MétaCan
Menu
Retour à la cohorte
Enregistrement W4404840173 · doi:10.1109/jsen.2024.3501978

Design for Manufacturability a Holistic Approach for the Development of MEMS Inertial Sensors

2024· article· en· W4404840173 sur OpenAlexafffund
Gnanesh Nagesh, Ahmad Rahbar Ranji, Sahereh Sahanbadadi, Kevin Li, Kilian Shambaugh, Ryan Graham, Mario Pineda, Tyler Harrison, D. F. Spicer, Mohammed Jalal Ahamed

Notice bibliographique

RevueIEEE Sensors Journal · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueManufacturing Process and Optimization
Établissements canadiensMicralyneUniversity of Windsor
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMitacsCanada Foundation for Innovation
Mots-clésDesign for manufacturabilityMicroelectromechanical systemsEngineeringComputer scienceSystems engineeringManufacturing engineeringMechanical engineeringMaterials scienceNanotechnology

Résumé

récupéré en direct d'OpenAlex

Micro-electromechanical system (MEMS) inertial sensors aiming for a high accuracy must anticipate and accommodate for manufacturing variations during the design stage, thereby minimizing reliance on post-fabrication active or passive mitigation measures. In this article, we present a prefabrication design approach that utilizes historical manufacturing data to fit models for fabrication process simulation to predict fabricated device geometry, incorporating account for potential variations in fabrication. Leveraging analytical and finite element modeling, we recreate the manufactured device and its operating conditions to predict its performance. We systematically gathered and analyzed data from hundreds of historical SEM images depicting various trench widths ranging from 1 to$50~\mu $m and depths from 10 to$70~\mu $m, and fit models to predict key fabrication variations, such as undercut and taper angle. Subsequently, the predicted manufactured device was imported into finite element analysis (FEA), enabling us to anticipate the resonance frequency range of our model while accounting for manufacturing inaccuracies and various damping. Our approach predicted a resonance frequency of 469 Hz and a Q-factor of air 42.6 for the manufacture variation included model (MVIM), aligning closely with experimental findings at 460 Hz and a Q-factor of air 41.8. In contrast, the simulated resonance frequency without considering any fabrication variations was 538 Hz for the designed model (DM). This innovative design for manufacturing shows the significance of incorporating fabrication variations and operating conditions into the simulation stage, aiding the further development of MEMS sensors.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,001
Score d'incertitude au seuil0,007

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,054
Tête enseignante GPT0,268
Écart entre enseignants0,214 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors JournalMême sujetManufacturing Process and OptimizationTravaux en français237 207