较高，主流的合金主要有：欧洲委员会推荐的Sn-3.8Ag-0.7Cu无铅焊料、国际普遍采用的Sn-3Ag-0.5Cu，该类合金具有良好的综合性能，但是由于该合金中含银量较高，导致价格昂贵，造价成本高。针对上述银焊料较高的问题，世界各国开始将注意力集中在研发第二代低银锡银铜无铅焊料，该类合金主要是由Sn-0.3Ag-0.7Cu主流合金成分组成。由于其银含量为第一代锡银铜无铅焊料的十分之一，因此具有较好的性价比。

近年来，低银无铅焊料的研究与应用已经成为各领域研究的热门内容，目前对低银无铅焊料的研究也主要集中在Sn-1Ag-0.5Cu(SAC105)中，但是由于银含量降低，造成熔化特性、综合力学性能、热疲劳性能都有所下降。因此，寻找可以和第一代高银无铅焊料性能相媲美的低银高可靠性无铅焊料是目前阶段的主要目标。现广泛应用于SAC无铅焊料的制备方法有添加微量元素，该方法的优点在于可以改善合金自身成分，以获得优良的组织与力学性能。综上所述，在满足绿色环保的前提下，低成本，高可靠性能是无铅焊料当前阶段的主要发展趋势。

许多材料的优化问题受制于实验或模拟评估的数量，这些评估受到成本或时间的严重限制，导致传统的试错方法对于探索材料领域是困难的。因此，多任务优化所面临的挑战是如何权衡搜索空间的探索与利用，以及如何权衡相互排斥的特性。如今，随着材料信息学的快速发展，机器学习(Machine Learning，ML)结合不同的搜索策略，已被广泛用于协助发现新型材料。机器学习技术在材料学研究中的应用主要体现在以下四个方面：指导新材料的合成与开发、机器学习预测材料属性、机器学习辅助材料微观结构表征、机器学习加速计算模拟技术发展。然而在Sn-Ag-Cu-Bi-In-Ti无铅焊料领域，还未发现有相关机器学习技术的结合，该领域材料的探索仍然需要耗费较多成本和时间。

发明内容

本发明的目的在于利用一种多目标机器学习嵌入式动态规划策略的方法加速开发设计SnAgCu低银无铅焊料合金和降低其成本。

根据本发明的一方面，提供一种Sn-Ag-Cu-Bi-In-Ti无铅焊料合金的筛选方法，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。

在进一步的实施方案中，所述筛选方法还包括：