Vea discusiones, estadísticas y perfiles de autores para esta publicación en: https://www.researchgate.

net/publication/237673276

Diseño para confiabilidad y robustez a través de métodos probabilísticos en COMSOLMultiphysics

con OptiY

Artículo · Enero de 2008

CITACIONES LEE

2 107

2 autores , incluso:

Holger Neubert

Instituto Fraunhofer de Tecnologías y Sistemas Cerámicos IKTS

50 PUBLICACIONES 186 CITACIONES

VER EL PERFIL

Algunos de los autores de esta publicación también están trabajando en estos proyectos relacionados:

Autonomer Mikr Detector autónomo de ionización de micro llama para protección contra explosiones en redes de alcantarillado civiles (FIDEX) " Ver Proyecto

FIDEX - Detector autónomo de ionización de llama miniaturizado para protección contra explosiones en redes de alcantarillado civiles Ver Proyecto

Todo el contenido que sigue a esta página fue subido por Holger Neubert el 28 de julio de 2014.

El usuario ha solicitado una mejora del archivo descargado.

Diseño para confiabilidad y robustez a través de métodos probabilísticos en multifísica
COMSOL con OptiY
El Quan Pham * 1, Holger Neubert 2 y Alfred Kamusella 2 1 OptiY eK Alemania, 2 Instituto de Diseño
Electromecánico y Electrónico, TU Dresden
* Autor para correspondencia: Glattbacher Str. 78, D-63741 Aschaffenburg, Alemania. pham@optiy.de
Resumen: Un desafío en el diseño de sistemas
microelectromecánicos (MEMS) es considerar la variabilidad de
los parámetros de diseño causada por las tolerancias de
fabricación y las propiedades del material. La función de los
MEMS está significativamente influenciada por esta variabilidad,
que puede representarse en términos de variables estadísticas.
Para involucrar parámetros de diseño estadístico en el proceso
de optimización del diseño, utilizamos enfoques probabilísticos.
Se describirán los métodos de Muestreo de Monte Carlo,
Superficie de Respuesta y Momento. Aplicamos los métodos a un
resonador de película delgada como ejemplo para mostrar cómo
analizar la influencia de los parámetros de diseño de dispersión
en el comportamiento del resonador. Usamos un modelo
COMSOL multifísica, que calcula la primera frecuencia de
resonancia. Para realizar la simulación probabilística, el modelo
se acopla a OptiY a través de una interfaz de script.
Palabras clave: Diseño robusto, diseño de confiabilidad, diseño
probabilístico, optimización, MEMS.
1. Introducción
Las propiedades dentro de un conjunto de realizaciones de un
diseño técnico se dispersan aleatoriamente. La variabilidad o
incertidumbre de los parámetros de diseño es causada por
imprecisiones de fabricación, inestabilidad del proceso, influencias
ambientales, factores humanos, etc. Este aspecto es considerado en
el proceso de diseño por conceptos estadísticos. La simulación
clásica y el análisis de sensibilidad local no pueden predecir
suficientemente el comportamiento del sistema real causado por la
variabilidad de los parámetros de diseño. Sin embargo, una
simulación probabilística calcula las distribuciones de probabilidad
de las variables funcionales a partir de cualquier tipo de distribución
de probabilidad de los parámetros de diseño (Figura 1).
Usando un enfoque probabilístico, el diseñador ya no
piensa en cada variable como un valor único. En cambio, se
supone que cada variable es una distribución de probabilidad.
Desde este punto de vista, el diseño probabilístico predice el
flujo de variabilidad a través de un sistema. Para mejorar la
calidad del diseño, el diseñador debe ajustar el diseño.
con el objetivo de reducir el flujo de variabilidad aleatoria. Este
enfoque permite predecir y rectificar muchos problemas de calidad
en las primeras etapas de diseño a un costo reducido.
Figura 1. Variabilidad natural de los sistemas técnicos.
2. Por qué diseñar para la confiabilidad y robustez de
MEMS
Los micro sistemas electromecánicos (MEMS) actuales
cumplen una amplia gama de funciones, basadas en efectos
electromecánicos, químicos, ópticos, biológicos y termofluidos.
Algunos ejemplos son sensores en la industria automotriz,
dispositivos quirúrgicos y biosensores implantables en medicina,
interruptores ópticos y guías de ondas de RF en aplicaciones de
telecomunicaciones y navegación. Los principales obstáculos para
la comercialización son la baja confiabilidad, solidez y calidad. Al
optimizar el diseño de un MEMS que sea robusto contra la
dispersión de las propiedades del material, las dimensiones de
diseño, las propiedades de los pasos tecnológicos o las
condiciones ambientales, todas esas propiedades deben
considerarse con sus funciones de distribución. Considerar la
dispersión de las propiedades es más importante en el diseño de
MEMS, en comparación con los sistemas técnicos clásicos, debido
al hecho de que [3, 5]:
La dispersión de los parámetros de diseño y proceso es
relativamente grande, en comparación con las
dimensiones del sistema,
La funcionalidad está muy influenciada por las
tolerancias,
Muchos materiales están mal caracterizados. Por lo tanto, para
garantizar el máximo rendimiento del producto, se necesita una herramienta de
diseño de confiabilidad y robustez.
deseable que considera funciones de distribución especificadas de
las propiedades.
3. Métodos probabilísticos
Para las relaciones de entrada-salida deterministas, se
utilizan métodos probabilísticos para calcular las distribuciones de
las variables de salida a partir de un conjunto dado de
distribuciones estocásticas de las variables de entrada.
Presentamos dos clases de métodos probabilísticos
proporcionados por el programa de optimización y análisis
multidisciplinario OptiY [1]: métodos ResponseSurface y Moment,
y los comparamos con el muestreo de Monte Carlo. También hay
muchos otros métodos de confiabilidad como FORM, SORM,
valor medio, etc. [4]. Estos métodos proporcionan solo
información limitada y no se tratarán en este documento.
3.1 muestreo de Monte Carlo
El muestreo de Monte Carlo aplica un generador de números
aleatorios para generar las distribuciones de entrada. Hay varios
tipos de generadores de números aleatorios: plano Monte-Carlo,
LatinHypercube y Sobol. El cálculo del modelo debe realizarse
para cada muestra de entrada, para obtener la muestra de salida.
Las distribuciones de salida deben calcularse estadísticamente a
partir de la muestra de salida. Esto es bastante simple de
organizar y no impone grandes exigencias al modelo, ni siquiera
se requiere una relación entrada-salida. Desafortunadamente, el
muestreo de Monte Carlo converge muy lentamente. Se requieren
miles de cálculos de modelos para obtener distribuciones de salida
precisas. Los resultados calculados por el muestreo de Monte
Carlo son estocásticos e inestables, porque dependen del conjunto
de muestras específico. Por lo tanto, este método no se
recomienda para una optimización de diseño robusta.
3.2 Metodología de superficie de respuesta
ging, función de base radial, red neuronal, etc. Se diferencian
en las expresiones matemáticas que describen la variable de
salida en función de las variables de entrada. El tipo de
metamodelo que se debe aplicar depende de la verdadera
relación entrada-salida. Utilizamos aquí el metamodelo
polinomial en cualquier orden, que es fácil de emplear y capaz
de representar las relaciones de entrada-salida más robustas
para la metodología de superficie de respuesta. Por ejemplo,
el polinomio de segundo orden se puede explicar:
y = β y0 +
0
∑ β x + ∑ β X ∑ β xx
1 ii
2+
2 ii ij ij
Para la generación del metamodelo, eso significa calcular los
factores desconocidos β del polinomio, se necesita un número
apropiado de puntos de muestreo. Estos denominados puntos de
apoyo pueden seleccionarse mediante diferentes técnicas de
diseño de experimentos (DoE) para obtener la máxima información
sobre las características de la relación subyacente. Para cada
punto, se realiza la simulación del modelo, que consume mucho
tiempo, para obtener el valor real de la variable de respuesta y.
Para el polinomio de segundo orden, norte 2 / 2 + 3 norte/ Se
requieren cálculos del modelo 2 + 1, donde norte es el número de
variables de entrada. Para ajustar el metamodelo con los factores
desconocidos β para los puntos de apoyo, se utiliza el método de
mínimos cuadrados o el llamado análisis de regresión lineal.
La distribución de probabilidad de la variable de salida y se
puede obtener utilizando el muestreo de Monte-Carlo con un conjunto
de muestra virtual basado en el metamodelo aproximado. El tiempo
de cálculo aquí es insignificante en comparación con un cálculo de
modelo que consume mucho tiempo. Los resultados son muy
precisos utilizando un tamaño de muestreo virtual alto. Pero siguen
siendo estocásticos e inestables, porque también dependen del
conjunto de muestra virtual específico. Por lo tanto, el método solo es
aplicable condicionalmente para una optimización de diseño robusta
considerando la confiabilidad.

Las simulaciones que requieren mucho tiempo solo

proporcionan información puntual sobre las relaciones de entrada
3.3 Método del momento
y salida en el espacio de diseño. Para explorar todo el espacio de
diseño y reducir la carga computacional, se aplican métodos de
El principio del método del momento también se basa
aproximación global. Estas aproximaciones también se conocen
en el metamodelo entre entrada y salida. El tipo de
como metamodelo o modelo sustituto. Un metamodelo reemplaza
metamodelo aquí es la serie de Taylor de primer o segundo
la verdadera relación funcional con la expresión matemática y (x),
orden como polinomio ansatz:
la llamada superficie de respuesta, que es mucho más fácil de
calcular. Hay diferentes tipos de metamodelos: polinomio, kri-
 utiliza los valores nominales de los parámetros de diseño dados en la Tabla
1. El resultado es una primera frecuencia resonante de aproximadamente f1
= 19 kHz (Figura 2).
Para obtener los factores desconocidos de la serie de Taylor, las
derivadas parciales se calculan basándose en los cálculos del
modelo que requieren mucho tiempo. Para cada punto de diseño,
estos puntos de apoyo se fijan de forma determinista. Si norte es el
número de variables de entrada, el número requerido de cálculos
del modelo para el método de momento de segundo orden es 2 norte
2+ 1. En lugar del muestreo de Monte-Carlo, los k-ésimos momentos
centrales de la salida se calcularán aquí numéricamente en función
de la serie de Taylor aproximada para las distribuciones de salida:

Figura 2. Primera frecuencia resonante a 19 kHz

5. Simulación probabilística

Las distribuciones de salida se pueden ajustar utilizando la conocida Consideremos ahora la variabilidad natural y la

tabla de momentos. El estado del arte es que una distribución de incertidumbre del resonador a través del acoplamiento de

probabilidad arbitraria solo puede ajustarse usando cuatro momentos simulación probabilística con OptiY [1]. Se supone que las

centrales. Por lo tanto, solo se pueden usar series de Taylor de propiedades del material y las influencias ambientales se

segundo orden para el método de momento para lograr un ajuste distribuyen uniformemente y que todas las tolerancias de

preciso de una distribución. Esta es una limitación del método de fabricación se distribuyen normalmente (Tabla 1). El objetivo es

momento en comparación con la metodología de superficie de explorar el diseño en el punto nominal dentro del espacio de

respuesta. Pero el método del momento es adecuado para la mayoría tolerancia debido a la variabilidad y la incertidumbre. Los

de los casos de simulación. El tiempo de cálculo de este método mecanismos de falla de MEMS dependen de componentes

también es muy rápido. Los resultados se calculan analíticamente y, por individuales y, por lo tanto, deben definirse individualmente. Para

lo tanto, son muy precisos y definitivamente estables. Este método el resonador de película delgada, la fiabilidad y la robustez se

permite una optimización rápida y robusta del diseño [2]. caracterizan por la primera frecuencia de resonancia f1 ≥ 18 kHz.

Diseño Nominal Tolerancia Estocástico

4. Modelo multifísico COMSOL de un resonador de
Parámetro Valor Valor Distribución
película fina
Joven 155 15,5 Uniforme
módulo mi
El resonador de película fina consta de una lanzadera y (GPa)
cuatro voladizos rectos fijados en los lados exteriores. Casi Densidad rho 2330 200 Uniforme
todas las películas delgadas de superficie micro-mecanizadas (kg / m 3)
están sujetas a tensión residual. El más común es el estrés Residual 50 5 Uniforme
térmico, que es causado por una diferencia en los coeficientes estrés

de expansión térmica de la película y el sustrato. Aquí sigma

(MPa)
estudiamos la primera frecuencia de resonancia del resonador
Declaración 678.15 200 Uniforme
en función de la tensión residual con un modelo 3D COMSOL
Temperatura
Multifísica de mecánica estructural.
mi T1 ( K)
Lanzadera 250 0,5 Normal
Longitud Ls
Para resolver las frecuencias propias con la tensión (µm)
residual, se utiliza el análisis de grandes deformaciones. En el Lanzadera 120 0,5 Normal
primer paso, un solucionador lineal calcula la tensión residual y Anchura Ws
la almacena. El segundo paso calcula las frecuencias propias (µm)
que involucran la solución lineal almacenada. La simulación Voladizos 200 0,5 Normal
Longitud Lc
(µm) Con este comando, COMSOL se iniciará en modo por lotes y
Voladizos 2 0,5 Normal ejecutará el archivo de script (resonator.m) por completo.
Anchura Baño

(µm)
Tabla 1. Parámetros de diseño del resonador.
5.2 Resultados de la simulación

5.1 Acoplamiento COMSOL-OptiY

La simulación probabilística se realiza utilizando varios
ciclos de cálculo de modelos en COMSOL. El número depende
Para acoplar COMSOL Multiphysics con OptiY, el modelo de
del método probabilístico utilizado. Para el resonador, se utiliza
resonador debe guardarse como archivo de script (resonator.m). Luego
el polinomio ansatz de primer orden sin interacción de entrada
defina los parámetros en el archivo de secuencia de comandos y
debido a la correlación lineal entre las entradas y la salida. Solo
reemplace todos los datos del modelo adecuados por estos parámetros.
se necesitan 9 cálculos de modelo para 8 variables estocásticas.
Por ejemplo:
El tiempo de cálculo también es aceptable para modelos
E = 1,55E + 11;
grandes.
rho = 2330;

En primer lugar, comparamos las funciones de distribución

acumulada (CDF) de la frecuencia de resonancia obtenida de la
metodología de superficie de respuesta y el método de momento.
Ambos métodos producen los mismos resultados (Figura 4). Eso
apunta a la corrección y alta precisión de todos los métodos
numéricos implementados en OptiY.

RespuestaSuperficie Método del momento

0,8

0,6
CDF

0,4

0,2

17000 18000 19000 20000 21000

Frecuencia de resonancia
Figura 3. Flujo de trabajo del proceso

Figura 4. CDF de la frecuencia resonante por respuesta

Para acelerar la simulación, todos los comandos para el procesamiento
método de superficie y momento
posterior se eliminan del archivo de secuencia de comandos. Luego, al
final del archivo de script, inserte un comando para guardar la primera
Obtenemos aquí una función de distribución de
frecuencia de resonancia en otro archivo ASCII (fmin.txt):
probabilidad normal (CDF) de la primera frecuencia resonante
f1. Su valor medio calculado por COMSOL Multiphysics es de
fmin = postmin (fem, 'eigfreq_smsld');
19 kHz. Pero el análisis probabilístico proporciona una
guardar fmin.txt fmin -ascii -double;
variación de 17 kHz a 20 kHz en la realidad (Figura 5).
Después de crear el archivo de secuencia de comandos, creamos un flujo de
Aunque la simulación determinista muestra la satisfacción de
trabajo de proceso en OptiY (Figura 3). El archivo de script (resonator.m) está
los requisitos de diseño, su variabilidad puede violar el límite
vinculado como Archivo de entrada y el archivo ASCII (fmin.txt) como Archivo
definido (f1 ≥ 18 kHz). En nuestro caso, el 3% del resonador
de salida. El ExternScript en OptiY es para iniciar la simulación COMSOL que
en un proceso de fabricación en masa puede fallar durante el
contiene los siguientes códigos:
uso.

resonador por lotes comsol


Figura 5. PDF de la frecuencia resonante
Ahora, la siguiente pregunta surge de este resultado: qué
parámetros del modelo contribuyen más a la primera
variabilidad de frecuencia resonante y, posiblemente,
requieren investigación adicional para fortalecer la base de
conocimientos, reduciendo así la incertidumbre de salida. Esta
información también está disponible. El gráfico de sensibilidad
muestra los parámetros de influencia sobre la primera
frecuencia resonante en orden descendente (Figura 6). La
variabilidad del ancho de los voladizos, la tensión residual y la
densidad del material son significativas. Otros parámetros no
juegan un papel importante y se pueden eliminar del modelo
final.
Figura 6. Sensibilidad de la frecuencia resonante
6. Conclusiones
Mostramos las deficiencias de la simulación
determinista actual. El acoplamiento de COMSOL Multifísica
con OptiY permite modelar y simular los componentes
virtuales de MEMS más cerca de la realidad, utilizando
pruebas probabilísticas
Viieew
wppuubblliiccaactitud
enn ssttaattss
métodos. Los aspectos de confiabilidad y robustez se pueden
investigar en las primeras etapas de diseño para ahorrar costos y
tiempo. Esto se demuestra con la ayuda de un resonador de
película delgada como ejemplo de diseño.
7. Referencias
1. OptiY eK: software y documentación OptiY versión 3.1
(2008), www.optiy.de
2. H. Neubert, A. Kamusella, TQ Pham: Diseño robusto y
optimización de acelerómetros de película gruesa en
multifísica COMSOL con OptiY.
europeo COMSOL Conferencia,
Grenoble (2007)
3. S. Tadigadapa, N. Najafi: Reliability of
Micro-Electro-Mechanical Systems (MEMS),
Procedimientos de SPIE, Vol. 4558, págs. 197-255 (2001)
4. BM Adams, MS Eldred, JW Wittwer, Optimización del diseño
basado en la confiabilidad para el diseño de formas de sistemas
microelectromecánicos compatibles, 11 th AIAA / ISSMO
multidisciplinario
Jornada de Análisis y Optimización ( 2006)
5. KL Hsiung, Diseño de sistemas microelectromecánicos
para la variabilidad mediante optimización
ChanceConstrained, Revista de física,
Conferencia internacional MEMS Vol. 34, págs. 162-167 (2006)