GPU-PDMG：一种并行化非结构网格生成技术

需积分: 3 182 浏览量更新于2024-09-07 收藏 527KB PDF 举报

" 本文探讨了一种基于GPU的加锁并行化非结构网格生成方法，旨在解决传统CPU算法在时间和内存上的局限性。通过利用GPU的并行计算能力，结合Delaunay三角化的特性，该GPU-PDMG方法在英伟达GPU平台上实现了高效网格生成。通过对不同算例的测试，证明了该方法在速度和效率上的优越性，尤其对于处理大规模、高精度的非结构网格问题。非结构网格在捕捉复杂几何形状和物理现象时具有高度灵活性，但其随机性导致的存储需求和计算时间增加一直是挑战。随着计算能力的提升，虽然可以处理更大型的网格，但在单一机器上生成高质量的非结构网格仍面临时间和内存的限制。为了应对这一问题，研究人员开始寻求并行计算解决方案，以提高计算效率。本文提出的GPU-PDMG方法采用了CUDA编程模型，利用GPU的并行计算能力对非结构网格生成过程进行优化。加锁并行区划分技术确保了在并行计算中的数据一致性，避免了因并发操作引发的错误。通过对NACA0012翼型等实际案例的测试，显示了GPU-PDMG在加速比和效率上的显著优势，不仅减少了计算时间，还保持了网格的质量。在数值模拟领域，尤其是处理三维非定常问题时，时间效率和计算精度至关重要。GPU-PDMG方法的出现，为实现大规模、高效率的并行计算提供了一个有效工具，有助于提升整个计算流程的效率，减少计算时间，同时满足对更高精度模拟的需求。这项研究为非结构网格生成开辟了新的途径，通过GPU的并行化处理，降低了对高性能CPU的依赖，提高了整体计算性能。未来，这种技术有望在航空、航天、流体力学等领域得到广泛应用，推动相关领域的科学研究和技术进步。"

C omputer Engineering and Applications 计算机工程与应用

2014，50（6）

为了提高飞行器的气动性能，网格生成可以说是至

关重要的一步，需要优质的网格来准确捕捉复杂的物理

现象

[1]

。计算网格按网格点之间的邻接关系可分为结构

网格、非结构网格和混合网格等。上述网格均已成功地

应用于实际外形的计算中，并取得较大的成功，各有优

点，但也各有不足。

非结构网格对描述和离散复杂几何外形有良好的

通用性，但是由于其数据的随机性

[2]

，导致需要大量的存

储空间和计算时间。现如今拥有大型计算能力的计算

系统解决了具有数以千万节点网格的问题。然而，在单

一机器上生成如此大规模、高质量的网格，还是给 CPU

带来了时间和内存需求上的挑战

[3]

。比如说，即使在目

前工艺水平所能提供的浮动运算速度最快、容量最大的

超级计算机上进行计算一个三维非定常问题的数值模

拟可能也要花费较长的时间，数值模拟精度的提高势必

要求有更大规模的网格量网格的细化，必然要求更大的

储存量、计算量和更多的迭代步数，这都将使计算时间

增加、效率降低。所以，一方面需要高速度、大容量的计

算机，另一方面要开发并行软件程序，以实现大规模高

效并行计算。

基于 GPU 的加锁并行化非结构网格生成方法研究

蔡云龙，肖素梅，齐龙

CAI Yunlong, XIAO Sumei, QI Long

西南科技大学制造科学与工程学院，四川绵阳 621010

School of Manufacturing Scie nce and Engineering, Southwest University of Science and Technology, Mianyang , Sichuan

621010, China

CAI Yunlong, X IAO Sumei, QI Long. Locking paralleled GPU-based method research for unstructured mesh gen-

erat ion. Computer Eng ineering an d Applications, 2014, 50（6）：56-60.

Abstract：Defects of consuming time and memory consist in unstructured mesh generation. This pap er proposes a novel

approach, te rming GPU-PDMG, which is GPU parallel unstructured mesh generation based on the framework of CUDA.

The technology combines th e high-speed par allel GPU and advantages of Delaunay tria ngulation. It develops a method of

lock ing parallel area dividing, using the CUDA programming model on nVidia GPUs. By analyzing the tested examples’

speedup rate and efficie ncy, it has evaluated their computing performance. This result is identified in NAC A0012 and

multi-element airfoil experiment with both the analysi s of speedup rate and efficiency and GPU-PDMG is better than any

existing GPU algorithms.

Key words：unstructured mesh; par allel area; locking; Graphic Processing Unit（GPU）; speed-up rati o

摘要：非结构网格的生成在时间和内存上有一定的缺陷，这里提出了一种新的方法，命名为 GPU-PDMG，是基于

CUDA 架构的 GPU 并行非结构网格生成技术。该技术结合了 GPU 的高速并行计算能力与 Delaunay 三角化的优点，

在英伟达 GPU 模块下采用 CUDA 程序模型，开发出了加锁并行区划分技术，通过对 NACA0012 翼型、多段翼型等算

例进行测试，分析此方法的加速比和效率，对其计算性能展开评估。实验结果表明，GPU-PDMG 优于现存在的 CPU

算法的速度，在保证网格质量的同时，提高了效率。

关键词：非结构网格；并行域；加锁；图形处理单元（GPU）；加速比

文献标志码：A 中图分类号：TP311；TH16 doi：10.3778/j.issn.1002-8331.1308-0387

基金项目：国家重点基础研究发展规划（973）（No.2009CB723805）。

作者简介：蔡云龙（1988—），男，硕士研究生，主要研究领域为网格生产算法研究，计算流体力学；肖素梅（1966—），女，博士，教授，

主要研究领域为工业工程，动力系统仿真，计算流体力学等；齐龙（1986—），男，硕士研究生，主要研究领域为网格生产

算法。E-mail：cylinder1220@gmail.com

收稿日期：2013-08-30 修回日期：2013-10-15 文章编号：1002-8331（2014）06-0056-05

CNKI 网络优先出版：2013-11-25，http://www.cnki.net/kcms/detail/11.2127.TP.20131125.1535.011.html

下载后可阅读完整内容，剩余4页未读，立即下载

weixin_38743602

粉丝: 395
资源: 2万+

GPU-PDMG：一种并行化非结构网格生成技术

基于GPU的加锁并行化非结构网格生成方法研究.pdf

基于GPU的并行非结构网格生成技术研究.pdf

基于gpu的bwa序列比对算法分析与加速.pdf

hands-on gpu programming pdf

gpt-neox:基于deepspeed库的gpu上类似于gpt-3的模型并行模

python train.py --backbone mobilenet --lr 0.007 --workers 1 --epochs 50 --batch-size 8 --gpu-ids 0 --checkname deeplab-mobilenet 是什么意思

TensorFlow-gpu 1.x的版本有哪些，推荐哪一个

tensorflow-gpu对应cuda版本

python main_fed.py --dataset cifar --epoch 10 --num_channel 3 --gpu 0 --model_cnn --iid

nvidia-smi GPU使用率怎么看

最新资源