Un desafío en el diseño de sistemas microelectromecánicos (MEMS) es considerar la

variabilidad de los parámetros de diseño causada por tolerancias de fabricación y propiedades

del material. La función de los MEMS es significativamente influenciada por esta variabilidad,
que se puede representar en términos de variables estadísticas. En para involucrar parámetros de
diseño estadístico en En el proceso de optimización del diseño utilizamos enfoques
probabilísticos. Los métodos de muestreo de Monte Carlo, superficie de respuesta y momento
serán descrito. Aplicamos los métodos a una película delgada. resonador como ejemplo para
mostrar cómo analizar la influencia de la dispersión de los parámetros de diseño en el
comportamiento del resonador. Usamos un Modelo de multifísica COMSOL, que calcula la
primera frecuencia de resonancia. Por realizar el simulación probabilística, el modelo se acopla
a OptiY a través de una interfaz de script.

Introducción
Las propiedades dentro de un conjunto de realizaciones de
un diseño técnico disperso al azar. Variabilidad,
o la incertidumbre de los parámetros de diseño son
causada por inexactitud de fabricación, proceso
inestabilidad, influencias ambientales, humanos
factores, etc. Este aspecto se considera en el
proceso de diseño por conceptos estadísticos. Clásico
La simulación y el análisis de sensibilidad local no pueden
predecir suficientemente el comportamiento del sistema real
causado por la variabilidad del diseño
parámetros. Una simulación probabilística, sin embargo,
calcula las distribuciones de probabilidad de
variables funcionales de cualquier tipo de probabilidad
distribuciones de los parámetros de diseño (Figura 1).
Usando un enfoque probabilístico, el diseñador
ya no piensa en cada variable como una única
valor. En cambio, se supone que cada variable es un
Distribución de probabilidad. Desde este punto de vista,
El diseño probabilístico predice el flujo de variabilidad a través de un sistema. Para mejorar el
diseño
calidad, el diseñador tiene que ajustar el diseño
con el objetivo de reducir el flujo de variabilidad aleatoria. Este enfoque permite predecir y
rectificar muchos problemas de calidad en el diseño inicial
etapas a costo reducido.

2. Por qué diseñar para la confiabilidad y robustez de MEMS

Los micro sistemas electromecánicos de hoy
(MEMS) cumplen una amplia gama de funciones, basadas
sobre efectos electromecánicos, químicos, ópticos, biológicos y termofluidos. 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. Mayor
los obstáculos para la comercialización son la baja fiabilidad,
robustez y calidad. En la optimización del diseño
de un MEMS que es robusto contra la dispersión de
propiedades del material, dimensiones de diseño, propiedades de los pasos tecnológicos o
condiciones ambientales
todo lo que las propiedades tienen que ser consideradas con
sus funciones de distribución. Considerar la dispersión de las propiedades es más importante en
Diseño MEMS, comparado con el técnico clásico
sistemas, debido al hecho de que [3, 5]:
La dispersión del diseño y el proceso.
parámetros es relativamente grande, en comparación
a 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 la distribución especificada
funciones de las propiedades

3. Métodos probabilísticos
Para las relaciones deterministas de entrada-salida, se utilizan métodos probabilísticos para
calcular la
distribuciones de variables de salida de un conjunto dado
de distribuciones estocásticas de variables de entrada. Nosotros
presentar dos clases de métodos probabilísticos
proporcionada por el análisis multidisciplinario y
programa de optimización OptiY [1]: métodos ResponseSurface y Moment, y comparamos
ellos al muestreo de Monte Carlo. También hay un
muchos otros métodos de confiabilidad como FORM,
SORM, valor medio, etc. [4]. Estos métodos
proporcionar solo información limitada, y no será
tratado en este documento

3.1 muestreo de Monte Carlo

El muestreo de Monte Carlo aplica un
generador de números para generar las distribuciones de entrada. Hay varios tipos de
generadores de números: plano Monte-Carlo, LatinHypercube y Sobol. El cálculo del modelo
tiene
a realizar para cada muestra de entrada, para obtener
la muestra de salida. Las distribuciones de salida tienen
para ser calculado estadísticamente a partir de la muestra de salida. Esto es bastante sencillo de
organizar y no
imponen grandes exigencias al modelo, ni siquiera un
Se requiere una relación entrada-salida. Desafortunadamente,
El muestreo de Monte Carlo converge muy lentamente.
Se requieren miles de cálculos de modelos para
Obtenga distribuciones de salida precisas. Resultados
calculados por muestreo de Monte Carlo son estocásticos e inestables, porque dependen de la
conjunto de muestras específico. Por lo tanto, este método no es
recomendado para la optimización del diseño robusto.

3.2 Metodología de superficie de respuesta

Las simulaciones que requieren mucho tiempo solo proporcionan
información puntual sobre las relaciones de entrada-salida en el espacio de diseño. Para explorar
todo
diseñar el espacio y reducir la carga computacional, se aplican métodos de aproximación global.
Estas aproximaciones también se conocen como metamodelo o modelo sustituto. Un
metamodelo reemplaza
la verdadera relación funcional con la expresión matemática y (x), la llamada respuesta
superficie, que es mucho más fácil de calcular. Ahí
Hay diferentes tipos de metamodelos: polinomio, kriging, función de base radial, red neuronal,
etc.
Se diferencian en las expresiones matemáticas que
describir la variable de salida en función de la
variables de entrada. ¿Qué tipo de metamodelo debería
ser aplicada depende de la verdadera relación insumo-producto. Usamos aquí el polinomio
metamodelo en cualquier orden, que es fácil de emplear
y capaz de representar las relaciones de entrada y salida más robustas para la superficie de
respuesta
metodología. Por ejemplo, el segundo orden
el polinomio se puede explicar

Para la generación del metamodelo, eso significa

calculando los factores desconocidos β del polinomio, un número apropiado de puntos de
muestreo
es necesario. Estos denominados puntos de apoyo pueden
seleccionado a través de diferentes diseños de experimento
técnicas (DoE) para obtener el máximo
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, n
2
/ 2 + 3n / 2 + 1
Se requieren cálculos del modelo, donde n es el
número de variables de entrada. Para adaptarse al metamodelo
con los factores desconocidos β a los puntos de apoyo,
Se utiliza el método de mínimos cuadrados o el llamado análisis de regresión lineal.
La distribución de probabilidad de la salida
La variable y se puede obtener usando el método Monte-Carlo.
muestreo con un conjunto de muestra virtual basado en el
metamodelo aproximado. El tiempo de computación
aquí es insignificante en comparación con un tiempo
cálculo del modelo. Los resultados son muy precisos
utilizando un tamaño de muestreo virtual alto. Pero son
todavía estocásticos e inestables, porque también
dependen del conjunto de muestra virtual específico.
Por lo tanto, el método es solo condicional
aplicable para una optimización de diseño robusta
teniendo en cuenta la fiabilidad.
3.3 Método del momento
El principio del método del momento también
se basa en el metamodelo entre entrada y
salida. El tipo de metamodelo aquí es el primero
orden o serie de Taylor de segundo orden como polinomio ansatz:

Para obtener los factores desconocidos de Taylor serie, las derivadas parciales se calculan
basándose en los cálculos del modelo que requieren mucho tiempo. por cada punto de diseño,
estos puntos de apoyo son determinísticamente fijo. Si n es el número de variables de entrada, el
número requerido de modelo cálculos para el momento de segundo orden el método es 2n 2 +1.
En lugar del muestreo de Monte-Carlo, los k-ésimos momentos centrales de la salida aquí se
calculará numéricamente en función de la serie de Taylor aproximada para las distribuciones de
salida:

Las distribuciones de salida se pueden ajustar utilizando el mesa conocida de los momentos.
Estado de El arte es que una distribución de probabilidad arbitraria puede sólo se puede montar
utilizando cuatro momentos centrales. Por lo tanto, solo se pueden usar series de Taylor de
segundo orden por el momento, el método logra Montaje de una distribución. Esta es una
limitación del método de momento comparado con la superficie de respuesta metodología. Pero
el método del momento es adecuado para la mayoría de los casos de simulación. El tiempo de
cálculo de este método también es muy rápido. los Los resultados se calculan analíticamente y,
por lo tanto, muy precisa y definitivamente estable. Este método
permite una optimización rápida y robusta del diseño [2]

Modelo multifísico COMSOL de un

Resonador de película fina
El resonador de película fina consta de una lanzadera
y cuatro voladizos rectos fijados en el exterior
lados. Casi todas las superficies finas micro-mecanizadas
las películas están sujetas a tensión residual. El mas
común es el estrés térmico, que es causado por un
Diferencia en los coeficientes de expansión térmica de la película y el sustrato. Aquí estudiamos
la primera frecuencia resonante del resonador
dependiendo de la tensión residual con un 3D
Mecánica estructural multifísica COMSOL
modelo.
Para resolver las frecuencias propias con
la tensión residual, el análisis de grandes deformaciones
se utiliza. En el primer paso, la tensión residual es
calculado por un solucionador lineal y almacenado. los
El segundo paso calcula las frecuencias propias que involucran la solución lineal almacenada.
La simulación
utiliza los valores nominales de los parámetros de diseño
dado en la Tabla 1. El resultado es un primer resonante
frecuencia de aproximadamente f1 = 19 kHz (Figura 2).
Figura 2. Primera frecuencia resonante a 19 kHz
5. Simulación probabilística
Consideremos ahora la variabilidad natural y
incertidumbre del resonador vía probabilística
acoplamiento de simulación con OptiY [1]. Es
asumió que las propiedades del material y
las influencias ambientales se distribuyen uniformemente
y todas las tolerancias de fabricación son normalmente
distribuidos (Cuadro 1). El objetivo es explorar el
diseño en el punto nominal dentro de la tolerancia
espacio debido a la variabilidad y la incertidumbre. los
Los mecanismos de falla de MEMS dependen de
componentes individuales y por lo tanto debe ser
definido individualmente. Para el resonador de película fina,
la fiabilidad y robustez se caracteriza por
la primera frecuencia resonante f1 ≥ 18 kHz.

Resultados de la simulación
La simulación probabilística se realiza utilizando
varios bucles de cálculo del modelo en COMSOL.
El número depende de la probabilística utilizada
método. Para el resonador, se usa el polinomio ansatz de primer orden sin interacción de entrada
debido a
a la correlación lineal entre entradas y salidas. Solo se necesitan 9 cálculos de modelo para 8
variables estocásticas. El tiempo de computación es
aceptable también para modelos grandes.
En primer lugar, comparamos las funciones de distribución acumulativa (CDF) de la frecuencia
resonante obtenida de la metodología de superficie de respuesta
y el método del momento. Ambos métodos producen el
mismos resultados (Figura 4). Eso apunta a la corrección y alta precisión de todos los métodos
numéricos.
implementado en OptiY.