Procedimiento y validación de métodos computacionales para ensayos de vuelcos de carrocerías
Procedimiento y validación de métodos computacionales para ensayos de vuelcos de carrocerías
Procedimiento y validación de métodos computacionales para ensayos de vuelcos de carrocerías
Procedimiento y validación de métodos computacionales para ensayos de vuelcos de carrocerías de buses según CEPE/UNECE R66 implementando el software ANSYS-LSDYNA.
Autor: Mario Brito Procedencia: Cendingeniería S.A.
Considerado el metal estructural más ligero de la Tierra, el magnesio es cada vez más popular en la industria manufacturera. De hecho, se espera que el mercado mundial de aleaciones de magnesio supere los 6 mil millones de dólares en 2027. Las aleaciones de magnesio (mezclas de magnesio con otros metales como el zinc y el aluminio) son las preferidas por su relación resistencia-peso, que aumenta su flexibilidad y capacidad de fundición para muchos procesos de fabricación.
RAUCH Furnace Technology GmbH (RAUCH FT) es una empresa familiarizada con las aleaciones de magnesio. La empresa con sede en Austria está considerada como líder mundial en el mercado de sistemas de fusión de magnesio y ofrece soluciones tecnológicas de alta calidad para la fusión de magnesio, zinc y metales no ferrosos.
Las aleaciones de magnesio se procesan en hornos de fusión, como el horno de fusión de magnesio RAUCH de la serie MSO, a temperaturas y presiones extremas. Uno de los componentes más importantes del horno es su crisol, la unidad, recipiente o recipiente diseñado para contener los materiales que se van a fundir. Un mal funcionamiento del horno o de su crisol puede provocar retrasos importantes. Por este motivo, el mantenimiento es clave para su funcionamiento y rendimiento.
El año pasado, con la ayuda de las oficinas de Austria y Alemania de CADFEM , un socio de canal de Ansys Apex, RAUCH integró el software de simulación de Ansys para desarrollar un enfoque de mantenimiento predictivo. Al adoptar la tecnología de gemelos digitales de Ansys y el software estructural, de fluidos y de optimización, RAUCH redujo el riesgo de falla del horno al monitorear digitalmente el crisol.
El horno de fusión de magnesio RAUCH MSO1200B tiene una capacidad de fusión de 1.200 kg/h (derecha) y durante el proceso de mantenimiento se utiliza el recipiente de fusión de magnesio RAUCH MSB600E (izquierda) con una capacidad de contenido de crisol de aproximadamente 725 kg y una cantidad de dosificación máxima de 600 kg.
El software Ansys optiSLang cuenta con varios métodos para el diseño de experimentos (DOE). El DOE determinista clásico, como una cuadrícula, es adecuado para unos pocos parámetros. Sin embargo, si hay varios parámetros, se utilizan algoritmos más adecuados y técnicas avanzadas como el muestreo de hipercubo latino (LHS).
Los ingenieros de RAUCH utilizaron el método LHS para seleccionar unos 100 puntos de muestreo. A continuación, evaluaron el DOE utilizando el Metamodelo adaptativo de pronóstico óptimo (AMOP), uno de los algoritmos de aprendizaje automático (AutoML) del software optiSLang, y la matriz de coeficiente de pronóstico (COP) resultante.
En esencia, un metamodelo es un modelo de un modelo y, como sugiere su nombre, AMOP es adaptativo. Esto significa que, después del DOE inicial, AMOP crea automáticamente un metamodelo de pronóstico para los resultados. Encuentra regiones donde el metamodelo es favorable y regiones donde nuevas observaciones podrían mejorar la calidad. Con base en esta información, AMOP ejecuta automáticamente nuevas simulaciones para futuras iteraciones. Un análisis modal de los flujos de calor en la superficie del crisol fue el primer paso hacia la reducción del modelo y la creación de una unidad de maqueta funcional (FMU).
Mientras que la primera etapa involucró fluidos y optimización, la segunda etapa involucró estructuras. El equipo utilizó el software de análisis de elementos finitos (FEA) estructural de Ansys Mechanical para analizar características como los efectos transitorios durante el bombeo a chorro y otros procesos. La herramienta de modelado de elementos finitos del lenguaje de diseño paramétrico de Ansys (APDL) ayudó al equipo a calcular las tensiones locales en función de los efectos transitorios, al tiempo que consideraba los efectos de la temperatura y las cargas mecánicas. Los puntos de medición definidos a priori para la geometría del crisol informaron y definieron el modelo termomecánico de orden reducido (ROM). Esta parte del flujo de trabajo fue guiada por CADFEM.
El software de optimización de diseño e integración de procesos Ansys optiSLang tiene varios métodos para realizar un diseño de experimentos (DOE), desde el DOE determinista clásico hasta técnicas más avanzadas como el muestreo de hipercubo latino (LHS).
El software Ansys Twin Builder se combina con la simulación multifísica de Ansys para permitir el modelado de orden reducido (ROM), que reduce la complejidad del modelo y acelera los flujos de trabajo de simulación.
Para la tercera y última etapa, los ingenieros crearon un modelo gemelo digital utilizando la plataforma de gemelos digitales basada en simulación Ansys Twin Builder , combinando las mediciones y la ROM con una verificación en vivo de los cálculos de salida realistas. Para ampliar su uso, RAUCH incorporó el modelo gemelo digital en un microservicio con scripts de Python para implementarlo en una plataforma de nube externa.
El microservicio es proporcionado por la empresa de consultoría de gemelos digitales de CADFEM, ITficient AG , y consta de dos partes: un programador y un sistema de ejecución. El programador toma medidas de los sensores físicos de la celda de fundición a presión y las pasa al sistema de ejecución. El equipo utilizó cálculos de preprocesamiento para preparar los datos de entrada para el modelo, mientras que la ROM calculó los datos de salida sin procesar, que luego fueron manipulados por una rutina de posprocesamiento. Un ejemplo de una rutina desarrollada con CADFEM es la aproximación de un grado de utilización basado en estándares comunes.
El flujo de trabajo establecido permite al equipo abordar sensores virtuales específicos de interés. El programador toma los cálculos de los sensores virtuales y genera puntos de medición para el entorno de la nube. Como resultado, se puede acceder tanto a los sensores físicos como a los virtuales en la visualización del entorno de la nube.
El horno de fusión de magnesio RAUCH MSO1100R tiene una capacidad de fusión de 1.100 kg/h y una capacidad de contenido de crisol de aproximadamente 1.550 kg.
Democratizando la simulación
Florian Sipek, director de investigación y desarrollo (I+D) de RAUCH, atribuye la exitosa integración al apoyo de socios fuertes.
“En el caso de una empresa pequeña o mediana, en particular, necesitamos contar con una sólida colaboración”, afirma. “Por supuesto, no podemos representar todos los aspectos de un gemelo digital”.
Sipek explica que la experiencia de RAUCH reside principalmente en simulaciones CFD, mientras que CADFEM apoya FEA e ITficient proporciona el microservicio.
Aunque pasar del mantenimiento tradicional al mantenimiento predictivo requiere una apertura a las herramientas digitales, la experiencia de RAUCH demuestra que no requiere una gran experiencia en simulación o gemelos digitales. De hecho, en muchos casos, las herramientas digitales ayudan a democratizar la simulación mediante el uso de algoritmos integrados que simplifican procesos que de otro modo llevarían mucho tiempo y serían complejos.
Un ejemplo de ello es la capacidad ROM del software Twin Builder. Cuando se le pregunta cómo el software Twin Builder y la función ROM contribuyen a la eficiencia y eficacia de los procesos del horno de fusión RAUCH, Sipek reconoce que se trata de una mejora del flujo de trabajo y de la satisfacción del cliente.
“El proceso de digitalización está en pleno auge incluso en el sector de la fundición, que es muy tradicional”, afirma. “Comenzamos con el registro de datos y el análisis manual, lo que al principio supuso un gran problema, pero con el tiempo nuestros clientes valoran cada vez más el esfuerzo [digital] y los resultados que se obtienen a partir de los datos”.
Los ingenieros de RAUCH reducen el riesgo de falla del horno al monitorear digitalmente el crisol utilizando la tecnología de gemelo digital y la simulación multifísica de Ansys.
El horno de fusión de magnesio RAUCH MSO1500R tiene una capacidad de fusión de 1.500 kg/h y una capacidad de contenido de crisol de aproximadamente 2.830 kg.
Mirando hacia el futuro
Con un proyecto gemelo digital completado con éxito, Sipek espera integrar la tecnología con otros equipos.
“El siguiente paso es la implementación de gemelos digitales para hornos grandes y medianos”, afirma. “El trabajo en las instalaciones de nuestro cliente es muy duro: altas temperaturas, suciedad, polvo y turnos. Es difícil encontrar personal capacitado y motivado para este propósito. Queremos facilitarle la vida a las personas en la planta y en el horno con nuestra tecnología de gemelos digitales”.
RAUCH también quiere facilitarles la vida a sus clientes. Entre las ventajas que han obtenido con la integración se encuentran:
Tiempo de inactividad minimizado
Mantenimiento predictivo
Limpieza predictiva
Previsión de turnos mejorada
Soluciones para problemas basados en procesos
Mayor vida útil del crisol
Monitoreo en tiempo real del estado del horno
Entrenamiento preciso
Reducción del coste de propiedad
“En los últimos años hemos aprendido que el conocimiento y el saber hacer de una empresa se pueden acelerar enormemente si se analizan los conjuntos de datos y se los interpreta”, afirma. “En 2030, deberíamos poder transformar todo tipo de datos en activos para nuestros clientes y para nuestro propio negocio. El gemelo digital es un gran paso adelante”.
Las aleaciones de magnesio se procesan en hornos de fusión, como el horno de fusión de magnesio RAUCH de la serie MSO, a temperaturas y presiones extremas.
¿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”.
