玻纤效应对skew的影响(一)

news2024/10/3 0:24:22

在高速SerDes传输系统中,随着信号速率的提高,UI会越来越小,传输线的对内skew会越来越大。以PCIe信号来说,PCIe4.0速率的一个UI是62.5ps,当速率提高到PCIe5.0时,每个UI就只有31.25ps,更进一步,当速率提高到PCIe6.0时,接收端的eye mask会更小。近几年,对内skew分析是一个比较热门的课题,PCB的玻纤效应是导致对内skew的一个重要因素。当传输线与working pannel的边缘平行时(意味着走线和经向或纬向平行),通常由于玻纤效应而导致对内skew。这种由玻纤效应导致的对内skew通常毫无规律,因此难以管控。缓解玻纤效应的一种有效方法是角度走线,目前已经广泛应用于高速PCB设计中。然而,在PCB的某些区域,例如breakout和breakin区域,角度走线并不现实,因此就必须管控非角度走线的总长度。

 玻纤模型

玻纤效应介绍

简化的PCB板材模型如下左图所示,走线被夹在core和pp中间,core和pp是各向同性的。但是实际的PCB介质是各向异性的,这是因为里面大部分由树脂和玻璃纤维组成,如下右图所示。

 平纹是电子行业最常用的玻纤编织风格。每个纹路包含经向和纬向,这种玻纤织物并不是紧密的排列,而是有很多空窗。经向和纬向的织物尺寸也不相同,因此,空窗的经向宽度和纬向长度也并不相同。IPC规范已经定义了不同玻纤规格中纱的规格和密度。以1078为例,经向和纬向有相同的织物数量,每inch有54跟织物。经向和纬向的织物包含相同的纱线。每个织物由200个直径5um的玻璃纱组成,因此也被称为正方形织物。

 

树脂和玻布的Dk差距非常大,E玻布 Dk大约6.8,low Dk的玻布大约4.8,而绝大多数的PCB中树脂的Dk在2.7-3.0。所以说,如果差分对中的一根线走在了玻纤束上,另一根走在了开窗位置,两个走线的电场会穿过不同的材料,相应的Dk值也不一样,就会观测到对内skew。玻布和树脂的Dk差距越大,对内skew也越大。

玻纤模型

以上分析可知,玻纤效应导致的对内skew直接受走线和玻纤的位置影响。但是在加工过程中,走线位置和玻纤的位置是不规律的,因此玻纤效应导致的skew也是无规律的。对内skew的总量和走线长度,走线宽度,玻纤开窗大小,走线间距,玻纤规格,走线角度,走线和玻纤位置等等都有关系。因此,玻纤效应导致的对内skew是一个非常复杂的统计问题。每一块PCB都由很多玻璃束组成,每个玻璃束又由很多玻璃丝组成。

 

尽管模型被切成了很多小块,但是仍然不太可能用复杂的几何图形来仿真成千上万的玻璃丝。为了简化模型复杂性,包含成千上万的玻璃丝的玻璃束在仿真时将被看作一个实心的块,如上图所示,另外,玻璃束的横截面形状被视为椭圆。这样,模拟纤维编织的传统方法是将玻璃丝束建模为实心椭圆玻璃块。椭圆玻璃束的材质建模为纯玻璃。

但是这样仍然无法仿真一大块PCB,一般在仿真时,PCB被切成很多小块。然而,对内skew也和反射有关,为了最小化反射,可以级联很多个S参数,总长度达到约5inch,然后再计算对内skew。下面的公式展示了使用混合模式的S参数计算skew。

 

纤维编织是周期性的,但是core和pp的周期是不一样的,所以左侧模型的边缘选在了core玻璃束和pp玻璃束中间的位置,右侧边缘也是一样。因此,模型的左右两侧可以级联在一起。

下图展示了一个真实的PCB横截面,白点就是玻璃丝。首先,玻璃束的轮廓大约是椭圆形的。在轮廓内,白点并没有占据所有的空间,这就意味着在玻璃束的椭圆轮廓内,玻璃丝并没有紧密排列,玻璃束体积内的物体是玻璃丝和树脂的混合物,不是纯玻璃丝。 由于纯玻璃丝的Dk比玻璃丝和树脂混合物的Dk要大,所以仿真出来的传输线阻抗要比实际阻抗低。

上图中,目标实际阻抗是85Ohm,但是仿真结果比实际低了约6Ohm,这就是不正确地估计Dk导致的。考虑到玻璃束椭圆体积内有玻璃丝和树脂,如果需要建模非常精确的话,就需要给玻璃丝建模,这就太复杂了,所以比较实用的方法是找到一个玻璃丝和树脂混合物的有效Dk 。

本文章中,在玻璃束模型中使用有效Dk来取代纯玻璃丝Dk。有效Dk由玻璃Dk和树脂Dk以及相应的提及确定:

 

上式中,从左到右依次是有效Dk,玻璃丝体积,树脂体积,树脂Dk,玻璃丝Dk。由于树脂和玻璃丝的Dk已知,所以只需要知道玻璃束中玻璃丝和树脂所占的体积比就可以得到有效Dk。体积比又可以转换为横截面中玻璃丝和树脂所占区域的比值。在上文最开始的表1中,IPC定义了玻璃丝的直径和数量。那么在横截面中玻璃丝所占的区域就可以计算出来了。玻璃束的宽度和厚度可以测试玻布得出。这样,就可以算出玻璃束横截面积中玻璃丝和树脂所占的面积比例 。下表2展示了比较常见的玻布中玻璃丝和树脂的比例,可以看出几乎一半的体积被树脂占据。

下图展示了有效Dk随着玻璃体积比变化而变化。如果玻璃体积比例为0.55,树脂的Dk为2.8,那么E玻璃束的有效Dk为4.3,如果使用low Dk的玻璃,有效Dk会降低到约3.2。 

使用有效Dk重新建模得出的阻抗如上图的红线所示,更接近于85Ohm,所以在玻璃束中使用有效Dk是一个更合理的做法。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/127709.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SparkSQL源码分析系列01-Catalyst作用

SparkSQL 是如何将SQL语句转化为Spark任务的呢? 详细过程如下图 通过拉去 github 的 Spark 源码,查看 SparkSQL 模块的 readme.txt 文件可以看出,SparkSQL 包含4个方面的内容 SparkSQL源码主要包含4大模块 Catalyst (sql/catalyst)&…

Solidity之为什么 ++i 比 i++ 省gas

文章目录为什么 i 比 i 省gas测试验证demo1demo2为什么 i 比 i 省gas为什么 i 比 i 省gas i通常更昂贵,因为它必须增加一个值并“返回”旧值,因此可能需要在内存中保存两个数字我在记忆中只使用过一个数字。在许多情况下,在编译器优化之后&a…

【SVM】简单介绍(四)

1、Soft Margin SVM 对偶求解 构造拉格朗日函数 L12∥w∥2C∑i1nξi−∑i1nαi(yi(wTxib)−1ξi)−∑i1nγiξiαi≥0γi≥0\begin{aligned} & L\frac{1}{2}\|w\|^2C \sum_{i1}^n \xi_i-\sum_{i1}^n \alpha_i\left(y_i\left(w^T x_ib\right)-1\xi_i\right)-\sum_{i1}^n \ga…

dagum基尼系数分析全流程

Dagum系数分析 Dagum基尼系数是传统基尼gini系数的升级,其可分解为组内系数、组间系数和超变密度系数,即Dagum 组内Gw 组间Gb 超变密度Gt。 组内Gw分别反映各地区内部水平的差距、组间Gb反映各地区之间水平的差距,以及超变密度Gt反映各地区…

Strtus2漏洞 - Struts2-052 Struts2-057 Struts2-059

文章目录S2-052(CVE-2017-9805)环境搭建漏洞复现S2-057(CVE-2018-11776)环境搭建漏洞复现S2-059(CVE-2019-0230)环境搭建漏洞复现S2-052(CVE-2017-9805) 原理:Struts2 REST插件的XStream组件存在反序列化漏洞,使用XStream组件对XML格式的数据包进行反序…

为什么说DeFi隐私协议Unijoin.io具备趋势性

区块链技术以点对点、去中心化、公开透明、不可逆等作为其主要特点,而基于区块链的加密货币原生的具备了区块链技术的种种特性,这意味着通常每一笔链上交易都是透明可查的。虽然加密账户以“伪匿名”作为主要特点,但我们也同样看到&#xff0…

强大的ANTLR4(1)

以前对于《编译原理》这门课有一种恐惧,现在强大的工具越来越多,有些原理并不一定要非常清楚,也是可以设计一种编程语言的,那就是ANTLR4。 Antlr4(全名:ANother Tool for Language Recognition&#xff09…

Redis集群系列六 —— 分片集群搭建

Redis 常用集群中,常用的几种集群方案有:主从集群、哨兵集群、分片集群,不同的集群对应着不同的场景,并且各种集群也都有不同的优劣,本篇将以 redis 分片集群为切入点。 主从和哨兵虽然解决了高可用、高并发读的问题&…

spring之IoC注解(二)

提示:文章写完后,目录可以自动生成,如何生成可参考右边的帮助文档 文章目录前言一、Spring注解的使用1、加入aop的依赖2、在配置文件中添加context命名空间3、在配置文件中指定扫描的包4、在Bean类上使用注解二、Bean的选择性实例化1、需求2、…

二十三种设计模式--系列篇(一)

一、软件设计模式的产生背景 “设计模式”最初并不是出现在软件设计中,而是被用于建筑领域的设计中。 1977年,美国著名建筑大师、加利福尼亚大学伯克利分校环境结构中心主任克里斯托夫亚历山大(Christopher Alexander)在他的著作《…

(五)devops持续集成开发——jenkins发布一个maven流水线项目

前言 本节内容使用jenkins的maven流水线组件发布一个springboot项目,实现自动化部署一个后端项目。在开始流水化部署前我们需要准备好一个git项目,并在jenkins所在的服务器安装好git客户端便于源码的拉取。并且需要安装一个ssh插件,将我们的…

C++学习:多态与运算符(Day.7~)

总结让人明白。 表明覆盖意图的限定符 override 如图: 说明:1.使用关键字const后,由于函数特征不同,派生类不会再隐藏基类方法 2.想要覆盖基类方法可使用关键字override,此关键字会强制覆盖基类方法,若…

微信功能,你知道多少

用了微信很多年,选择才发现微信收藏的正确打开方式!感觉之前白用了那么久微信收藏,只用来保存消息实在是太可惜了,原来它还有那么多实用功能!协助日常安排如果每天需要做的事情比较多,可以在这里记录日常工…

谷粒商城之高级篇知识补充

谷粒商城高级篇之知识补充 前言 本篇主要是完成谷粒商城高级篇开发时,我们需要了解并学习一部分补充的知识,才能更好的完成商城业务。 以后我们将商城任务和额外知识分开来编写,方便商城业务的连贯性。 下面是本篇文章各个章节对应的相应…

Apollo星火计划学习笔记——Apollo速度规划算法原理与实践

文章目录1. 速度规划算法总体介绍1.2 不同场景下的ST图1.2.1 主车向前匀速行驶1.2.2 主车先向前匀速行驶,后停车1.2.3 主车跟随前车行驶1.2.4 主车跟随前车刹停1.2.5 障碍车在主车后方跟行1.3 速度规划算法整体流程1.3.1 Task: SPEED_BOUNDS_PRIORI_DECI…

数据结构-堆

1、什么是堆 堆是一种满足以下条件的树:堆中的每一个节点值都大于等于(或小于等于)子树中所有节点的值。 2、堆的用途 当我们只关心所有数据中的最大值或者最小值,存在多次获取最大值或者最小值,多次插入或删除数据时&…

ArrayList与顺序表(一)

目录 1.线性表 2.顺序表 2.1接口的实现 3.ArrayList的简介 4.ArrayList使用 4.1ArrayList的构造 4.2ArrayList常见的操作 4.3ArrayList的遍历 4.4ArrayList的扩容机制 5.模拟实现一个ArrayList 1.线性表 线性表:是n个具有相同特性的数据元素的有限序列。线性…

[思考进阶]04 优秀的人,都在使用“微习惯”

除了要提升自己的技术能力,思维的学习和成长也非常非常重要,特推出此[思考进阶]系列,进行刻意练习,从而提升自己的认知。 我有个微信群,人很少,都是兄弟,每天打开电脑的时候,我都会有…

朴素贝叶斯分类的python的实现

文章目录介绍GaussianNB()参数介绍实例BernoulliNB()参数介绍实例MultinomialNB()参数介绍实例作者:王乐介绍 sklearn 是 scikit–learn 的简称,是一个基于 Python 的第三方模块。 sklearn 库集成了一些常用的机器学习方法,在进行机器学习任务时,并不需要实现算法,…

Java 并发编程解析 | 如何正确理解Java领域中的并发锁,我们应该具体掌握到什么程度?

写在开头 对于Java领域中的锁,其实从接触Java至今,我相信每一位Java Developer都会有这样的一个感觉?不论是Java对锁的实现还是应用,真的是一种“群英荟萃”,而且每一种锁都有点各有各的驴,各有各的本&…