Optimal susceptor rotation speed in hot‐wall horizontal <scp>SiC</scp> epitaxy using computational fluid dynamics
Notice bibliographique
Résumé
Abstract Silicon carbide (SiC) semiconductors are critical for high‐temperature, high‐power, and high‐frequency electronic devices due to their high thermal conductivity and wide bandgap. Uniform SiC epitaxial layers in chemical vapour deposition (CVD) reactors are essential for consistent electrical properties and enhanced wafer productivity. This study investigates hydrodynamics and concentration distribution in a custom‐designed hot‐wall horizontal SiC‐CVD industrial‐scale reactor using a Eulerian computational fluid dynamics (CFD) model to optimize susceptor rotation speed for uniform 8‐inch SiC epitaxial thickness. The inlet gas mixture (H 2 , N 2 , C 2 H 4 , SiHCl 3 ) enters at 700°C and is preheated to 1200°C. An 8‐inch wafer is positioned on a susceptor rotating at 0–300 rpm and heated to 1700°C. Grid convergence index analysis verified mesh independence. The realizable k‐ε turbulence model provided the highest accuracy among four turbulence models. CFD results for SiHCl 3 concentration closely matched experimental SiC film thickness profile. The Rossby number (Ro), representing the ratio of coriolis to inertial effects, explains swirling flow formation, which reduces the SiHCl 3 concentration uniformity index () at high rotation speeds (250 and 300 rpm). CFD results reveal an optimal rotation speed of 200 rpm for maximum . This study provides a robust CFD‐based framework for optimizing SiC‐CVD reactor parameters.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».