Este artículo diseña una Factorización Anidada (NF) altamente paralela para resolver grandes ecuaciones lineales generadas en problemas de simulación numérica de yacimientos. El método NF es un método tradicional de preprocesamiento de solución lineal para problemas de simulación numérica de yacimientos, y ha recuperado atención en los últimos años debido a su potencial para extenderse a arquitecturas paralelas como las GPU (Unidades de Procesador de Gráficos). El algoritmo paralelo de este documento se basa en el marco de MPNF (Factorización Anidada Masivamente Paralela) propuesto por Appleya (Appleyard, Appleyard, Wakefield, & Desitter, 2011). El algoritmo MPNF diseñado en este documento se enfoca en su implementación eficiente en la arquitectura paralela de GPU. Sus características incluyen: usar una estructura de matriz personalizada para lograr un acceso combinado, mejorar los accesos de cuellos de botella y mejorar la eficiencia del algoritmo SpMV. También es aplicable al método de preprocesamiento en dos etapas CPR (solución de presión residual de restricción) presión solución y etapa de preprocesamiento global; el método MPNF se extiende a la solución del problema de cuadrícula no estructurada de 2.5 dimensiones. El algoritmo paralelo en este documento se ha integrado en el simulador numérico de yacimiento. Para el ejemplo estándar de SPE10 (millones de cuadrículas, altamente heterogéneo), el algoritmo NF paralelo basado en GPU está en el modelo de cuadrícula estructurada y el equivalente de 2.5-no dimensional- en el modelo de cuadrícula estructurada, en comparación con la versión en serie del método NF, los índices de aceleración de 19.8 y 17.0 veces se obtuvieron respectivamente; en comparación con el método de solución serial convencional, la eficiencia también se mejoró de 2 a 3 veces.
ARQUITECTURA PARALELA DE GPU
La arquitectura paralela multinúcleo de la GPU ha recibido cada vez más atención en el campo de la computación de alto rendimiento en los últimos años. La GPU se utilizaba originalmente para tareas de aceleración del procesamiento de gráficos. Con el desarrollo de plataformas de software y hardware de propósito general (General-Purpose Computing on GPU, relacionado con la GPGPU), las GPU se aplican gradualmente a la aceleración paralela en el campo de la computación científica. Una de ellas es NVIDIA. Lanzó la plataforma Compute Unified Device Architecture (CUDA) (Appleyard, Appleyard, Wakefield, & Desitter, 2011; NVIDIA, 2009). El algoritmo de este trabajo se basa en la implementación de CUDA.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Un gemelo digital para yacimientos no convencionales: Un modelo y un algoritmo multiescala para investigar mecanismos complejos
Artículo:
Simulación numérica y análisis del proceso de difusión para las fugas de una tubería de GNL en túnel
Artículo:
El efecto de la reología del polímero viscoelástico en la respuesta a la presión transitoria en las regiones cercanas al pozo
Artículo:
Enfoque holístico en la remoción de depósitos de relaves antiguos para el suministro de metales críticos: Estudio de caso portugués
Artículo:
Análisis por elementos discretos de las propagaciones de fracturas hidráulicas en yacimientos laminados con propiedades iniciales complejas de las juntas
Artículo:
Creación de empresas y estrategia : reflexiones desde el enfoque de recursos
Presentación:
Estudio de movimientos y tiempos
Artículo:
Estudio sobre la evaluación de la sostenibilidad de los productos innovadores
Artículo:
Generadores para ideales asociados a diferencia de tablas de Ferrers y cómputo de los generadores para ideales de Ferrers