(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111238644.0 (22)申请日 2021.10.25 (71)申请人 中国电子科技 集团公司第二十九研 究所 地址 610036 四川省成 都市金牛区营康西 路496号 (72)发明人 钟凯超　陈显才　张晏铭　葛菊祥　 林佳　胡卓非　 (74)专利代理 机构 成都九鼎天元知识产权代理 有限公司 51214 代理人 孙元伟 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/398(2020.01) G06F 111/14(2020.01)G06F 119/08(2020.01) (54)发明名称 一种基于神经网络的快速热模型构建方法 (57)摘要 本发明公开了一种基于神经网络的快速热 模型构建方法， 包括步骤： S1， 建立热链路模型； S2， 热模型建模样本 数据获取及预处理； S3， 神经 网络内核模型建立与训练； S4， 快速热模型封装 等。 本发明解决了复杂系统的热评估 过程中遇到 的网格数量多， 收敛困难且耗时长的共性问题， 在保证仿真进度的前提下可大幅提升热仿真效 率等。 权利要求书1页 说明书5页 附图4页 CN 114036822 A 2022.02.11 CN 114036822 A 1.一种基于神经网络的快速热模型构建方法， 其特 征在于， 包括 步骤： S1， 建立热链路模型； S2， 热模型建模样本数据获取及预处 理； S3， 神经网络内核模型建立与训练； S4， 快速热模型封装。 2.根据权利要求1所述的基于神经网络的快速热模型构建方法， 其特征在于， 在步骤S1 中， 包括子步骤： 从样本数据中提取芯片级、 模块级、 系统级的关键热参数， 并构建出各级的 热阻及热容模型， 进 而构建出一维热网络模型。 3.根据权利要求1所述的基于神经网络的快速热模型构建方法， 其特征在于， 在步骤S2 中， 所述预处 理包括子步骤： S21， 对获取的数据依次排序出 各影响因素的敏感度大小； S22， 加大对步骤S21中排序后对热评估结果有重要影响的因素的样本数量， 进而获取 更为全面有效的建模样本数据。 4.根据权利要求1所述的基于神经网络的快速热模型构建方法， 其特征在于， 在步骤S3 中， 所述热模型建模样本数据包括芯片级、 模块级、 系统级热阻、 热容模型的样本数据。 5.根据权利要求1所述的基于神经网络的快速热模型构建方法， 其特征在于， 在步骤S4 中， 包括步骤： 在封装的同时， 通过增加与专业热仿真软件和工具对接的模型接口文件， 并 经过编译、 链接， 生成能够直接调用的模型动态链接库文件， 该文件能正确映射神经网络模 型， 并被调用驱动完成计算过程。 6.根据权利要求4所述的基于神经网络的快速热模型构建方法， 其特征在于， 在步骤S3 中， 包括子步骤： 对所述芯片级、 模块级、 系统级 热阻、 热容模型的样本数据分别成批量带入 确定结构的神经网络中进行训练， 分别获得表征芯片级、 模块级、 系统级热阻、 热容模型行 为特性的神经网络模型； 其中， 各神经网络模型的输入为影响各级热阻、 热容模型的参数。 7.根据权利要求4所述的基于神经网络的快速热模型构建方法， 其特征在于， 在步骤S3 中， 采用BP神经网络进行建模， 隐层的数目通常取1 ‑2层， 隐层神经元采用Sigmoid型传递函 数， 输出层神经 元则采用purel in型传递函数。 8.根据权利要求6所述的基于神经网络的快速热模型构建方法， 其特征在于， 所述参数 包括流道深度、 流道宽度、 流 量， 各神经网络模型的输出为对应的热阻和热容 值。 9.根据权利要求1～8任一所述的基于神经网络的快速热模型构建方法， 其特征在于， 快速热模型包括 微通道散热器快速热模型。权　利　要　求　书 1/1 页 2 CN 114036822 A 2一种基于神经 网络的快速热模型构建 方法 技术领域 [0001]本发明涉及电子设备热管理技术领域， 更为具体 的， 涉及一种基于神经网络 的快 速热模型构建方法。 背景技术 [0002]随着电子产品不断朝着微型化、 集成化的方向发展， 电子散热已成为制约装备发 展的瓶颈因素。 当前的热仿 真主要基于成熟的商业软件， 其建模速度较慢， 网格划分方法复 杂。 同时， 随着热流密度的增加， 复杂结构热仿 真的网格数量很大， 难以快速收敛， 因此仿 真 时间较长， 故普通的仿真软件不 适用于某些需快速 评估热设计可 行性的应用场景。 [0003]现有技术中， 公开号为CN110083 125A的中国专利提出了一种基于深度学习的机床 热误差建模方法， 该发明能够有效估计机床热误差变化趋势； 公开号为CN111126827A的中 国专利申请提出一种基于BP人工神经网络的投入产出核算模 型构建方法， 该发明通过构建 投入产出BP人工神经网络模型， 进而获得城市尺度的投入产出表； 公开号为CN109739181A 的中国专利提出了一种基于检测神经网络的机床主轴 热误差建模检测方法。 但是， 以上基 于神经网络等算法构建的仿 真模型主要用于结果预测或者误差补偿等， 均未涉及基于神经 网络算法构建快速热模型。 发明内容 [0004]本发明的目的在于克服现有技术的不足， 提供一种基于神经网络的快速热模型构 建方法， 解决了复杂系统的热评估过程中遇到的网格数量多， 收敛困难且耗时长的共性问 题， 在保证仿真进度的前提下 可大幅提升热仿真效率 等。 [0005]本发明的目的是通过以下 方案实现的： [0006]一种基于神经网络的快速热模型构建方法， 包括 步骤： [0007]S1， 建立热链路模型； [0008]S2， 热模型建模样本数据获取及预处 理； [0009]S3， 神经网络内核模型建立与训练； [0010]S4， 快速热模型封装。 [0011]进一步地， 在步骤S1中， 包括子步骤： 从样本数据中提取芯片级、 模块级、 系统级的 关键热参数， 并构建出 各级的热阻及热容模型， 进 而构建出一维热网络模型。 [0012]进一步地， 在步骤S2中， 所述预处 理包括子步骤： [0013]S21， 对获取的数据依次排序出 各影响因素的敏感度大小； [0014]S22， 加大对步骤S21中排序后对热评估结果有重要影响的因素的样本数量， 进而 获取更为全面有效的建模样本数据。 [0015]进一步地， 在步骤S3中， 所述热模型建模样本数据包括芯片级、 模块级、 系统级热 阻、 热容模型的样本数据。 [0016]进一步地， 在步骤S4中， 包括 步骤：说　明　书 1/5 页 3 CN 114036822 A 3