Data analysis and data reduction for large-scale turbulence simulations
Tid: Fr 2025-11-14 kl 10.15
Plats: F3, Lindstedtvägen 26
Videolänk: https://kth-se.zoom.us/j/69836085996
Språk: Engelska
Ämnesområde: Teknisk mekanik
Respondent: Adalberto Perez Martinez , Strömningsmekanik
Opponent: Professor Artur Tyliszczak, Czestochowa University of Technology
Handledare: Professor Philipp Schlatter, SeRC - Swedish e-Science Research Centre, Teknisk mekanik, Institute of Fluid Mechanics (LSTM), Friedrich–Alexander Universität Erlangen–Nürnberg (FAU), DE-910 58 Erlangen, Germany; Professor Stefano Markidis, SeRC - Swedish e-Science Research Centre, Beräkningsvetenskap och beräkningsteknik (CST); Saleh Rezaeiravesh, Department of Fluids and Environment, University of Manchester, Manchester, United Kingdom
QC 251013
Abstract
Beräkningsvätskedynamik (CFD) och direkta numeriska simuleringar (DNS)har, när de tillämpas på studien av turbulens, traditionellt behandlats som enberäkningsbegränsad disciplin där storleken på intressanta problem begränsas avsuperdatorers kapacitet. Även om detta fortfarande stämmer har den relativt nyaanvändningen av specialiserad hårdvara, såsom grafikprocessorer (GPU:er), gjortdet möjligt för forskare att börja studera problem som tidigare betraktades somoåtkomliga. Denna utveckling gynnar den vetenskapliga kunskapsutvecklingen,men den betonar också behovet av robusta metoder för att hantera och bear-beta den växande datamängd som genereras av simuleringarna. Föreliggandeavhandling undersöker tekniker för att bearbeta storskaliga datamängder somhuvudsakligen produceras med spektralelementmetoden (SEM).Denna studie utforskar möjligheten att utnyttja de beräkningsresurser somanvänds av simuleringarna för att utföra dataanalys och transformationer inomså kallad in situ-databehandling. Den belyser att det är möjligt att effektivtgenomföra en rad bearbetningsuppgifter, såsom datakomprimering och visualise-ring, under förutsättning att den använda hårdvaran beaktas, vilket är särskiltrelevant för moderna heterogena system. Vidare åskådliggörs att datakomprime-ring är en effektiv metod för att minska lagringsbehovet samtidigt som noggrann-heten bibehåll, även inom turbulensforskning. I detta sammanhang introduceraravhandlingen en metod som integrerar tekniker för osäkerhetskvantifiering (UQ)i datakomprimering för att underlätta bedömningen av datakvalitet.Datakomprimering är ett centralt fokus i arbetet, men även metodersom underlättar dataanalys studeras. Strömmande och parallella modalned-brytningar, i synnerhet Proper Orthogonal Decomposition (POD), utveck-las och görs tillgängliga för turbulensfältet, kompletterade med studier avosäkerhetskvantifiering för att underlätta införandet. Det konstateras att dennatyp av teknik i hög grad ökar datans tolkbarhet samtidigt som den kan utnyttjaberäkningsresurser genom in situ. Dessutom introduceras parallella interpola-tionsmetoder av hög ordning, vilka är avgörande för att minska minnesavtryckethos stora datamängder vid efterbehandling och som samtidigt bidrar till attförenkla datadistributionen i traditionella SEM-nät.