Méthodes d’Intelligence Artificielle pour l’Optimisation et la Fiabilité des Systèmes Mécaniques : Application aux BGA

Résumé

La fiabilité des interconnexions par billes de soudure de type BGA (Ball Grid Array) constitue aujourd’hui un défi technologique majeur pour l’industrie électronique, confrontée à des exigences toujours plus strictes en matière de miniaturisation, de performance et de durabilité. Soumis à des chargements thermomécaniques et vibratoires sévères, les joints de soudure représentent l’élément le plus critique de ces assemblages et gouvernent directement leur durée de vie en service. Dans ce contexte, cette thèse propose un cadre méthodologique innovant et cohérent pour l’analyse, la prédiction et l’optimisation de la fiabilité des boîtiers BGA. Ce cadre repose sur une approche intégrée combinant la modélisation numérique avancée, les approches fiabilistes incluant l’optimisation déterministe (DDO, Deterministic Design Optimization) et l’optimisation fiabiliste (RBDO, Reliability-Based Design Optimization), ainsi que les techniques d’intelligence artificielle (IA). Les travaux portent sur deux architectures industrielles majeures, les boîtiers FBGA (Fine Ball Grid Array) et CBGA (Ceramic Ball Grid Array), étudiées sous diverses conditions de sollicitation : des vibrations harmoniques isothermes à −40 °C, 25 °C et 125 °C, ainsi que la fatigue thermique, couvrant un large éventail de situations représentatives des conditions réelles de fonctionnement. Dans un premier volet, des simulations thermomécaniques détaillées par éléments finis sous ANSYS APDL ont été développées afin d’évaluer finement les contraintes équivalentes de von Mises et de prédire la durée de vie en fatigue des joints de soudure à l’aide de la loi de Basquin. Une analyse comparative approfondie de plusieurs alliages de soudure industriels (SAC105, SAC305, SAC405 et InnoLot) a mis en évidence la supériorité de l’InnoLot en termes de résistance à la fatigue, tandis que le SAC105 présente les performances les plus limitées. Le second volet est consacré à la prédiction de la durée de vie des CBGA soumis à une fatigue thermique, à partir d’une base de données hybride combinant simulations numériques et résultats expérimentaux. Plusieurs modèles de régression supervisée ont été implémentés, comparés et analysés de manière critique. Les résultats démontrent la supériorité de la régression par forêts aléatoires, capable de capturer des relations non linéaires complexes entre paramètres géométriques, matériaux et durée de vie, avec une précision très élevée (R² = 0,9973) et une excellente stabilité statistique. Le troisième volet s’intéresse aux FBGA soumis à des vibrations harmoniques à 25 °C. Dans ce cadre, sur la base d’un jeu de 576 configurations issues de simulations par éléments finis validées expérimentalement, différents algorithmes d’apprentissage automatique ont été évalués. À l’issue de cette analyse comparative, l’algorithme XGBoost (Extreme Gradient Boosting) s’impose comme une avancée majeure, offrant une robustesse élevée et une précision remarquable (R² > 0,98), tout en maîtrisant efficacement le surapprentissage. Enfin, la thèse intègre une stratégie complète d’optimisation géométrique des joints de soudure, visant à concilier performance mécanique et fiabilité. Après une optimisation déterministe DDO, une optimisation fiabiliste RBDO basée sur la méthode du facteur de sécurité optimal (OSF) permet d’atteindre un indice de fiabilité β = 3 tout en réduisant le volume des joints. Une approche novatrice couplant des métamodèles d’IA à l’algorithme métaheuristique Grey Wolf Optimizer (GWO) est proposée, conduisant à des configurations géométriques optimales, avec un gain significatif en temps de calcul par rapport aux approches classiques. À l’issue de cette thèse, une contribution méthodologique et applicative majeure est apportée à la conception fiabilisée des boîtiers BGA, démontrant le fort potentiel des approches hybrides associant fiabilité, intelligence artificielle et optimisation pour relever les défis de la microélectronique avancée.

Citer ce document

Accès au document

Ce document est hébergé sur son dépôt institutionnel d'origine.

Auteur(s)

Statistiques

Consultations : 4

Téléchargements : 0