在這個例子中，講述如何建模一個典型的背光單元及其與亮度和均勻性有關(guān)的照度分布。其中一個關(guān)鍵特點是使用了Speos 3D Texture功能，這是起初開發(fā)的用于背光單元產(chǎn)品，并可用于設(shè)計導(dǎo)光板，亮度增強膜(BEF)和由數(shù)千/數(shù)百萬組成的背光單元微結(jié)構(gòu)來創(chuàng)造均勻的顯示。通過對系統(tǒng)進行參數(shù)化，創(chuàng)建各種輸入/輸出的元模型組合，然后優(yōu)化系統(tǒng)。結(jié)果目標(biāo)是實現(xiàn)善均勻的光分布，同時保持高耦合效率，實現(xiàn)極高的光輸出。選用Ansys Speos 和 optiSLang 聯(lián)合工作。
背光顯示器隨處可見，筆記本電腦顯示，智能手機顯示，液晶顯示器等，所有這些都利用了背光顯示屏。在任何情況下都要有一個均勻的光照，以實現(xiàn)明亮清晰的圖像。較常見的背光技術(shù)是LCD，LED被用于背光系統(tǒng)，結(jié)合亮度增強膜，擴散片和導(dǎo)光結(jié)構(gòu)。導(dǎo)光常見方法是創(chuàng)建一個紋理模式，沿著系統(tǒng)均勻地提取光線。Speos提供的3DTexture功能，允許用戶虛擬模式數(shù)以千計的微觀光學(xué)元素，而不用擔(dān)心內(nèi)存限制。為了優(yōu)化這種模式，在Speos中對Texture模型進行參數(shù)化，并利用optiSLang執(zhí)行參數(shù)敏感性分析，然后對系統(tǒng)進行魯棒優(yōu)化，以實現(xiàn)想要的結(jié)果。
這個模擬需要2個產(chǎn)品:
Speos用于建模顯示堆層，背光的3DTexture網(wǎng)點分布；
optiSLang以研究參數(shù)敏感性和優(yōu)化設(shè)計性能。
第 一步：Speos顯示結(jié)構(gòu)的創(chuàng)建和分析
在一步中，在Speos中定義了顯示結(jié)構(gòu)的光學(xué)和機械組件。一些參數(shù)將在以后作為優(yōu)化的輸入(例如，3D texture 網(wǎng)點的密度)，但在這個初始結(jié)構(gòu)中，只給出初始設(shè)定值。然后進行光學(xué)模擬，將定量輸出轉(zhuǎn)換為優(yōu)化目標(biāo)。這些值表明該設(shè)計在光輸出、均勻性、可制造性等方面。
1.Speos允許構(gòu)建基于物理光學(xué)屬性的場景結(jié)構(gòu)，在這一步中，遵循如下所示的標(biāo)準(zhǔn)模擬過程，以獲得終端用戶將在后面的產(chǎn)品中獲得的視覺感知。注意:為了可視化目的，本圖像中的亮度傳感器被放置在離顯示器相對較遠的位置。
2.照度仿真結(jié)果給出了XMP結(jié)果，每個像素都包含了照度信息。顯然，初始設(shè)計在總通量和均勻性(RMS對比)方面的性能都很差。因此，需要進行優(yōu)化。
第二步：Speos 3D texture導(dǎo)光網(wǎng)點創(chuàng)建
來自Speos的Speos 3D Texture功能允許通過建模和在幾何圖形上投影數(shù)百、數(shù)千或數(shù)百萬個幾何項目來模擬微紋理。在這里舉例，使用半球圖案的3D Texture應(yīng)用到導(dǎo)光板的背面，它被設(shè)置為從基礎(chǔ)導(dǎo)光板上remove材料。半球體的結(jié)果陣列方式由參數(shù)輸入控制，參數(shù)結(jié)果可由optiSLang控制。
在Speos中使用3DTexture減少了計算時間和文件大小，在這一步中，數(shù)百個半球體圖案被應(yīng)用到導(dǎo)光板的背面，并被命令從背光板刪除它們的體積。3DTextue參數(shù)的操作改變了圖案的大小和密度，從而改變了光的輸出和光導(dǎo)的均勻性。
在Speos中創(chuàng)建模型和仿真之后在optiSLang中設(shè)置優(yōu)化。這個過程的一部分需要靈敏度分析，它將確定影響結(jié)果的關(guān)鍵的輸入。這些完全相同的輸入同時被定義為一個參考值為常數(shù)或非常數(shù)，并且在一個工作范圍內(nèi)。采用optiSLang的理想預(yù)后自適應(yīng)元模型(AMOP)方法進行敏感性分析。它表示輸入的所有可能組合的近似結(jié)果。?
這里，X和Y的映射距離，圖形全局尺度，Z方向的尺度作為輸入，總通量，RMS對比度(用于測量一致性)作為輸出結(jié)果。
作為輸入和輸出指定標(biāo)準(zhǔn)是很重要的，因為這將把搜索范圍縮小到用戶已知的可能條件、期望的目標(biāo)和約束。對于這個特定的用例，生成了理想預(yù)后(AMOP)的自適應(yīng)元模型。AMOP在幾次迭代中運行特定數(shù)量的求解器運行，并通過響應(yīng)面和矩陣表示結(jié)果?？梢钥吹紺oP矩陣，它顯示了輸入(水平)與輸出(垂直)的總效應(yīng)。響應(yīng)面3D圖表示影響其中一個輸出的較相關(guān)輸入 (RMS對比)。
在這一步中，Evolutionary Algorithm算法用在全局和局部搜索理想設(shè)計。優(yōu)化算法在MOP上采樣了10,000個設(shè)計，以找到導(dǎo)致理想設(shè)計的輸入?yún)?shù)值組合。多目標(biāo)優(yōu)化的結(jié)果在“帕累托圖”中可視化(見下圖，紅黑虛線圖)。圖中顯示了兩個目標(biāo)之間的權(quán)衡，其中理想設(shè)計集用紅點標(biāo)記(定義為帕累托前展面)。工作流通過一個真正的求解器調(diào)用自動驗證20個理想設(shè)計(顯示為綠色圓點)。由于COP值較好，預(yù)測值與驗證值之間的差異較小。從獲得理想權(quán)衡(即通量和均勻性之間的平衡)到實現(xiàn)理想設(shè)計(即可接受通量、理想均勻性)，在整個優(yōu)化過程中都要進行適當(dāng)?shù)尿炞C。
optiSLang根據(jù)參數(shù)的數(shù)量和類型，確定極適合的優(yōu)化方法。本文使用隨機搜索方法，它模仿自然生物進化的過程，如適應(yīng)、選擇和變異。在本例中，樣本的極大數(shù)量設(shè)置為10000,將在MOP上執(zhí)行優(yōu)化，然后使用真正的求解器驗證理想設(shè)計。
理想的設(shè)計參數(shù)(輸入)可以通過應(yīng)用到3DTexture和運行Speos模擬來驗證。
