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的照度分布。其中一個關鍵特點是使用了Speos 3D Texture功能，這是起初開發(fā)的用于背光單元產(chǎn)品，并可用于設計導光板，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。較常見的背光技術是LCD，LED被用于背光系統(tǒng)，結(jié)合亮度增強膜，擴散片和導光結(jié)構(gòu)。導光常見方法是創(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)以千計的微觀光學元素，而不用擔心內(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，只給出初始設定值。然后進行光學模擬，將定量輸出轉(zhuǎn)換為優(yōu)化目標。這些值表明該設計在光輸出、均勻性、可制造性等方面。
1.Speos允許構(gòu)建基于物理光學屬性的場景結(jié)構(gòu)，在這一步中，遵循如下所示的標準模擬過程，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應用到導光板的背面，它被設置為從基礎導光板上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用到導光板的背面，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的均勻性。
在Speos中創(chuàng)建模型和仿真之后在optiSLang中設置優(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的理想預后自適應元模型(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準是很重要的，因為這將把搜索范圍縮小到用戶已知的可能條件、期望的目標和約束。對于這個特定的用例，生成了理想預后(AMOP)的自適應元模型。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。響應面3D圖表示影響其中一個輸出的較相關輸入 (RMS對比)。
在這一步中，Evolutionary Algorithm算法用在全局和局部搜索理想設計。優(yōu)化算法在MOP上采樣了10,000個設計，以找到導致理想設計的輸入?yún)?shù)值組合。多目標優(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之間的權(quán)衡，其中理想設計集用紅點標記(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個理想設計(顯示為綠色圓點)。由于COP值較好，預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?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、選擇和變異。在本例中，樣本的極大數(shù)量設置為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計。
理想的設計參數(shù)(輸入)可以通過應用到3DTexture和運行Speos模擬來驗證。
