Estudo de desempenho e de eficiência energética em simulação de dinâmica de fluidos multifásicos nas arquiteturas NVIDIA Volta V100 e Grace Hopper GH200
Este trabalho de dissertação propõe identificar como uma aplicação da área de Dinâmica de Fluidos Computacional (CFD) utiliza os recursos computacionais em arquiteturas de processamento paralelo manycore. Para isto são apresentados estudos de perfilagem e análises de desempenho de um Simulador de Fl...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión publicada |
| Fecha de publicación: | 2024 |
| País: | Brasil |
| Institución: | Laboratório Nacional de Computação Científica (LNCC) |
| Repositorio: | Biblioteca Digital de Teses e Dissertações do LNCC |
| Idioma: | portugués |
| OAI Identifier: | oai:tede-server.lncc.br:tede/403 |
| Acceso en línea: | https://tede.lncc.br/handle/tede/403 |
| Access Level: | acceso abierto |
| Palabra clave: | Dinâmica de Fluidos Computacional Processamento Paralelo GPU Arquitetura Manycore Perfiladores Método Lattice Boltzmann. Computational Fluid Dynamics Parallel Processing Manycore Architecture CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| Sumario: | Este trabalho de dissertação propõe identificar como uma aplicação da área de Dinâmica de Fluidos Computacional (CFD) utiliza os recursos computacionais em arquiteturas de processamento paralelo manycore. Para isto são apresentados estudos de perfilagem e análises de desempenho de um Simulador de Fluidos Multifásico baseado no Método Lattice Boltzmann (LBM) nas recentes arquiteturas GPUs da NVIDIA, a V100 e a GH200. Como objetivo secundário, este trabalho apresenta um estudo do desempenho do Simulador para diversas malhas de dados de entrada e um estudo sobre e eficiência energética do Simulador para ambas arquiteturas. Os resultados indicam que a arquitetura GH200 supera consistentemente a V100 em termos de desempenho, em especial para grandes malhas de dados, com ganhos de até 2.82 vezes. Além disso, a GH200 demonstrou uma eficiência energética superior, consumindo até 53% menos energia em comparação à V100. A análise de perfilagem com o NVIDIA NSight Compute identificou os principais fatores que contribuem para a perda de desempenho, destacando a necessidade de otimização no acesso à memória. |
|---|