当前位置: 首页 > news >正文

平面光波导_三层均匀平面光波导_射线分析法

平面光波导_三层均匀平面光波导_射线分析法

三层均匀平面光波导:

  • 折射率沿 x x x 方向有变化,沿 y y y z z z 方向没有变化
  • 三层:芯区( n 1 n_1 n1) > > > 衬底( n 2 n_2 n2) ≥ \geq 包层( n 3 n_3 n3)
  • 包层通常为空气,即 n 3 = 1 n_3=1 n3=1;芯区与衬底折射率之差通常为 1 0 − 3 ∼ 1 0 − 1 10^{-3}\sim 10^{-1} 103101;芯区一般几微米厚

一、三层均匀平面波导的射线分析法

在这里插入图片描述

三层均匀平面波导的传输路线(也是叠加模型)如上图所示:

  • 它可以看作由斜着向上界面行进的平面波(以 B B ′ BB^\prime BB 为等相位面的平面波),与反射2次后再次斜向上运动的平面波(以 C C ′ CC^\prime CC 为等相位面的平面波)相互叠加而成
  • 入射光满足全反射条件仅仅能使光被约束在波导中,是形成导波的必要条件(还有是否可以传输)
  • 因为导波由2个平面波相叠加,所以当两平面波到达同一地点时,只有满足相位相同的条件,才会相干相长,维持光在波导中传播。否则会相互抵消,导致无法传播

传输条件——相干叠加条件的推导:

约束条件: A B − A ′ B ′ AB-A^\prime B^\prime ABAB 平面波(以 B B ′ BB^\prime BB 为等相位面的平面电磁波)向前传播,第一个发生第二次反射的点( C C C 点)其发生全反射相移后仍应与前一入射平面波保持同相。

记全反射在两界面带来的相移分别为: − 2 ϕ 12 -2\phi_{12} 2ϕ12 − 2 ϕ 13 -2\phi_{13} 2ϕ13

因为 B B ′ BB^\prime BB C C ′ CC^\prime CC 是等相位面,需要 A B A ′ B ′ ABA^\prime B^\prime ABAB 平面波与 C D C ′ D ′ CDC^\prime D^\prime CDCD 平面波相干相长,因此计算 B ′ C ′ B^\prime C^\prime BC B C BC BC 分别带来的光程,且两光程差应为 2 π 2\pi 2π 的整数倍

其中入射光的初始状况、三层均匀平面波导的各层折射率、波导芯区厚度是易于获取的参数,各表达式最终应当尽可能使用这三类参数表达

  • B ′ → C ′ B^\prime\to C^\prime BC 的光程: n 1 B ′ C ′ ‾ = n 1 B C ′ ‾ sin ⁡ θ = n 1 ( P C ‾ − P Q ‾ ) sin ⁡ θ = n 1 ( d tan ⁡ θ − d / tan ⁡ θ ) sin ⁡ θ n_1\overline{B^\prime C^\prime}=n_1\overline{BC^\prime}\sin\theta=n_1(\overline{PC}-\overline{PQ})\sin\theta=n_1\left( d\tan\theta-d/\tan\theta \right)\sin\theta n1BC=n1BCsinθ=n1(PCPQ)sinθ=n1(dtanθd/tanθ)sinθ

    其总相移为: k 0 n 1 ( d tan ⁡ θ − d / tan ⁡ θ ) sin ⁡ θ k_0n_1\left( d\tan\theta-d/\tan\theta \right)\sin\theta k0n1(dtanθd/tanθ)sinθ

  • B → C B\to C BC 的光程: n 1 B C ‾ = n 1 ⋅ d / cos ⁡ θ n_1\overline{BC}=n_1\cdot d/\cos\theta n1BC=n1d/cosθ

    其在界面 1,2 和界面 1,3 分别发生了一次全反射,带来的相移为 − 2 ϕ 12 − 2 ϕ 13 -2\phi_{12}-2\phi_{13} 2ϕ122ϕ13

    其总相移为: k 0 n 1 ⋅ d / cos ⁡ θ − 2 ϕ 12 − 2 ϕ 13 k_0n_1\cdot d/\cos\theta-2\phi_{12}-2\phi_{13} k0n1d/cosθ2ϕ122ϕ13

此时两平面波相干相长即要求:
k 0 n 1 ⋅ d / cos ⁡ θ − 2 ϕ 12 − 2 ϕ 13 − k 0 n 1 ( d tan ⁡ θ − d / tan ⁡ θ ) sin ⁡ θ = 2 m π m = 0 , 1 , 2 , ⋯ k_0n_1\cdot d/\cos\theta-2\phi_{12}-2\phi_{13}-k_0n_1\left( d\tan\theta-d/\tan\theta \right)\sin\theta=2m\pi\quad m=0,1,2,\cdots k0n1d/cosθ2ϕ122ϕ13k0n1(dtanθd/tanθ)sinθ=2m=0,1,2,

此式只与三层平面均匀波导的厚度、折射率,入射光的入射角、波数有关;其分立的解对应导波的不同模式

将上式简记为:
κ d = m π + ϕ 12 + ϕ 13 (模式的本征方程/特征方程) \kappa d=m\pi+\phi_{12}+\phi_{13} \tag{模式的本征方程/特征方程} κd=+ϕ12+ϕ13(模式的本征方程/特征方程)

  • κ = k x = n 1 k 0 cos ⁡ θ = n 1 2 k 0 2 − β 2 = k 0 n 1 2 − N 2 \kappa=k_x=n_1k_0\cos\theta=\sqrt{n_1^2k_0^2-\beta^2}=k_0\sqrt{n_1^2-N^2} κ=kx=n1k0cosθ=n12k02β2 =k0n12N2

  • 模折射率/有效折射率: N = β / k 0 N=\beta/k_0 N=β/k0

  • β \beta β 为传播常数。通过模式的本征方程/特征方程可以求出不同模式的传播常数


对于 TE、TM,其全反射相移公式为:
r T E = E ⃗ 0 ′ E ⃗ 0 = n 1 cos ⁡ θ 1 − n 2 2 − n 1 2 s i n 2 θ 1 n 1 cos ⁡ θ 1 + n 2 2 − n 1 2 s i n 2 θ 1 = e x p [ − j 2 arctan ⁡ ( n 1 2 sin ⁡ 2 θ 1 − n 2 2 n 1 cos ⁡ θ 1 ) ] = e − j 2 ϕ T E r_{TE}=\frac{\vec E_0^\prime}{\vec E_0}=\frac {n_1\cos\theta_1-\sqrt{n_2^2-n_1^2sin^2\theta_1}} {n_1\cos\theta_1+\sqrt{n_2^2-n_1^2sin^2\theta_1}} =exp\left[ {-j2\arctan\left( \frac{\sqrt{n_1^2\sin^2\theta_1-n_2^2}}{n_1\cos\theta_1} \right)} \right] =e^{-j2\phi_{TE}} rTE=E 0E 0=n1cosθ1+n22n12sin2θ1 n1cosθ1n22n12sin2θ1 =exp j2arctan n1cosθ1n12sin2θ1n22 =ej2ϕTE

r T M = H ⃗ 0 ′ H ⃗ 0 = n 2 2 cos ⁡ θ 1 − n 1 n 2 2 − n 1 2 s i n 2 θ 1 n 2 2 cos ⁡ θ 1 + n 1 n 2 2 − n 1 2 s i n 2 θ 1 = e x p [ − j 2 arctan ⁡ ( n 1 2 n 2 2 n 1 2 sin ⁡ 2 θ 1 − n 2 2 n 1 cos ⁡ θ 1 ) ] = e − j 2 ϕ T M r_{TM}=\frac{\vec H_0^\prime}{\vec H_0}=\frac {n_2^2\cos\theta_1-n_1\sqrt{n_2^2-n_1^2sin^2\theta_1}} {n_2^2\cos\theta_1+n_1\sqrt{n_2^2-n_1^2sin^2\theta_1}} =exp\left[ {-j2\arctan\left( \frac{n_1^2}{n_2^2}\frac{\sqrt{n_1^2\sin^2\theta_1-n_2^2}}{n_1\cos\theta_1} \right)} \right] =e^{-j2\phi_{TM}} rTM=H 0H 0=n22cosθ1+n1n22n12sin2θ1 n22cosθ1n1n22n12sin2θ1 =exp j2arctan n22n12n1cosθ1n12sin2θ1n22 =ej2ϕTM

可以简记为:
T E m o d e { ϕ 12 = arctan ⁡ ( P κ ) ϕ 13 = arctan ⁡ ( q κ ) T M m o d e { ϕ 12 = arctan ⁡ ( n 1 2 n 2 2 P κ ) ϕ 13 = arctan ⁡ ( n 1 2 n 3 2 q κ ) TE\ mode \begin{cases} \phi_{12}=\arctan\left( \frac P\kappa \right) \\\\ \phi_{13}=\arctan\left( \frac q\kappa \right) \\ \end{cases} \\\\ TM\ mode \begin{cases} \phi_{12}=\arctan\left( \frac{n_1^2}{n_2^2} \frac P\kappa \right) \\\\ \phi_{13}=\arctan\left( \frac{n_1^2}{n_3^2} \frac q\kappa \right) \\ \end{cases} \\ TE mode ϕ12=arctan(κP)ϕ13=arctan(κq)TM mode ϕ12=arctan(n22n12κP)ϕ13=arctan(n32n12κq)
其本征方程为:
T E : κ d = m π + arctan ⁡ ( P κ ) + arctan ⁡ ( q κ ) T M : κ d = m π + arctan ⁡ ( n 1 2 n 2 2 P κ ) + arctan ⁡ ( n 1 2 n 3 2 q κ ) TE:\kappa d=m\pi+\arctan\left( \frac P\kappa \right)+\arctan\left( \frac q\kappa \right) \\\\ TM:\kappa d=m\pi+\arctan\left( \frac{n_1^2}{n_2^2} \frac P\kappa \right)+\arctan\left( \frac{n_1^2}{n_3^2} \frac q\kappa \right) TE:κd=+arctan(κP)+arctan(κq)TM:κd=+arctan(n22n12κP)+arctan(n32n12κq)

相关文章:

平面光波导_三层均匀平面光波导_射线分析法

平面光波导_三层均匀平面光波导_射线分析法 三层均匀平面光波导: 折射率沿 x x x 方向有变化,沿 y y y、 z z z 方向没有变化三层:芯区( n 1 n_1 n1​) > > > 衬底( n 2 n_2 n2​) ≥ \geq ≥ 包层( n 3 n_3 n3​)包层通常为空…...

IPV6学习记录

IPV6的意义 从广义上来看IPV6协议包含的内容很多: IPV6地址的生成与分配 IPV6的报头的功能内容 IPV4网络兼容IPV6的方案 ICMPv6的功能(融合了arp和IGMP功能) IPV6的路由方式 ipv6的诞生除了由于ipv4的地址枯竭外,很大程度上也是因为ipv4多年的发展产生了很多…...

使用proteus进行主从JK触发器仿真失败原因的分析

在进行JK触发器的原理分析的时候,我首先在proteus根据主从JK触发器的原理进行了实验根据原理图,如下图: 我进行仿真,在仿真的过程中,我向电路图中添加了外部的置0/1端口,由此在proteus中得到下面的电路图 …...

Golang基础入门及Gin入门教程(2024完整版)

Golang是Google公司2009年11月正式对外公开的一门编程语言,它不仅拥有静态编译语言的安全和高性能,而 且又达到了动态语言开发速度和易维护性。有人形容Go语言:Go C Python , 说明Go语言既有C语言程序的运行速度,又能达到Python…...

202312 青少年软件编程(C/C++)等级考试试卷(四级)电子学会真题

2023年12月 青少年软件编程(C/C)等级考试试卷(四级)电子学会真题 1.移动路线 题目描述 桌子上有一个m行n列的方格矩阵,将每个方格用坐标表示,行坐标从下到上依次递增,列坐标从左至右依次递增…...

leetcode-合并两个有序数组

88. 合并两个有序数组 题解: 这是一个经典的双指针问题,我们可以使用两个指针分别指向nums1和nums2的最后一个元素,然后比较两个指针所指向的元素大小,将较大的元素放入nums1的末尾,并将对应的指针向前移动一位。重复…...

网站怎么做google搜索引擎优化?

网站想做google搜索引擎优化,作为大前提,您必须确保网站本身符合google规范,我们不少客户实际上就连这点都无法做到 有不少客户公司自己本身有技术,就自己弄一个网站出来,做网站本身不是难事,但前提是您需要…...

TDengine 签约西电电力

近年来,随着云计算和物联网技术的迅猛发展,传统电力行业正朝着数字化、信息化和智能化的大趋势迈进。在传统业务基础上,电力行业构建了信息网络、通信网络和能源网络,致力于实现发电、输电、变电、配电和用电的实时智能联动。在这…...

赛门铁克OV代码签名证书一年多少钱?

在当前,软件和应用程序的安全性变得尤为重要。为了保护软件的完整性和安全性,越来越多的开发者和厂商开始采用代码签名的方式来确保软件的真实性和完整性。赛门铁克OV代码签名证书成为了其中一个备受信任的选择。那么,赛门铁克OV代码签名证书…...

Dockerfile详解

文章目录 一、Dockerfile介绍二、常用指令三、Dockerfile示例四、最佳实践 一、Dockerfile介绍 Dockerfile是一个包含创建镜像所有命令的文本文件,通过docker build命令可以根据Dockerfile的内容构建镜像。 一般的,Dockerfile分为四部分:基础…...

零基础小白如何自学sql?

学习SQL对于数据分析和处理来说非常重要。SQL是一种强大的工具,可以帮助你与数据库沟通,提取,整理和理解数据。 以下是一些学习SQL的建议: 01 前期:SQL数据库学习 了解SQL的基本概念:首先,你…...

【刷题笔记2】

刷题笔记2 最小公倍数、最大公约数 两个数的最大公约数两数乘积/最小公倍数 #<include> cmath; int a,b; int mgcd(a,b);//求最大公约数复制字符串substr()函数 s.substr(pos, len) &#xff1a;pos的默认值是0&#xff0c;len的默认值是s.size() - pos string a1;in…...

Kafka之集群搭建

1. 为什么要使用kafka集群 单机服务下&#xff0c;Kafka已经具备了非常高的性能。TPS能够达到百万级别。但是&#xff0c;在实际工作中使用时&#xff0c;单机搭建的Kafka会有很大的局限性。 ​ 消息太多&#xff0c;需要分开保存。Kafka是面向海量消息设计的&#xff0c;一个T…...

Linux备忘手册

常⽤命令 作⽤ shutdown -h now 即刻关机 shutdown -h 10 10分钟后关机 shutdown -h 11:00 11&#xff1a;00关机 shutdown -h 10 预定时间关机&#xff08;10分钟后&#xff09; shutdown -c 取消指定时间关机 shutdown -r now 重启 shutdown -r 10 10分钟之后重启 shutdown -…...

Qt中QGraphicsView总体架构学习

前沿 前段时间学习了下如何在QGraphicsView架构中绘制刻度尺&#xff0c;主要是与OnPainter中进行比较的&#xff0c;那么今天就来详细讲解下我对QGraphicsView框架的认知吧~ 最近一段时间想学习下&#xff0c;如果我有不正确的&#xff0c;欢迎留言探讨哟~ QGraphicsView架…...

STL-list的使用简介

目录 ​编辑 一、list的底层实现是带头双向循环链表 二、list的使用 1、4种构造函数&#xff08;与vector类似&#xff09;​编辑 2、迭代器iterator 3、容量&#xff08;capicity&#xff09;操作 4、element access 元素获取 5、增删查改 list modifiers 6、list的迭…...

MySQL:索引失效场景总结

1 执行计划查索引 通过执行计划命令可以查看查询语句使用了什么索引。 EXPLAIN SELECT * FROM ods_finebi_area WHERE areaName = 福建 执行查询计划后,key列的值就是被使用的索引的名称,若key列没有值表示查询未使用索引。 2 在什么列上创建索引 (1)列经常被用于where…...

LNMP平台对接redis服务

目录 1、安装 LNMP 各个组件 2、安装 redis 服务 3、安装 redis 扩展 4、修改 php 配置文件 5、测试连接 1、安装 LNMP 各个组件 2、安装 redis 服务 3、安装 redis 扩展 官网&#xff1a;http://redis.io/ 下载包&#xff1a; https://codeload.github.com/phpredis/p…...

5G之味,在烟火长沙

今年夏天&#xff0c;有一部电影叫做《长沙夜生活》。影片讲述了长沙大排档中的一些故事。网红大排档的老板娘、厨师、顾客&#xff0c;他们的邂逅、热爱、留下、离开、和解、团圆&#xff0c;都发生在一段夜色里&#xff0c;发生在充满烟火气的长沙城。 有没有想过这样一个问题…...

【MYSQL】MYSQL 的学习教程(十一)之 MySQL 不同隔离级别,都使用了哪些锁

聊聊不同隔离级别下&#xff0c;都会使用哪些锁&#xff1f; 1. MySQL 锁机制 对于 MySQL 来说&#xff0c;如果只支持串行访问的话&#xff0c;那么其效率会非常低。因此&#xff0c;为了提高数据库的运行效率&#xff0c;MySQL 需要支持并发访问。而在并发访问的情况下&…...

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…...

<6>-MySQL表的增删查改

目录 一&#xff0c;create&#xff08;创建表&#xff09; 二&#xff0c;retrieve&#xff08;查询表&#xff09; 1&#xff0c;select列 2&#xff0c;where条件 三&#xff0c;update&#xff08;更新表&#xff09; 四&#xff0c;delete&#xff08;删除表&#xf…...

postgresql|数据库|只读用户的创建和删除(备忘)

CREATE USER read_only WITH PASSWORD 密码 -- 连接到xxx数据库 \c xxx -- 授予对xxx数据库的只读权限 GRANT CONNECT ON DATABASE xxx TO read_only; GRANT USAGE ON SCHEMA public TO read_only; GRANT SELECT ON ALL TABLES IN SCHEMA public TO read_only; GRANT EXECUTE O…...

鸿蒙中用HarmonyOS SDK应用服务 HarmonyOS5开发一个医院查看报告小程序

一、开发环境准备 ​​工具安装​​&#xff1a; 下载安装DevEco Studio 4.0&#xff08;支持HarmonyOS 5&#xff09;配置HarmonyOS SDK 5.0确保Node.js版本≥14 ​​项目初始化​​&#xff1a; ohpm init harmony/hospital-report-app 二、核心功能模块实现 1. 报告列表…...

JUC笔记(上)-复习 涉及死锁 volatile synchronized CAS 原子操作

一、上下文切换 即使单核CPU也可以进行多线程执行代码&#xff0c;CPU会给每个线程分配CPU时间片来实现这个机制。时间片非常短&#xff0c;所以CPU会不断地切换线程执行&#xff0c;从而让我们感觉多个线程是同时执行的。时间片一般是十几毫秒(ms)。通过时间片分配算法执行。…...

Redis数据倾斜问题解决

Redis 数据倾斜问题解析与解决方案 什么是 Redis 数据倾斜 Redis 数据倾斜指的是在 Redis 集群中&#xff0c;部分节点存储的数据量或访问量远高于其他节点&#xff0c;导致这些节点负载过高&#xff0c;影响整体性能。 数据倾斜的主要表现 部分节点内存使用率远高于其他节…...

使用Spring AI和MCP协议构建图片搜索服务

目录 使用Spring AI和MCP协议构建图片搜索服务 引言 技术栈概览 项目架构设计 架构图 服务端开发 1. 创建Spring Boot项目 2. 实现图片搜索工具 3. 配置传输模式 Stdio模式&#xff08;本地调用&#xff09; SSE模式&#xff08;远程调用&#xff09; 4. 注册工具提…...

手机平板能效生态设计指令EU 2023/1670标准解读

手机平板能效生态设计指令EU 2023/1670标准解读 以下是针对欧盟《手机和平板电脑生态设计法规》(EU) 2023/1670 的核心解读&#xff0c;综合法规核心要求、最新修正及企业合规要点&#xff1a; 一、法规背景与目标 生效与强制时间 发布于2023年8月31日&#xff08;OJ公报&…...

规则与人性的天平——由高考迟到事件引发的思考

当那位身着校服的考生在考场关闭1分钟后狂奔而至&#xff0c;他涨红的脸上写满绝望。铁门内秒针划过的弧度&#xff0c;成为改变人生的残酷抛物线。家长声嘶力竭的哀求与考务人员机械的"这是规定"&#xff0c;构成当代中国教育最尖锐的隐喻。 一、刚性规则的必要性 …...

基于开源AI智能名片链动2 + 1模式S2B2C商城小程序的沉浸式体验营销研究

摘要&#xff1a;在消费市场竞争日益激烈的当下&#xff0c;传统体验营销方式存在诸多局限。本文聚焦开源AI智能名片链动2 1模式S2B2C商城小程序&#xff0c;探讨其在沉浸式体验营销中的应用。通过对比传统品鉴、工厂参观等初级体验方式&#xff0c;分析沉浸式体验的优势与价值…...