基于非結(jié)構(gòu)網(wǎng)格的可壓縮粘性流動(dòng)數(shù)值方法的GPU實(shí)現(xiàn).pdf

1、近年來(lái)，CPU的性能提升受制于功耗和工藝逐漸放緩了腳步，而圖形處理器（GPU）由于其出色的浮點(diǎn)運(yùn)算性能以及相較于CPU更高的內(nèi)存帶寬在科學(xué)計(jì)算領(lǐng)域中得到了越來(lái)越多的青睞。學(xué)者們嘗試將GPU應(yīng)用于CFD領(lǐng)域，并且獲得了不錯(cuò)的加速效果。
　　本文實(shí)現(xiàn)了GPU平臺(tái)的、基于非結(jié)構(gòu)網(wǎng)格、采用有限體積方法的RANS方程求解器，其適用于三維可壓縮、定常/非定常流動(dòng)的數(shù)值仿真。采用格點(diǎn)格式進(jìn)行控制體的離散。實(shí)現(xiàn)了Roe和Hllc通量計(jì)算格式，通過(guò)

2、線性重構(gòu)結(jié)合Venkatakrishnan限制器實(shí)現(xiàn)了空間上的二階精度。時(shí)間離散方面討論了顯式Runge-Kutta方法以及隱式LU-SGS方法在GPU上的可行性。本文也將Runge-Kutta方法應(yīng)用于非定常計(jì)算中的時(shí)間積分，但是為了加速時(shí)間推進(jìn)，進(jìn)一步地討論了時(shí)間離散上具備二階精度的雙時(shí)間步長(zhǎng)方法。采用Spalart-Allmaras一方程湍流模型封閉RANS方程，加入DES選項(xiàng)在分離區(qū)引入大渦模擬特性而邊界層內(nèi)仍然采用RANS方程

3、。此外，針對(duì)規(guī)模較大的網(wǎng)格，實(shí)現(xiàn)了基于KD-Tree方法的物面距求解。
　　針對(duì)如上算法，通過(guò)詳細(xì)分析GPU軟、硬件架構(gòu)，提出了一套完整的、高效的、采用雙精度浮點(diǎn)數(shù)的內(nèi)核函數(shù)設(shè)計(jì)及執(zhí)行方案。針對(duì)非結(jié)構(gòu)網(wǎng)格及格點(diǎn)格式特性，進(jìn)行了基于硬件利用率、內(nèi)存訪問(wèn)以及指令執(zhí)行三個(gè)層次的深度優(yōu)化，并提出了全新的、適用于本套算法的網(wǎng)格排序方法。通過(guò)多個(gè)定常/非定常算例驗(yàn)證了本文實(shí)現(xiàn)的正確性，實(shí)現(xiàn)了Runge-Kutta方法在單GPU上相較于CPU串