Применение попеременно-треугольного итерационного метода для решения задач гидродинамики мелководного водоема на графическом ускорителе
PDF

Ключевые слова

математическое моделирование
гидродинамические процессы
мелководный водоем
графический ускоритель

Как цитировать

1.
Литвинов В.Н., Грачева Н.Н., Шабаев Е.А. Применение попеременно-треугольного итерационного метода для решения задач гидродинамики мелководного водоема на графическом ускорителе // Успехи кибернетики. 2022. Т. 3, № 1. С. 53-57. DOI: 10.51790/2712-9942-2022-3-1-8.

Аннотация

Процесс прогнозирования экологических катастроф как техногенного, так и природного характера в настоящее время базируется на достижениях в области математического моделирования. Получение прогноза за короткое время является весьма затруднительным без применения параллельных вычислений и суперкомпьютерных технологий. Большой объем обрабатываемой информации и сложность вычислений приводят к необходимости использования вычислительных кластеров, в состав которых добавляются видеоадаптеры для увеличения производительности вычислительной системы и скорости обработки информации. Статья посвящена разработке программного модуля на языке CUDA C, предназначенного для моделирования гидродинамических процессов мелководных водоёмов, включая решение возникающих при дискретизации систем сеточных уравнений высокой размерности. Для повышения эффективности расчетов часть вычислительной нагрузки передавалась на графические ускорители, для чего был разработан алгоритм параллельных расчетов и его программная реализация в виде модуля. В результате вычислительных экспериментов определена оптимальная двумерная конфигурация потоков в вычислительном блоке, исполняемом на одном потоковом мультипроцессоре. Разработанные алгоритм и программный модуль позволяют более эффективно задействовать вычислительные ресурсы графических ускорителей, используемых для решения вычислительно трудоемких задач гидрофизики.

https://doi.org/10.51790/2712-9942-2022-3-1-8
PDF

Литература

Zheng L., Gerya T., Knepley M., Yuen D., Zhang H., Shi Ya. GPU Implementation of Multigrid Solver for Stokes Equation with Strongly Variable Viscosity. In: Yuen D., Wang L., Chi X., Johnsson L., Ge W., Shi Y. (eds) GPU Solutions to Multi-scale Problems in Science and Engineering. Lecture Notes in Earth System Sciences. Springer, Berlin, Heidelberg. 2013. https://doi.org/10.1007/978-3-642-16405-7_21.

Xue W., Roy C. J. Multi-GPU Performance Optimization of a Computational Fluid Dynamics Code Using OpenACC. Concurrency and Computation Practice and Experience. 2021;33(5).

Oyarzun G., Borrell R., Gorobets A., Oliva A. MPI-CUDA Sparse Matrix–Vector Multiplication for the Conjugate Gradient Method with an Approximate Inverse Preconditioner. Computers and Fluids. 2014;92:244-252.

Nagatake T., Kunugi T. Application of GPU to Computational Multiphase Fluid Dynamics. IOP Conference Series: Materials Science and Engineering. 2010;10.

Belova Y., Chistyakov A., Nikitina A., Litvinov V. Mathematical Modeling of Sustainable Coastal Systems Development Scenarios Based on Game-Theoretic Concepts of Hierarchical Management Using Supercomputer Technologies. In: Voevodin V., Sobolev S. (eds) Supercomputing. RuSCDays 2020. Communications in Computer and Information Science. 2020;1331. Springer, Cham. Режим доступа: https://doi.org/10.1007/978-3-030-64616-5_22.

Сухинов А. И., Атаян А. М., Белова Ю. В., Литвинов В. Н., Никитина А. В., Чистяков А. Е. Обработка данных натурных измерений экспедиционных исследований для математического моделирования гидродинамических процессов Азовского моря. Вычислительная механика сплошных сред. 2020;13(2):161-174. Режим доступа: https://doi.org/https://doi.org/10.7242/1999-6691/2020.13.2.13.

Сухинов А. И., Чистяков А. Е., Литвинов В. Н., Никитина А. В., Белова Ю. В., Филина А. А. Вычислительные аспекты математического моделирования гидробиологических процессов в мелководном водоеме. Вычислительные методы и программирование. 2020;21(4):452-469. DOI: 10.26089/NumMet.v21r436.

Xue W., C. W. Jackson, Roy C. J. Multi-CPU/GPU Parallelization, Optimization and Machine Learning based Autotuning of Structured Grid CFD Codes. 2018 AIAA Aerospace Sciences Meeting. P. 0362. DOI: 10.2514/6.2018-0362.

Скачивания

Данные скачивания пока не доступны.