Все выпуски

Рассматриваются особенности решения систем уравнений метода Галёркина с разрывными функциями на графических процессорах GPU прямым методом и методами подпространств Крылова с различными предобуславливателями. Производительность программной реализации решения систем на GPU сравнивается с аналогичной, полученной на многоядерном процессоре CPU.

В работе проводился расчет генерации шума вентилятора турбореактивного двухконтурного авиационного двигателя (ТРДД) для различных режимов его работы с помощью собственного программного пакета GHOST CFD, реализованного для графических процессоров (ГПУ). Программный пакет основан на схемах типа DRP (Dispersion Relation Preserving), имеющих высокий порядок аппроксимации и высокую разрешающую способность. Для интегрирования по времени также использовалась оптимизированная схема типа LDDRK (Low Dispersion and Dissipation Runge-Kutta). Для моделирования турбулентности использовался неявный метод крупных вихрей с релаксационной фильтрацией (LES-RF). В качестве ротор-статор-интерфейса применялись пересекающиеся (CHIMERA) сетки. Ускорение за счет использования ГПУ, по сравнению с обычным центральным процессором, составило до порядка 12-20 раз, при этом было достигнуто приемлемое время счета. Расчеты в GHOST CFD проводились в постановке «вентилятор - спрямляющий аппарат наружного контура (СА) с полными колесами лопаток». Результаты расчетов сравнивались как с экспериментальными данными, так и с результатами аналогичных расчетов в коммерческом программном пакете ANSYS CFX. При этом в части расчетов в ANSYS CFX учитывался и направляющий аппарат внутреннего контура (НА).

Метод частиц в ячейках широко используется для моделирования плазмы, в то время как графические процессоры представляются наиболее эффективным инструментом для проведения расчетов с помощью этого метода. В данной работе предлагается подход, позволяющий ускорить один из наиболее затратных по времени этапов в проведении расчетов по методу частиц в ячейках на графических ускорителях. Этот этап представляет собой переупорядочивание модельных частиц, или перераспределение их между ячейками сетки. Переупорядочивание модельных частиц позволяет обеспечить локальность данных, которая в первую очередь определяет эффективность реализации метода частиц в ячейках. В данной работе предлагается разделить переупорядочивание на два этапа. На первом этапе для каждой ячейки нужно собрать все модельные частицы, которые должны покинуть данную ячейку, в массивы, число которых равно количеству соседних ячеек (в трехмерном случае имеется 26 соседних ячеек). На втором этапе каждая из соседних ячеек копирует частицы из соответствующего массива рассматриваемой ячейки в ее собственный массив частиц. Так как второй этап может выполняться одновременно двадцатью шестью нитями без синхронизации и ожиданий, и при этом не используются критические секции, семафоры, мутексы, атомарные операции и другие подобные инструменты, то в результате время выполнения переупорядочивания сокращается более чем в 10 раз по сравнению с неоптимизированной реализацией переупорядочивания с использованием синхронизации.