|
|
在这个例子中,讲述如何建模一个典型的背光单元及其与亮度和均匀性有关的照度分布。其中一个关键特点是使用了Speos 3D Texture功能,这是最初开发的用于背光单元产品,并可用于设计导光板,亮度增强膜(BEF)和由数千/数百万组成的背光单元微结构来创造均匀的显示。通过对系统进行参数化,创建各种输入/输出的元模型组合,最后优化系统。最终目标是实现善均匀的光分布,同时保持高耦合效率,实现最高的光输出。选用Ansys Speos 和 optiSLang 联合工作。 sp%7iNs 6C:Lq%} 前言 ~X/T6(n$ 15COwc*k 背光显示器随处可见,笔记本电脑显示,智能手机显示,液晶显示器等,所有这些都利用了背光显示屏。在任何情况下都要有一个均匀的光照,以实现明亮清晰的图像。最常见的背光技术是LCD,LED被用于背光系统,结合亮度增强膜,扩散片和导光结构。导光常见方法是创建一个纹理模式,沿着系统均匀地提取光线。Speos提供的3DTexture功能,允许用户虚拟模式数以千计的微观光学元素,而不用担心内存限制。为了优化这种模式,在Speos中对Texture模型进行参数化,并利用optiSLang执行参数敏感性分析,然后对系统进行鲁棒优化,以实现想要的结果。 '5%DKz ^:BRbp37i qF?S[Z; (_* a4xGF 操作流程概述 dx^3(#B ;1KhUf;&F ee0J;pP2# kHO\#fF< 这个模拟需要2个产品: -}%zus5 Speos用于建模显示堆层,背光的3DTexture网点分布; Vr'Z5F*@ optiSLang以研究参数敏感性和优化设计性能。 N|DY)W ;$Y?j8g 第一步:Speos显示结构的创建和分析 (H$eXW7 vI-KH:r"{ 在一步中,在Speos中定义了显示结构的光学和机械组件。一些参数将在以后作为优化的输入(例如,3D texture 网点的密度),但在这个初始结构中,只给出初始设定值。然后进行光学模拟,将定量输出转换为优化目标。这些值表明该设计在光输出、均匀性、可制造性等方面。 W6pS.} 3]'3{@{}H 7Ny>W(8 ?@~FT1"6G 1.Speos允许构建基于物理光学属性的场景结构,在这一步中,遵循如下所示的标准模拟过程,以获得最终用户将在最终产品中获得的视觉感知。注意:为了可视化目的,本图像中的亮度传感器被放置在离显示器相对较远的位置。 {PU[MHZF |^ qW
0t) IWD X_h+\
7N> 2.照度仿真结果给出了XMP结果,每个像素都包含了照度信息。显然,初始设计在总通量和均匀性(RMS对比)方面的性能都很差。因此,需要进行优化。 ;RU)Q)a) Z5\6ca X@arUs7 ,"D1!0 第二步:Speos 3D texture导光网点创建 |A2.W8`o @t_<oOI2 来自Speos的Speos 3D Texture功能允许通过建模和在几何图形上投影数百、数千或数百万个几何项目来模拟微纹理。在这里举例,使用半球图案的3D Texture应用到导光板的背面,它被设置为从基础导光板上remove材料。半球体的最终阵列方式由参数输入控制,参数最终可由optiSLang控制。 F?UL0Q|u v oR+Fn}mG I0Vm^\8 {Z|C zmdOL9"a
+G?3j ,a\ 在Speos中使用3DTexture减少了计算时间和文件大小,在这一步中,数百个半球体图案被应用到导光板的背面,并被命令从背光板删除它们的体积。3DTextue参数的操作改变了图案的大小和密度,从而改变了光的输出和光导的均匀性。 .N%$I6w cJt#8P
Ss8`;> \UXQy{Ex y"2c; *7[{ (vQShe\ 第三步:optiSLang敏感性分析 DU;]Q:r{ 2W}RXqV< 在Speos中创建模型和仿真之后在optiSLang中设置优化。这个过程的一部分需要灵敏度分析,它将确定影响结果的最关键的输入。这些完全相同的输入同时被定义为一个参考值为常数或非常数,并且在一个工作范围内。采用optiSLang的最优预后自适应元模型(AMOP)方法进行敏感性分析。它表示输入的所有可能组合的近似结果。 a(m#GES ;G w5gK^ "MyYu}AD 4-m}W;igu 这里,X和Y的映射距离,图形全局尺度,Z方向的尺度作为输入,总通量,RMS对比度(用于测量一致性)作为输出结果。 `aCcTs7~]p pM>.z9 L|c01 oL<^m?-u v'|Dj^3[ Qc6323/" (j2]:BVu @.%ll n 作为输入和输出指定标准是很重要的,因为这将把搜索范围缩小到用户已知的可能条件、期望的目标和约束。对于这个特定的用例,生成了最优预后(AMOP)的自适应元模型。AMOP在几次迭代中运行特定数量的求解器运行,并通过响应面和矩阵表示结果。可以看到CoP矩阵,它显示了输入(水平)与输出(垂直)的总效应。响应面3D图表示影响其中一个输出的最相关输入 (RMS对比)。 }@x0@sI9 towQoqv >:Rc%ILym `/0FXb
8h r>
NgJf, HSTtDTo 第四步:optiSLang 优化分析 k&9
b&-=fk oqG
0 @@ 在这一步中,Evolutionary Algorithm算法用在全局和局部搜索最佳设计。优化算法在MOP上采样了10,000个设计,以找到导致最佳设计的输入参数值组合。多目标优化的结果在“帕累托图”中可视化(见下图,红黑虚线图)。图中显示了两个目标之间的权衡,其中最佳设计集用红点标记(定义为帕累托前展面)。工作流通过一个真正的求解器调用自动验证20个最佳设计(显示为绿色圆点)。由于COP值较好,预测值与验证值之间的差异较小。从获得最佳权衡(即通量和均匀性之间的平衡)到实现最佳设计(即可接受通量、最佳均匀性),在整个优化过程中都要进行适当的验证。 $PNR? :
G< |