Workshop – Roma 24 ottobre 2014

Sull’utilizzo dei modelli bidimensionali per la previsione delle piene in tempo reale

Reinaldo Garcia, PhD

Sull’utilizzo dei modelli bidimensionali

per la previsione delle piene in tempo

reale

Reinaldo Garcia, PhD

Director or Model Development

Hydronia, LLC

A. Lacasta, and Pilar Garcia-Navarro

Computational Hydraulics Group

University of Zaragoza

Pedro Restrepo, Mike DeWeese,

Mark Ziemer,Justin Palmer, and

Jonathon Thornburg

NOAA - NCRFC

Questa presentazione è stata tradotta in italiano ed adattata dalla IDRAN S.r.l.

a partire dalla versione originale mantenendo tutti i diritti della Hydronia LLC riservati

Motivazione

Gli uffici della NOAA americana impegnati nella gestione delle alluvioni necessitano di modelli più

veloci

Alcune aree degli US hanno bisogno di modelli 2D

CPU standard non sono sufficienti

Parallelizzazione GPU

RiverFlow2D GPU

Documentazione di verifiche recenti

Applicazioni 2D del Modello Idraulico

Tratti fluviali più lunghi

10-100 km

Griglie a maggiore risoluzione

Diversi milioni di celle

Tempi di simulazione più lunghi

Giorni, mesi, anni

Girate per scenari multipli

Evoluzione della velocità dei Processori

La parallelizzazione per PC con multipli processori é l’unica via per velocizzare i modelli

Parallelizzazione del Codice

• Memoria condivisa: OpenMP

• Memoria distribuita: MPI

• Unità di processamento grafico: GPU CUDA, OpenCL

• La parallelizzazione è virtualmente impossibile per la maggior parte dei modelli esistenti

Sfide per la parallelizzazione dei codici • Molti modelli esistenti sono virtualmente impossibili da

parallelizzare

• Sono stati programmati per vecchi processori

• Spaghetti code

La parallelizzazione in multipli processori non è sufficiente

Numero di processori e limitato: 4, 6, 12…

Molte volte la parallelizzazione in Open MP non è scalabile:

Più Processori≠ Più Prestazioni

Unità di Processamento Grafico: GPU

• Disegnate per accelerare la creazione di immagini da

mostrare in un display.

• La struttura altamente parallelizzate dei GPU moderni li fa più efficaci rispetto ai CPU generici se si deve processare algoritmi con una grande quantità di informazione.

• GPU è normalmente presente sulle schede grafiche.

• Al contrario di un CPU, il GPU esegue lentamente molti thread simultaneamente piuttosto che eseguire un singolo thread velocemente

Ottimizzazione GPU

• Richiede hardware specifico

Gestione ottimale dei singoli task

• Idrodinamica fluviale e costiera di dettaglio

• Inondazioni fluviali ed urbane

• Analisi di sormonto arginale

• Trasporto di sedimenti

• Erosione e deposizione

• Colate Detritiche

• Bacini di decantazione (casse di espansione)

• Trasporto di contaminanti

Griglia Flessibile del RiverFlow2D

RiverFlow2D Plus

RiverFLO-2D

(FE)

RiverFlow2D Plus

• Motore Parellelizzato (OpenMP®) ai Volumi Finiti

• Griglia triangolare irregolare e flessibile

• Stessi Pre e Post-processori

• Alta precisione (Errore di cons. volume << 10-12 % )

RiverFlow2D Plus - Numerics

• 2D modelling of erosion/deposition processes with suspended load using upwind finite volumes Authors: Murillo J., Garcia-Navarro P., Brufau P. and Burguete J. Year: 2008 Journal: JOURNAL OF HYDRAULIC RESEARCH. Volume: 46. Number: 1.

• Weak solutions for partial differential equations with source terms: Application to the shallow water equations Authors: J. Murillo, P. García-Navarro. Year: 2010 Journal: Journal of Computational Physics. Volume: 229. Number: 11. Pages: 4327-4368

• Improved Riemann solvers for complex transport in two-dimensional unsteady shallow flow Authors: J. Murillo, P. García-Navarro. Year: 2011 Journal: Journal of Computational Physics. Volume: 230. Number: 19. Pages: 7202-7239

• Wave Riemann description of friction terms in unsteady shallow flows: Application to water and mud/debris floods Authors: Murillo, J. and Garcia-Navarro, P. Year: 2012 Journal: JOURNAL OF COMPUTATIONAL PHYSICS. Volume: 231. Number: 4. Pages: 1963-2001

• Augmented versions of the HLL and HLLC Riemann solvers including source terms in one and two dimensions for shallow flow applications Authors: Murillo, J. and Garcia-Navarro, P. Year: 2012 Journal: JOURNAL OF COMPUTATIONAL PHYSICS. Volume: 231. Number: 20. Pages: 6861-6906

RiverFLO-2D

(FE)

RiverFlow2D Plus

RiverFlow2D Plus CPU

RiverFlow2D GPU

RiverFLO-2D

(FE)

RiverFlow2D Plus

RiverFlow2D GPU

• Motore ai Volumi Finiti GPU

• Griglia triangolare irregolare e flessibile

• Stessi Pre e Post-processori

• Alta precisione (Errore di cons. volume << 10-12 % )

• Calcoli più veloci (>100x accelerazione)

Sia la versione CPU che quella GPU devono garantire gli stessi risultati

RiverFlow2D GPU Casi di studio

NVIDIA Tesla k20

• 2496 CUDA Cores

• 5 Gb Memory

• US$2500

NVIDIA GeForce GTX 780 • 2304 CUDA Cores

• 3 Gb Memory

• US$550

Green River

• Griglia1 19,079 celle

• Griglia2 154,880 celle

• Griglia 3 1,878,607 celle

• Idrogramma di 2 ore

Idrogramma Q = 44,000 cfs

Uniform Flow

River in California

• 357,611 celle

• 326,082 cfs

• Idrogramma di 7 giorni

Uscita libera

0

50000

100000

150000

200000

0 50 100 150 200

0

50000

100000

150000

200000

0 50 100 150 200

Incremento della Produttività

Assumendo che per un progetto si sviluppino in media 10 scenari/progetto, si risparmierebbe in termini di tempo:

1400 ore / 58 giorni

UK Benchmarks Test 8A • Inondazione con

acque poco profonde basso in area urbana

• Pioggia

• Alta risoluzione

Other GPU

Model

RiverFlow2D

GPU

Number of cells Time (h) Time (h)

Mesh1 90,000 0.07 0.03

Test 8A Mesh2 380,000 0.32 0.12

Mesh3 1,500,000 1.73 0.82

Nuove GPU NVIDIA GTX Titan and Titan Black

• 2880 CUDA Cores

• 6 Gb Memory

• US$950

Tesla k40

• 2880 CUDA Cores

• 12 Gb Memory

• US$5000+

Red River of the North

Hydronia-NOAA CRADA • Cooperative Research & Development

Agreement (CRADA)

• Impostare una simulazione su larga scala utilizzando tecnologia GPU di punta con il modello RiverFlow2D

• Tratta fluviale di 420 miglia nei pressi di Fargo

Area di Responsabilità NOAA-NCRFC Localizzazione dei punti di Previsione

426 punti di

previsione

1173 sottobacini

Bacini principali

▸ Hudson Bay

▸ Mississippi

▸ Great Lakes

Bacino della Baia

di Hudson

Bacino dei

Grandi Laghi

Bacino del Fiume

Mississippi

Programmazione delle Previsioni

• Previsioni «statistiche» (Probabilistiche: utilizzando serie climatiche)

– 1ma emissione a fine gennaio (fino aprile 30)

– Aggiornamento a fine febbraio (+97 giorni)

– Aggiornamenti ogni 2 settimane, se necessario (+97 giorni)

• Previsioni «Deterministiche»

– Iniziano a primavera con lo scioglimento della neve

– Almeno 2x al giorno, o più se necessario

Previsioni: Forzanti e Modelli • Previsione Deterministica

– Forzante

• NWS valore singolo di previsione di precipitazione (24 ore) e temperatura (14 giorni)

– Modelli

• Snow-17 per la accumulo e scioglimento nivale

• Sacramento + Frozen Ground per umidità del suolo

• Afflussi

• Deflussi

Aree inondate, Red River of the North (April 2013)

Criticità Modello Idraulico • Bassa precisione dell’approccio 1-D

• Deflusso in aree golenali

• Tempi computazionali troppo lunghi > 3-7 ore con modello 1D

• La simulazione ideale dovrebbe durare meno di 2 ore

Test 2: griglia infittita 590,000 celle

Test 1: griglia uniforme 1,070,000 celle

420 miglia

Resoconto del Test

420 miglia

1,070,000 celle

Idrogramma 40 giorni

4-ft LiDAR (90Gb)

RiverFlow2D GPU

1 ora per impostazione

Mesh (cells) GPU Time

1,070,000 2.2 h

590,000 36 min

• Elevate prestazioni della simulazione 2D utilizzando RiverFlow2D con promettenti margini di miglioramento

• Maggior raffinamento della mesh incrementerà I tempi del GPU

• Maggiore efficienza con Raffinamento «selettivo»

• hardware GPU in rapida evoluzione

Grazie! Domande?