Publicación: Computational strategies for implementation of 2D elastic wave modeling in GPU
dc.creator | Páez Chanagá, Anderson | |
dc.creator | Ramirez Silva, Ana Beatriz | |
dc.creator | Sánchez Galvis, Ivan Javier | |
dc.date | 2020-12-31 | |
dc.date.accessioned | 2022-06-01T19:09:07Z | |
dc.date.available | 2022-06-01T19:09:07Z | |
dc.description | Elastic wave modeling presents a challenge to implement since it is a computationally costly procedure. Nowadays, due to GPU increased power jointly with development in HPC computation, it is possible to execute elastic modeling with better execution times and memory use. This study evaluates the performance of 2 strategies for implementing elastic modeling using different kernel launching layouts, CPML memory allocation strategies, and wavefield storage management. The performance measures show that the algorithm, which includes 2D kernel launching layout, CPML reduced memory strategy, and GPU global memory storage to save wavefield cube peaks up to 88.4% better execution time and uses 13.3 times less memory to obtain the same elastic modeling results. There is also an increasing trend of enhancement in execution times and memory savings when working with models of bigger sizes with this strategy. | en-US |
dc.description | El modelado de onda elástico presenta un reto de implementación debido a que es un procedimiento computacionalmente costoso. En la actualidad, debido al incremento en la potencia en GPU junto con el desarrollo de la computación HPC, es posible ejecutar modelado elástico con mejores tiempos de ejecución y uso de memoria. Este estudio evalúa el desempeño de 2 estrategias para implementar modelado elástico usando diferentes diseños para ejecución de kernel, estrategias de asignación de memoria para el cálculo de CPML y administración del almacenamiento del campo de onda. Las mediciones de desempeño muestran que el algoritmo que incluye diseño de ejecución de kernel 2D, la estrategia de memoria reducida CPML y el almacenamiento en memoria global de GPU del campo de onda alcanza un máximo de 88.4% mejor tiempo de ejecución y utiliza un 13.3 veces menos memoria para obtener los mismos resultados de modelado elástico. Existe también una creciente tendencia de mejora de tiempo de ejecución y ahorro de memoria cuando se trabaja con modelos de tamaños más grandes con esta estrategia. | es-ES |
dc.format | application/pdf | |
dc.identifier | https://revistas.ucp.edu.co/index.php/entrecienciaeingenieria/article/view/2016 | |
dc.identifier | 10.31908/19098367.2016 | |
dc.identifier.uri | http://hdl.handle.net/10785/10033 | |
dc.language | spa | |
dc.publisher | Universidad Católica de Pereira | es-ES |
dc.relation | https://revistas.ucp.edu.co/index.php/entrecienciaeingenieria/article/view/2016/1866 | |
dc.rights | Derechos de autor 2021 Entre Ciencia e Ingeniería | es-ES |
dc.rights | https://creativecommons.org/licenses/by-nc/4.0/deed.es_ES | es-ES |
dc.source | Entre ciencia e ingeniería; Vol 14 No 28 (2020); 52-58 | en-US |
dc.source | Entre Ciencia e Ingeniería; Vol. 14 Núm. 28 (2020); 52-58 | es-ES |
dc.source | Entre ciencia e ingeniería; v. 14 n. 28 (2020); 52-58 | pt-BR |
dc.source | 2539-4169 | |
dc.source | 1909-8367 | |
dc.title | Computational strategies for implementation of 2D elastic wave modeling in GPU | en-US |
dc.title | Estrategias computacionales para la implementación de modelado elástico 2D sobre GPU | es-ES |
dc.type | info:eu-repo/semantics/article | |
dc.type | info:eu-repo/semantics/publishedVersion | |
dc.type | Artículo revisado por pares | es-ES |
dspace.entity.type | Publication |