Las soluciones integrales de ANSYS, en conjunto con el desarrollo de software personalizado considerando la caracterización de hidrocarburos; se han implementado exitosamente para la sostenibilidad, la fiabilidad, la protección del medio ambiente, control de la contaminación, gestión de riesgos y seguridad en la industria de petróleo y gas.
Conoce más de los proyectos realizados por Grupo SSC implementando las herramientas de simulación y análisis numérico.
Únete a nosotros en un webinar informativo donde presentaremos Mescalea, una plataforma innovadora diseñada para facilitar la compra de membresías de Ansys y CA
Talleres
Análisis Mecánicos, Térmicos y de Fluidos con ANSYS CFD en Workbench
La tecnología de ANSYS aplicada a la Mecánica de Fluidos proporciona los medios necesarios para la simulación robusta y precisa en múltiples procesos y equipos a fin de que puedan ser diseñados y optimizados a su máxima eficiencia
Los tópicos de este curso están destinados a ingenieros con conocimientos básicos o nulos en simulación numérica pero interesados en incursionar en la implementación de ANSYS para el análisis de problemas asociados a la dinámica de fluidos, transferencia de calor y flujos multifase.
Talleres
Innovación disruptiva mediante ANSYS en la industria de Petróleo y Gas
Las soluciones de simulación numérica
permiten a la industria “Oil & gas” mejorar el
desempeño, sustentabilidad y rentabilidad de
sus productos y procesos.
Webinars
Start Up Program | ¿Tienes una idea y buscas innovar?
Muchas de las compañías más grandes del mundo comenzaron como startups, y Grupo SSC, el motor que por años ha impulsado las ideas de Científicos e Ingenieros Mexicanos, asume el compromiso de asegurar que los Emprendedores, sus ideas, diseños y prototipos que nos llevarán mas allá de los limites, funcionen, sean confiables y aceleren la Innovación del País y puedan convertirse en los líderes de la industria del mañana.
Webinars
Dinámica de fluidos en tiempo real con ANSYS Discovery
Este curso te enseñará cómo realizar un finito.
Análisis de elementos utilizando un conjunto existente. Aprenderás cómo crear conexiones entre ensamblajes.
componentes y cómo asignar propiedades de conexión apropiadas. También aprenderá cómo crear un conjunto de análisis a partir de piezas de malla existentes.
ANSYS CFX es una herramienta de alto rendimiento que puede implementarse para la simulación
de los procesos complejos involucrados en los mecanismos de combustión y radiación.
Los tópicos avanzados de este curso están destinados a aquellos ingenieros analistas interesados
en la implementación de ANSYS CFX para la solución efectiva de problemas de combustión y
radiación a través de ANSYS Workbench. El curso está orientado en cubrir los requisitos de
configuración de análisis a través de ejercicios que se centran en el análisis de combustión de
diferentes combustibles así como el desprendimiento de contaminantes.
La robusta tecnología de ANSYS Fluent proporciona los medios para cumplir los requerimientos de análisis de flujos multifásicos
Sin resultados
Videos relacionados con esta industria
Se mostrará el caso del análisis hidrodinámico de una línea de transporte de crudo submarina, con resultados que mejoraron el sistema de contabilidad de aceite
Videos
Soluciones para la industria de petróleo y gas mediante ANSYS CFD
¿Cómo pueden los sistemas autónomos observar el mundo que los rodea? Para empezar, se basan en la visión artificial para percibir el entorno que los rodea. La visión artificial funciona analizando e interpretando datos de sistemas de detección y percepción que detectan estímulos físicos, como luz, sonido, calor o radiofrecuencia (RF).
De hecho, para los sistemas autónomos, la recopilación de datos a través de sensores y su descifrado mediante sistemas de percepción es el primer paso funcional. Por ejemplo, un helicóptero autónomo que transporta suministros por un desierto debe observar primero el terreno que lo rodea para tomar decisiones sobre su trayectoria de vuelo.
Ahí es donde entra en juego la tecnología de detección y percepción. Los sistemas autónomos pueden utilizar cámaras, radares, lidar, cámaras térmicas, sensores ultrasónicos, sistemas de posicionamiento global (GPS), unidades de medición inercial (IMU) y más para obtener información sobre estímulos externos. Luego utilizan esta información para tomar decisiones.
Las aplicaciones de estas tecnologías autónomas en la industria aeroespacial y de defensa (A&D) son igualmente de amplio alcance. Los usos van desde un dron que toma fotografías de alta resolución del terreno que se encuentra muy por debajo de él mientras está en vuelo hasta vehículos autónomos eléctricos de despegue y aterrizaje vertical (eVTOL) que utilizan sistemas avanzados de radar en tiempo real para detectar otras aeronaves.
Es importante mencionar que, si bien los sistemas de detección y percepción son componentes de hardware clave en los diseños autónomos, existen otros componentes físicos esenciales. Por ejemplo, los ingenieros también deben considerar la conectividad y la conexión entre el vehículo y todo (V2X) en sus diseños. Garantizar que los sistemas autónomos tengan el hardware que necesitan para comunicarse de manera consistente y eficaz con la infraestructura, las redes, otros vehículos y dispositivos es imperativo para muchos diseños autónomos. Además, todos estos componentes de hardware también deben estar completamente integrados en los componentes de software, como los sistemas de control.
Al diseñar este hardware esencial, los ingenieros de toda la industria A&D deben centrarse en desarrollar diseños integrados precisos y confiables. A medida que esta tecnología se vuelve cada vez más compleja, el diseño de estos sistemas de hardware se convertirá en un obstáculo aún mayor que los equipos deben superar para innovar en este espacio.
Los sistemas de radar utilizan ondas de radio electromagnéticas para detectar objetos y distancias en diversas condiciones.
Cuatro tecnologías de detección y percepción que debes tener en cuenta
Aunque la tecnología que impulsa la autonomía en A&D es variada y está en aumento, hay cuatro tipos de sistemas de detección y percepción que se encuentran comúnmente en la industria. Los sistemas autónomos procesan la información recopilada a partir de estas tecnologías y la devuelven en un formato que pueden interpretar y aplicar en función de acciones preprogramadas.
1. Cámaras
Los sistemas autónomos utilizan cámaras para grabar y capturar imágenes visuales del mundo que los rodea. Por ello, los ingenieros se centran en desarrollar cámaras de alta resolución que puedan capturar información visual de alta calidad para una percepción y un análisis precisos, sin importar la velocidad del vehículo autónomo, la distancia entre la cámara y el sujeto, las condiciones climáticas u otros fenómenos externos como la luz solar o el resplandor.
Algunos de los principales desafíos que enfrentan los ingenieros al diseñar cámaras son lograr imágenes de alta calidad en diferentes condiciones de iluminación y equilibrar las necesidades de buena resolución, velocidad de cuadros, movimiento y consumo de energía.
2. Sistemas lidar
La detección y medición de distancias mediante luz (lidar) es una tecnología de teledetección que utiliza pulsos de luz para mapear un entorno. Además de los sistemas autónomos, el lidar se utiliza a menudo para el análisis topográfico, la cartografía y la robótica. Los vehículos autónomos utilizan sistemas lidar para crear mapas 3D detallados y una detección precisa de objetos para una mejor percepción.
Para cumplir su función, los sistemas lidar necesitan lograr una calidad de alta resolución, funcionar en grandes rangos y garantizar el rendimiento incluso en condiciones climáticas adversas.
3. Sistemas de radar
Los sistemas de detección y medición de distancias por radio (radar) utilizan ondas de radio electromagnéticas para detectar y medir distancias de objetos de manera fiable. Algunas aplicaciones comunes del radar son el control del tráfico aéreo y la previsión meteorológica. Los sistemas de radar son capaces de detectar objetos y medir distancias de manera fiable en muchas condiciones diferentes.
En cuanto a los desafíos, los sistemas de radar deben garantizar la precisión incluso en entornos saturados y deben gestionar las interferencias de otros sistemas de radar.
4. Cámaras térmicas
Las cámaras térmicas se utilizan para detectar variaciones de temperatura y patrones térmicos y pueden permitir que los sistemas autónomos perciban más fácilmente su entorno en entornos de baja visibilidad, como entornos oscuros.
Los ingenieros que diseñan cámaras térmicas deben asegurarse de que puedan lograr alta sensibilidad y resolución al integrar datos térmicos con otros datos de sensores.
Mirando hacia el futuro: optimización de la tecnología de detección y percepción en A&D
Los ingenieros que trabajan en sistemas de detección y percepción se enfrentan a algunos desafíos principales, sin importar su tecnología específica. Estos incluyen optimizar el tamaño, el peso, la potencia y el costo (SWaP-C) durante todo el proceso de diseño y desarrollo, garantizar que los diseños puedan funcionar de manera óptima incluso en los muchos tipos de plataformas y aplicaciones en los segmentos de la industria A&D, y cumplir con los estándares críticos de seguridad y rendimiento.
Para superar estos obstáculos, el software de simulación de ingeniería ha surgido como una solución necesaria que le permite:
Utilice la IA para optimizar los sistemas de imágenes y crear productos más robustos utilizando un enfoque multifísico integral que tenga en cuenta el calor, la vibración, la deformación y más.
Valide y optimice virtualmente los diseños de antenas y matrices con trazado de rayos y análisis de RF
Integrar y validar sistemas en diversas condiciones y entornos realistas en aire, tierra, mar y espacio.
Aumente la eficiencia y reduzca el tiempo de comercialización mediante escalabilidad, pruebas más eficientes, una menor necesidad de prototipos físicos y automatización.
Gracias a la ingeniería digital, equipos multidisciplinarios de expertos podrán desarrollar diseños de detección y percepción que no sólo sean funcionales, sino también eficientes, precisos, robustos y listos para su implementación lo más rápido posible.
Algunos ejemplos de los avances que podemos ver en este espacio incluyen:
Cámaras con percepción visual mejorada, mejores sistemas de imágenes de múltiples bandas de ondas y mejor reconocimiento y seguimiento de objetos
Radar con detección confiable en todas las condiciones climáticas, medición de distancia mejorada, seguimiento de objetos, peso mínimo y eliminación de objetivos fantasma
Lidar con mapeo 3D preciso y detección de objetos, ubicación óptima y navegación mejorada con evitación de obstáculos
Cámaras térmicas con percepción mejorada en condiciones de baja visibilidad y detección mejorada de patrones térmicos y anomalías
Los ingenieros de todas las industrias utilizan la simulación para evaluar la calidad de sus nuevos diseños. Antes de que existieran estas herramientas de análisis, los ingenieros tenían que construir prototipos físicos y probar sus diseños en el mundo real. Con las herramientas de simulación, se reduce la necesidad de realizar pruebas físicas al proporcionar una forma más rápida y sencilla de analizar los nuevos diseños. La innovación depende de la capacidad de probar nuevas ideas. Cuantos más diseños pueda considerar un ingeniero, más rápido podrá encontrar algo que funcione mejor que el estado actual de la técnica.
Una herramienta de análisis ideal toma la definición de un producto, junto con sus condiciones de funcionamiento, y ofrece instantáneamente una predicción exacta del rendimiento del nuevo diseño. Aunque esto es un sueño, las herramientas de simulación están evolucionando en esta dirección. Con el paso de los años, la simulación se ha vuelto más fácil de configurar, más rápida de ejecutar y más precisa.
En los últimos años, las técnicas matemáticas conocidas como inteligencia artificial (IA) nos han ayudado a dar pasos agigantados hacia estos métodos de análisis ideales. Si observamos las herramientas de Ansys, algunas de nuestras capacidades más avanzadas están impulsadas por IA. Siempre que ha sido posible, las hemos aislado en módulos AI+ dedicados . Esto permite a Ansys proporcionar capacidades de IA a los usuarios sin importar qué paquetes de licencia tengan. Ansys también puede desactivar las capacidades de IA en los productos si los usuarios aún no se sienten cómodos con estas funciones avanzadas. Y, de manera muy sencilla, las opciones AI+ permiten a Ansys destacar las últimas y mejores capacidades impulsadas por IA.
Hasta la fecha, Ansys tiene siete módulos de este tipo disponibles:
CFD IA+
SynMatrix AI+
OptiSLang AI+ (Inteligencia artificial)
Estructuras AI+
Granta MI AI+
Electrónica AI+
Misiones AI+
El módulo Ansys CFD AI+ le permite predecir el comportamiento del fluido con simulaciones de estado estable.
CFD IA+
El módulo Ansys CFD AI+ le permite predecir el comportamiento de fluidos con simulaciones de estado estable que antes solo eran posibles con simulaciones transitorias más costosas. Al ajustar el modelo de turbulencia Ansys Fluent en un resultado de referencia de simulaciones transitorias, puede ejecutar un conjunto de simulaciones de estado estable menos costosas con mayor fidelidad pero con muchos menos recursos computacionales.
SynMatrix AI+
El módulo SynMatrix AI+ incorpora técnicas de IA al diseño de filtros de radiofrecuencia (RF), ayudando a los ingenieros a encontrar la configuración óptima para nuevos filtros de RF.
Granta MI AI+
Con la tecnología Granta MI AI+, los ingenieros de materiales pueden obtener información sobre los factores que afectan las propiedades de los materiales al comprender mejor la relación entre el proceso y la propiedad. Esto permite optimizar los parámetros de procesamiento de fabricación y de materiales existentes y ayuda a definir nuevos materiales.
Un ejemplo que muestra cómo el módulo SynMatrix AI+ incorpora IA en el diseño de filtros de radiofrecuencia (RF).
El módulo optiSLang AI+ permite a los usuarios de Ansys crear modelos sustitutos, que ofrecen una forma de explorar posibles diseños incluso más rápido que con las herramientas de simulación numérica. Algunas técnicas incluso le dan a la IA la capacidad de buscar entre posibles diseños y brindar opciones óptimas a los usuarios. Los operadores humanos simplemente especifican las características de rendimiento deseadas y los algoritmos impulsados por IA realizan la tediosa tarea de considerar todas las posibles configuraciones de productos, identificando y presentando solo las mejores opciones.
La tecnología Ansys Granta MI AI+ permite a los ingenieros de materiales obtener información sobre la relación entre el proceso y las propiedades del material.
Estructuras AI+ y Electrónica AI+
Tanto los módulos Structures AI+ como Electronics AI+ contienen herramientas para predecir la cantidad de potencia de procesamiento que se requiere para ejecutar simulaciones para el software de simulación estructural Ansys Mechanical y los productos de software de simulación electromagnética de placas de circuito impreso (PCB) y paquetes Ansys SIwave . El aprendizaje automático predice cuánto tiempo llevará una simulación (dados los recursos disponibles), cuánta memoria necesitará y qué sucede si un usuario le dedica más potencia de procesamiento. Esta capacidad será aún más importante a medida que Ansys continúe permitiendo a los clientes utilizar la capacidad de procesamiento prácticamente ilimitada en la nube. Los usuarios de Ansys necesitarán saber cuánto les costará implementar la simulación en la nube.
Estas capacidades de IA+ son una muestra de lo que está por venir. Recientemente, Ansys realizó una lluvia de ideas sobre todas las líneas de productos. Se nos ocurrieron alrededor de 150 ideas sobre cómo usar la IA para mejorar aún más los productos de Ansys. Ahora estamos ocupados identificando los elementos de máxima prioridad y determinando cómo implementar estas ideas. El futuro de la IA en Ansys es prometedor.
La resistencia de compuerta del transistor de efecto de campo de metal-óxido-semiconductor (MOSFET) es un parámetro extremadamente importante, especialmente en nodos de semiconductores avanzados de alta frecuencia (16 nm y más pequeños). La resistencia de compuerta determina muchas características de los MOSFET y los circuitos complementarios de metal-óxido-semiconductor (CMOS), como:
Velocidad de conmutación
Retardo RC (resistencia-condensador)
F max — frecuencia máxima de oscilaciones
Ruido de compuerta (térmico)
Resistencia en serie y factor de calidad en capacitores MOS y varactores (capacitadores controlados por voltaje)
Velocidad de conmutación y uniformidad en transistores de efecto de campo (FET) de potencia
Sin embargo, determinar la magnitud real de la resistencia de la compuerta es difícil para estos nodos debido a la resistencia parásita, la capacitancia y la inductancia, entre otras complicaciones. Los efectos parásitos son los efectos de resistencia, capacitancia o inductancia no deseados que existen en el diseño de un circuito debido a imperfecciones físicas en la disposición y los materiales del diseño. Los efectos parásitos, como se los llama, pueden causar pérdida de potencia y calentamiento; también degradan la calidad de la señal. Para comprender mejor el funcionamiento de una compuerta, es importante extraer estos efectos parásitos del modelo para obtener los valores reales de resistencia, capacitancia e inductancia.
Las herramientas especializadas de automatización de diseño electrónico (EDA), como el software de análisis y depuración de parásitos de diseño de circuitos integrados Ansys ParagonX, se pueden utilizar para analizar la resistencia de la compuerta mediante la visualización de la conectividad de la red de resistencia-capacitor (RC) para listas de conexiones posteriores al diseño, incluido SPEF (Standard Parasitic Exchange Format, un estándar IEEE) y DSPF (Defense Security Principles Framework). Estas herramientas pueden sondear las listas de conexiones para ver e inspeccionar los valores R y C y realizar otros análisis eléctricos. Los modelos SPICE también pueden ser útiles, aunque la extracción parasitaria se considera un método más preciso para calcular los valores R y C parásitos alrededor de los dispositivos, ya que "conoce" sobre el diseño.
Se han escrito muchos artículos sobre la resistencia de compuerta. Sin embargo, para el trabajo práctico de los diseñadores de circuitos integrados y los ingenieros de diseño, hay algunos aspectos importantes que no se han analizado ni explicado:
¿Cómo manejan las herramientas de extracción parásita la resistencia de la compuerta?
¿Cómo se puede evaluar la resistencia de la compuerta a partir del diseño o de una lista de conexiones extraída posterior al diseño?
¿Cómo se puede identificar si la resistencia de la compuerta está limitada por la resistencia de la compuerta "intrínseca" (poli compuerta) o por el enrutamiento de metalización de la compuerta, y cuáles son las capas y polígonos más críticos?
¿El efecto distribuido de la compuerta (factores de 1/3 y 1/12 para poli de contacto simple y doble, respectivamente) está capturado en el flujo de diseño de CI en el kit de diseño de procesos (PDK)?
¿El componente de resistencia de compuerta vertical está capturado en los PDK de fundición?
¿La puerta debe hacerse más ancha o más estrecha para reducir la resistencia de la puerta?
Definición y medición de la resistencia de la compuerta
La resistencia de compuerta es una resistencia "efectiva" desde el punto de control (es decir, el puerto de compuerta o el controlador de compuerta) hasta los pines de instancia de compuerta MOSFET, como se muestra en la Figura 1. Un pin de instancia es un punto de conexión entre un terminal de un modelo SPICE y una red resistiva.
Figura 1. Sección transversal del MOSFET e ilustración esquemática de la resistencia de la compuerta
Sin embargo, la simplicidad del esquema de la Figura 1 puede ser engañosa. Las redes de compuertas pueden ser muy grandes y contener muchos puntos de control, docenas de capas (metal y vías), millones de polígonos y hasta millones de pines de instancia de compuerta, como se muestra en la Figura 2.
Figura 2. Ilustración esquemática de la vista superior y la vista en sección transversal de la red de compuertas MOSFET
Una red de compuertas es un gran sistema distribuido con uno o varios puntos de conducción y muchos puntos de destino. Se parece y se comporta como una enorme red de reloj normal que distribuye la tensión de puerta a un FET. Obtener una resistencia de puerta efectiva equivalente para un sistema tan grande y complejo no es una tarea sencilla ni directa. La simulación de circuitos SPICE no informa explícitamente de los valores de resistencia de puerta, por lo que se necesitan herramientas de extracción de parásitos.
Manipulación de la resistencia de la puerta mediante herramientas de extracción parasitaria
Todas las herramientas de extracción parasitaria estándar de la industria manejan la resistencia de la compuerta y su extracción de manera similar. En el diseño, la estructura de la compuerta MOS está representada por una máscara 2D tradicionalmente llamada "poli" (polisilicio), aunque el material puede estar formado por una pila compleja de metal de compuerta y puede tener una estructura 3D compleja.
Las herramientas de extracción básicamente rompen la línea de poli en la intersección con la capa activa (difusión) (el área sombreada en gris oscuro en la Figura 3). Esto produce dos secciones para el análisis: "poli de compuerta" (poli en la región activa; el área sombreada en amarillo) y "poli de campo" (poli fuera de la región activa; el área sombreada en gris claro). Juntos, el poli más las regiones activas constituyen un transistor.
Figura 3. Extracción de R y RC alrededor de una compuerta MOSFET
El poli de la compuerta (área sombreada en amarillo) también está fracturado en el punto central, y un pin de instancia de compuerta del MOSFET (modelo SPICE) está conectado al punto central del poli de la compuerta (la línea vertical negra en el centro del área sombreada en amarillo). El poli de la compuerta está representado por dos resistencias parásitas que conectan los puntos de fractura. Las resistencias parásitas que representan el poli de campo están conectadas a los contactos de la compuerta o a las capas MEOL (medio-extremo de la línea, que consiste en metal/vía de interconexión) y, además, a las capas de metal superiores.
La capacitancia parásita extrínseca del MOSFET entre el poli de la compuerta y la difusión de fuente/drenaje y los contactos se calcula mediante herramientas de extracción parásita y se asigna a los nodos de las redes resistivas. Los detalles de la conexión de la capacitancia parásita a la red de resistencias de la compuerta pueden tener un impacto importante y significativo en la respuesta transitoria y de CA, especialmente en nodos avanzados donde la resistencia parásita de la compuerta es enorme.
Estos detalles se pueden ver en el archivo DSPF, pero no suelen analizarse en la literatura abierta ni en la documentación de PDK de Foundry. La inspección visual de los archivos DSPF de texto es tediosa y requiere experiencia. Se puede utilizar software de simulación como la aplicación ParagonX para visualizar la conectividad de la red RC para listas de conexiones posteriores al diseño (por ejemplo, DSPF, SPEF), inspeccionar los valores R y C, realizar análisis eléctricos y otras cosas útiles.
Un modelo de puerta de orden reducido
Una puerta MOSFET forma una red RC grande y distribuida a lo largo del ancho de la puerta, como se muestra en la Figura 4.
Figura 4. Propiedades distribuidas y modelo de la compuerta a lo largo del ancho de la compuerta.
Esta red distribuida tiene una respuesta transitoria y de CA diferente a la de un circuito simple con un elemento R y un elemento C. Los investigadores demostraron que una red RC como esta se comporta aproximadamente igual que una red con un elemento R y un elemento C, 1 donde:
C es la capacitancia total
R=1/3 * W/L * rsh para poli conectado de un solo lado
R=1/12 * W/L * rsh para poli conectado de doble cara
Aquí, W es el ancho, L es la longitud y rsh es la resistencia laminar del poli. Los coeficientes (1/3 y 1/12) permiten un modelo preciso de orden reducido para la compuerta, reduciendo una gran cantidad de elementos R y C a dos (o tres) resistencias y un capacitor. El uso de un modelo de orden reducido simplifica y acelera los cálculos realizados por el software de extracción parásita.
Impacto de los parásitos de interconexión en la resistencia de la compuerta
En las tecnologías de nodos más antiguas, las interconexiones de metal, como el metal y las vías, tenían una resistencia muy baja y la resistencia de la compuerta estaba dominada por el poli de la compuerta. El análisis y el cálculo de la resistencia de la compuerta eran muy simples.
Cuando las tecnologías alcanzan los 16 nm y tamaños más pequeños, las interconexiones tienen una resistencia muy alta y pueden contribuir significativamente (50 % o más) a la resistencia de la compuerta. Según el diseño, la resistencia de la compuerta puede tener contribuciones significativas de cualquier capa: dispositivos (por ejemplo, poli de compuerta o poli de campo), MEOL o back end of line (BEOL, que consiste en las capas superiores con metales gruesos y capas de pasivación).
La Figura 5 muestra los resultados de la simulación de la resistencia de la compuerta con el software ParagonX. Un diagrama de Pareto (Figura 5a) con contribuciones de resistencia por capa ayuda a identificar las capas más importantes para la resistencia de la compuerta. La visualización de las contribuciones por polígonos de diseño (Figura 5b) a la resistencia de la compuerta señala inmediatamente los puntos de estrangulamiento o cuellos de botella para la resistencia de la compuerta, que son muy útiles para orientar los esfuerzos de optimización del diseño.
Figura 5. Resultados de la simulación de la resistencia de la compuerta: (a) contribución de la resistencia de la compuerta por capa, y (b) contribución de los polígonos mostrados por color sobre el diseño.
Resistencia de compuerta en FinFET
En los MOSFET planares, la puerta tiene una estructura plana muy simple y el flujo de corriente en la puerta es unidimensional a lo largo de la dirección del ancho de la puerta.
En las tecnologías de transistores de efecto de campo de aletas (FinFET), la compuerta se envuelve alrededor de aletas de silicio muy altas, lo que da lugar a una estructura 3D complicada. Además, el material de la compuerta se selecciona en función de la función de trabajo, o el trabajo termodinámico mínimo necesario para sacar un electrón de un sólido a un punto en el vacío inmediatamente fuera de la superficie sólida, para ajustar el voltaje de umbral. El voltaje de umbral en los FinFET no se ajusta mediante el dopaje del canal, sino mediante los materiales de la compuerta. Estos materiales tienen una resistencia muy alta, mucho mayor que el polisoldado (que tiene una resistividad de lámina típica de ~10 ohmios/cuadrado). Además, la compuerta puede estar formada por múltiples capas, como una capa de interfaz con silicio y una o más capas por encima de ella.
Sin embargo, al utilizar software de extracción parasitaria, todos estos detalles quedan ocultos para los diseñadores de circuitos integrados y los ingenieros de diseño. Ellos ven los polígonos habituales para "poli" y para "activo", lo que hace que el trabajo de diseño sea mucho más fácil.
Componente vertical de la resistencia de la compuerta
En las tecnologías anteriores a los 16 nm, la resistencia de la compuerta estaba dominada por la resistencia lateral. Sin embargo, en las tecnologías avanzadas, las múltiples interfaces entre las capas de material de la compuerta dan lugar a una gran resistencia vertical de la compuerta. Esta resistencia es inversamente proporcional al área del poli de la compuerta. Se puede modelar como una resistencia adicional que conecta un pin de instancia de la compuerta al punto central del poli de la compuerta, como se muestra en la Figura 6a. Como resultado, cuando la compuerta se vuelve más angosta (por ejemplo, tiene una menor cantidad de aletas), la resistencia de la compuerta disminuye, pero la resistencia de la compuerta aumenta con anchos de compuerta muy pequeños, como se ve en la Figura 6b. 2 Muestra un comportamiento no monótono característico. La antigua regla empírica según la cual "la compuerta más angosta tiene una menor resistencia de compuerta" ya no funciona. Los diseñadores e ingenieros de diseño tienen que seleccionar el ancho de compuerta (número de aletas) óptimo (no mínimo) para minimizar la resistencia de la compuerta.
Figura 6. (a) Modelo de compuerta que tiene en cuenta la resistencia de compuerta vertical y (b) resistencia de compuerta medida y simulada en función del número de aletas (de [2])
Tendencias tecnológicas
Como hemos visto, con la ampliación de la tecnología a nodos cada vez más pequeños (que en la actualidad alcanzan tamaños tan bajos como 2 nm), tanto las resistencias de compuerta como las resistencias de interconexión aumentan significativamente, hasta en uno o dos órdenes de magnitud. Como resultado, los detalles del diseño que no eran importantes para la resistencia de compuerta en los nodos más antiguos se vuelven muy importantes en los nodos avanzados. Esta tendencia continuará a medida que las dimensiones de los nodos sigan disminuyendo. Para comprender los valores de resistencia de compuerta equivalentes y efectivos en estos niveles, se requiere un software de extracción parásita como el software ParagonX porque los modelos SPICE ya no son efectivos en estos niveles.
Convengamos en que siempre es bueno saber dónde se está cuando se está en el aire. El problema es que, de hecho, no siempre se sabe exactamente dónde se está. Los fuselajes modernos, ya sean aviones que trasladan personas de un lugar a otro o drones que entregan paquetes para Amazon, determinan la ubicación en tiempo real utilizando señales de radiofrecuencia (RF) emitidas desde el Sistema Global de Navegación por Satélite (GNSS). Sin embargo, las cinco redes de satélites que constituyen el GNSS se ciernen a unos 20.000 kilómetros sobre la superficie de la Tierra, y las señales que llegan a la antena de un fuselaje son muy débiles. Si un avión vuela a través de una zona donde una señal de RF más fuerte crea interferencias (intencionadamente o no), la débil señal GNSS puede perderse. Hasta que elimine la interferencia, el sistema de navegación puede no ser capaz de calcular la posición real del fuselaje, lo que sería un problema grave si la señal se perdiera, por ejemplo, justo cuando un avión desciende para aterrizar en una pista con niebla.
Se podría intentar superar este problema documentando una ruta de vuelo específica y registrando dónde y por qué se perdieron las señales GNSS, pero los problemas con este enfoque son múltiples. No solo sería ineficiente y costoso explorar cada ruta de vuelo común, sino que algunas pérdidas de señal podrían deberse al diseño de la antena, que podría afectar solo a las aeronaves que usan esa antena. Además, algunas pérdidas de señal experimentadas por la aeronave podrían deberse a fuentes transitorias en tierra, como un camionero de larga distancia que utiliza un bloqueador ilegal para evitar que una puerta de peaje rastree la posición del camión. Afortunadamente, los investigadores del Centro Aeroespacial Alemán (DLR) han encontrado una forma mucho más elegante y rentable de abordar el problema de la interrupción de la señal y la pérdida de información sobre la posición utilizando herramientas de simulación de Ansys.
Predecir resultados reales sin vuelos reales
En su artículo “ Validación virtual de la recepción de señales GNSS en vuelo durante interferencias para aplicaciones aeronáuticas ”, los autores Veenu Tripathi y Stefano Caizzone describen su trabajo desarrollando un enfoque para garantizar la recepción ininterrumpida de GNSS, que en última instancia evita la necesidad de realizar vuelos costosos para determinar dónde y por qué se pueden perder las señales GNSS. Utilizando el software de simulación electromagnética HFSS de Ansys y el software de ingeniería de misión digital Ansys Systems Tool Kit (STK) , Tripathi y Caizzone desarrollaron un gemelo digital que reconstruye un escenario de vuelo completo (incluida la dinámica de vuelo, la antena realmente utilizada en el fuselaje y el impacto de su instalación en la aeronave) y utiliza la simulación para predecir la recepción de señales y la interferencia. Demuestran la capacidad de utilizar la simulación para analizar el rendimiento en vuelo de diferentes configuraciones de antena-aeronave para superar escenarios de interferencia específicos.
El proyecto emprendido por Tripathi y Caizzone implicó fases sucesivas de prueba y validación. Inicialmente, utilizaron el software HFSS para diseñar un conjunto de antenas compacto (3,5 pulgadas) que constaba de cinco elementos (cuatro centrados en las bandas de transmisión GNSS L1/E1 y uno centrado en la banda L5/E5a). A continuación, la antena se construyó y probó en una cámara de campo cercano semianecoica en el DLR, donde se midieron los campos electromagnéticos resultantes y se convirtieron en corrientes equivalentes que se utilizarían en simulaciones posteriores. Posteriormente, Tripathi y Caizzone utilizaron el software HFSS para combinar la malla de la antena con un modelo de ingeniería asistida por ordenador (CAE) de un avión. Esto no solo permitió a los investigadores ver cómo las reflexiones del avión podrían afectar a los patrones de radiación de la antena, sino que también les permitió construir un gemelo digital del avión y la antena reales que utilizarían para validar los resultados de sus simulaciones de vuelo.
Veenu Tripathi y Stefano Caizzone utilizaron el software de simulación electromagnética Ansys HFSS para combinar la malla de una antena con un modelo de ingeniería asistida por computadora (CAE) de un avión que luego usarían para validar el rendimiento simulado de la antena en vuelo.
Tripathi y Caizzone también utilizaron las instalaciones del DLR para medir el rendimiento de una antena que se utilizaría para enviar una señal de interferencia GNSS en la trayectoria de un avión. A continuación, importaron esa información de rendimiento, junto con información sobre el rendimiento de la combinación de avión y antena, así como las características de la señal de enlace descendente de los satélites GNSS que operan en los rangos de RF L1 y E1, al software STK. Dado que la solución STK está diseñada para respaldar la ingeniería de misiones digitales y el análisis de sistemas, proporcionó a Tripathi y Caizzone la potencia que necesitaban para construir una simulación completa de un avión que encuentra una señal de interferencia GNSS en vuelo.
Validación de los resultados simulados
Para validar los resultados de rendimiento de su antena en la simulación, Tripathi y Caizzone hicieron volar un avión con su antena diseñada con HFSS en un circuito de prueba. Midieron las características reales de rendimiento en vuelo de las cuatro antenas de su conjunto tanto en presencia como en ausencia de interferencias de la fuente de interferencia del GNSS. Posteriormente, compararon las mediciones del mundo real con las producidas en la simulación utilizando las soluciones HFSS y STK y encontraron una buena concordancia entre los conjuntos de datos.
Datos de la relación portadora-ruido medidos y calculados por la misión para la conectividad de cada uno de los elementos de antena L1/E1 con cada uno de los 11 satélites GNSS diferentes en presencia de una señal de interferencia. (a) Ant.1. (b) Ant.2. (c) Ant.3. (d) Ant.4. Líneas continuas = resultados medidos; líneas discontinuas = resultados simulados. “G#” y “gps-#” identifican la fuente del satélite GPS.
“Al incorporar mediciones de antenas reales y análisis de rendimiento instalado en los escenarios de vuelo del sistema”, escriben los investigadores, “podemos obtener información valiosa sobre el rendimiento que se puede esperar en vuelo, incluso antes de volar. Este enfoque permite una representación más realista de las condiciones y los parámetros involucrados, lo que permite obtener mejores conocimientos y predicciones para los resultados de las pruebas y ahorrar mucho tiempo y dinero necesarios para múltiples pruebas de vuelo reales. Esto demuestra la importante capacidad de la herramienta como herramienta predictiva, lo que permite la planificación de experimentos o incluso la simulación virtual de varias configuraciones de antenas (y) aeronaves mientras se opera en escenarios de interferencia específicos para obtener resultados que se aproximan mucho a las condiciones de vuelo reales”.
Los fabricantes de productos de hoy en día se encuentran bajo una presión considerable para acelerar los ciclos de desarrollo y lanzar sus productos al mercado más rápidamente. Al mismo tiempo, los productos se están volviendo más complejos. La funcionalidad inteligente y conectada y el software avanzado se han convertido en elementos básicos de productos que abarcan desde automóviles y maquinaria industrial hasta electrodomésticos de cocina.
Las soluciones de simulación han permitido a las empresas desarrollar estos productos de forma más eficiente. Entre los numerosos beneficios de la simulación se incluyen la reducción de la dependencia de costosos prototipos y pruebas físicas, la mejora de la calidad del producto y la reducción de los plazos de desarrollo del producto. Pero la simulación también produce grandes cantidades de datos. Recopilar, almacenar, acceder y compartir estos datos de forma eficiente a lo largo del ciclo de vida del producto sigue siendo un desafío. Muchas organizaciones utilizan soluciones de gestión del ciclo de vida del producto (PLM) o de gestión de datos del producto (PDM) para gestionar los datos de simulación. Sin embargo, estas herramientas carecen de la funcionalidad que estas empresas necesitan para optimizar la gestión y los procesos de datos de simulación. Cada vez más, los fabricantes de productos recurren a soluciones de gestión de datos y procesos de simulación (SPDM) para acelerar y mejorar aún más el enfoque del desarrollo de productos.
Para comprender mejor los desafíos de gestión de datos de simulación que enfrentan actualmente las organizaciones de ingeniería y fabricación y cómo las soluciones SPDM abordan sus inquietudes, la firma de investigación Lifecycle Insights realizó el “ Estudio de gestión de datos de simulación 2024 ”. Este análisis de mercado de SPDM encuestó a 200 empresas e incluyó entrevistas. Los hallazgos indican que las herramientas y los procesos que utilizan muchas empresas para gestionar los datos de simulación son insuficientes para sus necesidades. El informe también sugiere que las soluciones SPDM brindan capacidades que mejoran el desarrollo de productos al permitir que las empresas extraigan el máximo valor de sus inversiones en simulación.
Los participantes del estudio afirman que el proceso de simulación y la gestión de datos (SPDM) proporcionan varias capacidades valiosas para los desarrolladores de productos relacionadas con la búsqueda y el intercambio de datos de simulación precisos y actualizados.
Los procesos de simulación convencionales son ineficientes
Las soluciones de simulación son fundamentales para el proceso de desarrollo de productos en todas las industrias. De hecho, el 100 % de los encuestados afirman utilizar la simulación en el desarrollo de productos. Pero utilizar la simulación y maximizar su impacto son cosas diferentes. Debido a que los productos son cada vez más complejos, los costos de los materiales están aumentando y la presión para llevar los productos al mercado más rápidamente está aumentando, es más importante que nunca maximizar la eficiencia del proceso de simulación. Sin embargo, con demasiada frecuencia, los datos de simulación se gestionan de forma ineficiente. Como resultado, las empresas tienen dificultades para encontrar, acceder y compartir información vital con las partes interesadas clave. Los desarrolladores de productos de hoy requieren una solución más integral que permita una mejor gestión de los datos de simulación.
Las soluciones SPDM maximizan el valor de la simulación
En lugar de depender de soluciones PDM o PLM, que no son adecuadas para gestionar datos de simulación, las organizaciones de ingeniería deben utilizar soluciones SPDM que se adapten a sus necesidades. Las soluciones SPDM abordan las limitaciones de las herramientas PDM y PLM, lo que permite a las empresas acelerar el desarrollo de productos y maximizar el retorno de la inversión en simulación. En muchos casos, esa inversión es significativa: el 77 % de los encuestados afirma que sus empresas gastan anualmente al menos 10 millones de dólares en simulación, mientras que el 37 % gasta anualmente al menos 50 millones de dólares.
Incorporando SPDM
La simulación desempeña un papel importante y permanente en la mejora del desarrollo de productos en todas las industrias. Los tipos de mejoras que permite la simulación (reducción de los costos de creación de prototipos y pruebas, acortamiento de los plazos de diseño y aumento de la calidad del producto) son cruciales para las empresas que trabajan para seguir el ritmo de sus competidores en mercados complejos. Lamentablemente, demasiadas empresas socavan sus propios esfuerzos al gestionar los datos de simulación sin una forma óptima de hacerlo.
Pero cuando las organizaciones integran una solución SPDM dedicada con su software PLM existente, pueden acelerar aún más el proceso de desarrollo del producto, utilizar la simulación de manera más efectiva durante todo el ciclo de vida del producto, reducir los errores de comunicación y maximizar el retorno de su inversión sustancial en simulación.
Las empresas que buscan lograr este tipo de mejoras en el desarrollo de productos deben hacer lo siguiente:
Examine el proceso actual de desarrollo de productos de la empresa y la eficacia con la que gestiona los datos y procesos relacionados con la simulación.
Identifique los vínculos rotos en los procesos de simulación y los datos en el hilo digital existente para determinar si esos procesos y datos están conectados a lo largo del ciclo de vida del producto.
Implementar SPDM e integrarlo con la solución PLM actual de la empresa para garantizar que la simulación esté disponible durante todo el ciclo de vida del producto.
