Алгоритм параллелизации по данным для метода прямого статистического моделирования течений разреженного газа на основе технологии OpenMP

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Рассмотрен алгоритм параллелизации по данным для метода прямого статистического моделирования течений разреженного газа. Выполнен анализ масштабирования производительности основных процедур алгоритма. Показано удовлетворительное масштабирование производительности параллельной процедуры индексации частиц, предложен алгоритм ускорения работы данной процедуры. На примерах решения задач о свободном потоке и обтекании конуса для 28-ядерного узла с общей памятью получено приемлемое ускорение работы всего алгоритма. Проведено сравнение эффективности алгоритма параллелизации по данным и алгоритма декомпозиции расчетной области для свободного течения. С использованием разработанного параллельного кода выполнено исследование обтекания конуса сверхзвуковым разреженным потоком. Библ. 39. Фиг. 18. Табл. 2.

Об авторах

Н. Ю. Быков

ФИЦ ИУ РАН; С.-Петербургский политехнический университет Петра Великого

Email: nbykov2006@yandex.ru
Россия, 119333, Москва, ул. Вавилова, 44, к. 2; Россия, 195251, С.-Петербург, ул. Политехническая, 29

С. А. Фёдоров

ФИЦ ИУ РАН; С.-Петербургский политехнический университет Петра Великого

Автор, ответственный за переписку.
Email: nbykov2006@yandex.ru
Россия, 119333, Москва, ул. Вавилова, 44, к. 2; Россия, 195251, С.-Петербург, ул. Политехническая, 29

Список литературы

  1. Boltzmann L. Weitere studien über das wärmegleichgewicht unter gasmolecülen // Wien. Acad. Sitzungsber. 1872. № 66. P. 275–370.
  2. Нагнибеда Е.А., Кустова Е.В. Кинетическая теория процессов переноса и релаксации в потоках неравновесных реагирующих газов. СПб.: Изд-во Санкт-Петербургского гос. ун-та, 2003. 272 с.
  3. Додулад О.И., Клосс Ю.Ю., Потапов А.П., Черемисин Ф.Г., Шувалов П.В. Моделирование течений разреженного газа на основе решения кинетического уравнения Больцмана консервативным проекционным методом // Ж. вычисл. матем. и матем. физ. 2016. Т. 56. № 6. С. 89–105.
  4. Черемисин Ф.Г. Решение уравнения Больцмана в режиме сплошной среды // Ж. вычисл. матем. и матем. физ. 2023. Т. 63. № 2. С. 336–348.
  5. Bhatnagar P.L., Gross E.P., Krook M. Model for collision processes in gases. I. Small amplitude processes in charged and neutral one-component systems // Phys. Rev. 1954. Rev. 94. P. 511–524.
  6. Shakhov E.M. Generalization of the Krook kinetic relaxation equation // Fluid Dynamics. 1968. V. 3. № 5. P. 95–96.
  7. Шахов Е.М. Метод исследования движений разреженного газа. М.: Наука, 1974. 205 с.
  8. Titarev V.A. Application of the Nesvetay Code for Solving Three-Dimensional High-Altitude Aerodynamics Problems // Comput. Math. and Math. Phys. 2020. V. 60. № 4. P. 737–748.
  9. Titarev V.A., Morozov A.A. Arbitrary Lagrangian-Eulerian discrete velocity method with application to laser-induced plume expansion // Appl. Math. and Comput. VSI:Num Hyp. 2022. V. 429. P. 127241.
  10. Pfeiffer M., Mirza A., Nizenkov P. Multi-species modeling in the particle-based ellipsoidal statistical Bhatnagar-Gross-Krook method for monatomic gas species // Phys. of Fluids. 2021. V. 33. P. 036106.
  11. Берд Г. Молекулярная газовая динамика. М.: Мир, 1981.
  12. Bird G.A. Molecular gas dynamics and the direct simulation of gas flows. Oxford: Clarenton Press, 1994.
  13. Bird G.A. The DSMC Method. CreateSpace Independent Publishing Platform, 2013.
  14. Bird G.A. Approach to translational equilibrium in a rigid sphere gas // Phys. Fluids. 1963. V. 6. P. 1518–1519.
  15. Dietrich S., Boyd I.D. Scalar and parallel optimized implementation of the direct simulation Monte Carlo method // J. Comput. Phys. 1996. V. 126. № 2. P. 328–342.
  16. Ivanov M., Kashkovsky A., Gimelshein S., Markelov G., Alexeenko A., Bondar Y.A., Zhukova G., Nikiforov S., Vaschenkov P. SMILE system for 2D/3D DSMC computations // Proc. of 25th Internat. Symposium on Rarefied Gas Dynamics. St. Petersburg, Russia. 2006. P. 21–28.
  17. Bykov N.Y., Gorbachev Yu.E. Cluster formation in copper vapor jet expanding into vacuum: the direct simulation Monte Carlo. Vacuum. 2019. V. 163. P. 119–127.
  18. Plimpton S.J., Moore S.G., Borner A., Stagg A.K., Koehler T.P., Torczynski J.R., Gallis M.A. Direct simulation Monte Carlo on petaflop supercomputers and beyond // Phys. Fluids. 2019. V. 31. P. 086101.
  19. Scanlon T., White C., Borg M.K., Cassineli P.R., Farbar E., Boyd I.D., Reese J., Brown R. Open source Direct Simulation Monte Carlo (DSMC) chemistry modelling for hypersonic flows // AIAA Journal. 2015. V. 53. № 6. P. 1670–1680.
  20. Иванов М.С., Рогазинский С.В. Метод прямого статистического моделирования в динамике разреженного газа // М.: ВЦ СО АН СССР. 1988. С. 177.
  21. Stefanov S., Roohi E., Shoja-Sani A. A novel transient-adaptive subcell algorithm with a hybrid application of different collision techniques in direct simulation Monte Carlo (DSMC) // Physics of Fluids. 2022. V. 34. P. 092003.
  22. Wilmoth R.G. Application of a parallel direct simulation Monte Carlo method to hypersonic rarefied flows // AIAA Journal. 1992. V. 30. № 10. P. 2447–2452.
  23. Ivanov M., Markelov G., Taylor S., Watts J. Parallel DSMC strategies for 3D computations // Proc. parallel CFD’96. North Holland, Amsterdam, 1997. P. 485–492.
  24. Kyun Ho Lee, Seok Weon Choi Interaction effect analysis of thruster plume on LEO satellite surface using parallel DSMC method // Comput. & Fluids. 2013. V. 80. P. 333–341.
  25. Revathi Jambunathan, Deborah A. Levin. Advanced Parallelization Strategies Using Hybrid MPI-CUDA Octree DSMC Method for Modeling Flow Through Porous Media // Comput. and Fluids. 2017. V. 149. P. 70–87.
  26. Гришин И.А., Захаров В.В., Лукьянов Г.А. Параллелизация по данным прямого моделирования Монте‑Карло в молекулярной газовой динамике // Препринт № 3–98. Институт высокопроизводительных вычислений и баз данных. Санкт-Петербург. 1998.
  27. Быков Н.Ю., Лукьянов Г.А. Параллельное прямое моделирование Монте-Карло нестационарных течений разреженного газа на суперкомпьютерах массивно-параллельной архитектуры // Препринт № 5–97. Институт высокопроизводительных вычислений и баз данных. Санкт-Петербург. 1998.
  28. Быков Н.Ю., Горбачев Ю.Е., Лукьянов Г.А. Параллельное прямое моделирование методом Монте-Карло истечение газа в вакуум от импульсного источника // Теплофиз. и аэромеханика. 1998. Т. 5. № 3. С. 439–445.
  29. Shamseddine M., Lakkis I. A Novel Spatio-Temporally Adaptive Parallel Three-Dimensional DSMC Solver for Unsteady Rare Þed Micro/Nano Gas Flows // Comput. and Fluids. 2019. Vol. 186. P. 1–14.
  30. Wolfgang Wagner. A Convergence Proof for Bird’s Direct Simulation Monte-Carlo Method for the Boltzmann Equation // J. of Statistical Physics. 1992. V. 66. № 3/4. P. 1011–1044.
  31. Gao D., Schwartzentruber T.E. Optimizations and Open MP implementation for the direct simulation Monte Carlo method // Comput. & Fluids. 2011. V. 42. P. 73–81.
  32. Vogenitz F.W., Takata G.Y. Rarefied hypersonic flow about cones and flat plates by Monte Carlo simulation // AIAA Journal. 1971. V. 9. Iss. 1. P. 94–100.
  33. Ерофеев А.И. Расчет обтекания конуса под углом атаки гиперзвуковым потоком разреженного газа // Уч. Зап. ЦАГИ. 1979. Т. 10. № 6. С. 122–127.
  34. Ларина И.Н., Рыков В.А. Пространственное обтекание конических тел потоком разреженного газа // Ж. вычисл. матем. и матем. физ. 1989. Т. 29. № 1. С. 110–117.
  35. Taylor J.C., Moss J.N., Hassan H.A. Study of hypersonic flow past sharp cones // AIAA. 1989. P. 89–1713.
  36. Краснов Н.Ф. Аэродинамика тел вращения. М.: Машиностр., 1964. 572 с.
  37. Kopal Z. Tables of supersonic flow around Cones. Technical report N. 1. MIT., 1947.
  38. Tskhakaya D., Schneider R. Optimization of PIC codes by improved memory management // J. of Comput. Phys. 2007. V. 225. P. 829–839.
  39. Романенко А.А., Снытников А.В. Оптимизация переупорядочивания модельных частиц при реализации метода частиц в ячейках на GPU // Вестн. Новосибирского гос. ун-та. Серия: Информационные технологии. 2019. Т. 17. № 1. С. 82–89.

© Н.Ю. Быков, С.А. Фёдоров, 2023

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».