previsione di piene in tempo reale utilizzando riverflow2d plus gpu
TRANSCRIPT
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
• 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
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 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)
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+
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
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
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