基于GPU和重分析的車身結(jié)構(gòu)高效優(yōu)化方法.pdf

1、數(shù)值仿真在汽車車身結(jié)構(gòu)優(yōu)化設計過程中發(fā)揮著重要的作用，但隨著結(jié)構(gòu)復雜度的不斷增加，計算量大、計算效率低等問題日益嚴峻，嚴重制約了數(shù)值仿真及優(yōu)化設計在實際工程中的應用。為提升數(shù)值仿真的計算效率，研究人員一方面從數(shù)值計算方法的理論研究著手，開發(fā)了諸多快速計算方法，如利用已知結(jié)構(gòu)的解及求解信息去估計修改后結(jié)構(gòu)解的重分析方法，從計算方法上提升計算效率;另一方面，利用并行計算機的硬件優(yōu)勢，通過并行技術(shù)對數(shù)值仿真進行加速，從而獲得更高的計算效率。目

2、前主流的并行算法多建立在以CPU為核心的并行平臺上，價格昂貴、維護成本高，難以得到普及使用。此外，由于這類架構(gòu)多采用粗粒度并行模式，計算節(jié)點間的通信與協(xié)作機制較為復雜，導致程序開發(fā)難度較大。同CPU并行架構(gòu)相比，圖形處理器GPU(Graphics Process Unit)的主要優(yōu)勢在于其擁有強大的浮點運算能力和高存儲帶寬，且價格低廉。同時，統(tǒng)一計算架構(gòu)CUDA(Compute Unified Device Architecture)為

3、GPU并行程序開發(fā)提供了簡單高效的軟件開發(fā)工具。
　　針對復雜產(chǎn)品設計中大規(guī)模計算的客觀需求，采用重分析方法雖能提高計算效率，但仍難以滿足實際工程問題的計算需求，在同時考慮計算方法和并行技術(shù)的前提下，本文建立了以GPU并行重分析為主線的結(jié)構(gòu)優(yōu)化設計系統(tǒng)。對結(jié)構(gòu)進行單次修改時，提出了具有高精度和高效率特點的GPU并行重分析計算方法;結(jié)構(gòu)概念設計階段，提出了基于GPU并行重分析的拓撲優(yōu)化計算方法;結(jié)構(gòu)詳細設計階段，提出了基于GPU并行

4、重分析的多數(shù)據(jù)分組全局優(yōu)化算法;為克服單GPU計算能力的限制，建立了基于多GPU平臺的并行重分析系統(tǒng)。本文的主要工作和成果如下:
　　(1)針對重分析方法的計算效率瓶頸，提出了GPU并行重分析計算方法，開發(fā)了基于GPU平臺的并行重分析計算程序，實現(xiàn)了較大規(guī)模汽車結(jié)構(gòu)重分析的并行計算。采用線程映射單元、線程映射非零元素兩種映射策略，提出了重分析方法中剛度矩陣的并行計算及組裝方法;采用對稱超松弛方法構(gòu)建稀疏近似逆矩陣，基于CUDA并行

5、計算平臺，提出了重分析方法中矩陣求逆的并行計算方法;采用稀疏近似逆作為預處理算子，開發(fā)了重分析方法中方程組的并行求解技術(shù)。數(shù)值算例表明本文提出的GPU并行重分析方法能夠大幅度提升計算效率，并能夠滿足數(shù)值仿真計算的精度要求。
　　(2)提出了基于GPU并行重分析的拓撲優(yōu)化計算方法，開發(fā)了基于GPU并行重分析的結(jié)構(gòu)拓撲優(yōu)化程序，實現(xiàn)了較大規(guī)模汽車結(jié)構(gòu)在GPU上的并行拓撲優(yōu)化。采用線程映射單元的策略，提出了拓撲優(yōu)化方法中靈敏度的并行計算

6、方法;采用單元-節(jié)點、節(jié)點-單元雙重過濾策略，開發(fā)了基于GPU平臺的靈敏度并行過濾技術(shù);為確保拓撲優(yōu)化過程方法中計算精度和計算效率的有效平衡，提出了拓撲優(yōu)化過程中是否采用重分析的準則:結(jié)構(gòu)修改度，并根據(jù)結(jié)構(gòu)修改度值的大小判斷當前迭代步是否采用GPU并行重分析。
　　(3)提出了基于多數(shù)據(jù)分組的全局優(yōu)化算法MDEGO(Multiple Data EfficientGlobal Optimization)，解決了高效全局優(yōu)化算法EGO

7、(Efficient Global Optimization)及基于多代理模型高效全局優(yōu)化算法MSEGO(Multiple Surrogate Efficient GlobalOptimization)產(chǎn)生尋優(yōu)點的瓶頸。MDEGO算法充分考慮多數(shù)據(jù)分組產(chǎn)生多樣性，從而在優(yōu)化過程的單個迭代步內(nèi)產(chǎn)生多個尋優(yōu)點，克服了EGO算法單個迭代步內(nèi)只產(chǎn)生一個尋優(yōu)點的瓶頸;與MSEGO算法采用多種代理模型產(chǎn)生多樣性的策略不同，MDEGO算法采用多數(shù)據(jù)分

8、組產(chǎn)生多樣性的策略更加簡單便捷，在相同的仿真次數(shù)內(nèi)，較MSEGO具有更快的收斂速度。為進一步提高MDEGO算法的計算效率及工程實用性，開發(fā)了基于GPU并行重分析以及考慮多數(shù)據(jù)分組的GPU并行全局優(yōu)化程序，實現(xiàn)了較大規(guī)模汽車結(jié)構(gòu)在GPU上的并行全局優(yōu)化。
　　(4)針對單GPU上難以進行某些大規(guī)模汽車結(jié)構(gòu)重分析計算的瓶頸，提出了多GPU并行重分析計算方法。采用具有良好擴展性的多GPU并行策略，實現(xiàn)了重分析算法中的數(shù)據(jù)分配、矩陣向量乘