Prediction of PCB Thickness for Selection of a Suitable PCB Manufacturing Technology
Notice bibliographique
Résumé
ABSTRACT Electrical performance requirements for high-speed networking applications have necessitated the use of large Application Specific Integrated Circuits (ASICs) and increased component densities on Printed Circuit Boards (PCBs). This has increased the complexity of the PCB fabrication process. PCBs fabricated using High-Density Interconnect (HDI) technologies are considered as alternatives to the conventional technology PCBs. In a cost competitive, time-to-market environment, the board fabrication technology to be used should be determined early in the new product introduction cycle. The expected thickness of the PCB should be predicted prior to performing the placement and routing. In this research, algorithms were developed to predict the minimum number of signal layers needed to pin-escape high Input/Output (I/O) area array packages for conventional and HDI (Type I, Type II, and Type III) fabrication technologies. An existing algorithm was modified and validated to enable the estimation of the signal layer count for PCBs based on critical parameters like the component density and the line width and spacing requirements. The higher signal layer count estimate obtained from the above algorithms indicated the number of signal layers required. The final board thickness was predicted based on the total number of signal and plane layers, and other dielectric thickness requirements. For boards that require the use of high I/O packages, the pin-escape algorithms developed in this study provided a comparison between the different fabrication technologies.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».