Publicación:
Computational strategies for implementation of 2D elastic wave modeling in GPU

Vista sencilla de ítem
dc.creatorPáez Chanagá, Anderson
dc.creatorRamirez Silva, Ana Beatriz
dc.creatorSánchez Galvis, Ivan Javier
dc.date2020-12-31
dc.date.accessioned2022-06-01T19:09:07Z
dc.date.available2022-06-01T19:09:07Z
dc.descriptionElastic 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.descriptionEl 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.formatapplication/pdf
dc.identifierhttps://revistas.ucp.edu.co/index.php/entrecienciaeingenieria/article/view/2016
dc.identifier10.31908/19098367.2016
dc.identifier.urihttp://hdl.handle.net/10785/10033
dc.languagespa
dc.publisherUniversidad Católica de Pereiraes-ES
dc.relationhttps://revistas.ucp.edu.co/index.php/entrecienciaeingenieria/article/view/2016/1866
dc.rightsDerechos de autor 2021 Entre Ciencia e Ingenieríaes-ES
dc.rightshttps://creativecommons.org/licenses/by-nc/4.0/deed.es_ESes-ES
dc.sourceEntre ciencia e ingeniería; Vol 14 No 28 (2020); 52-58en-US
dc.sourceEntre Ciencia e Ingeniería; Vol. 14 Núm. 28 (2020); 52-58es-ES
dc.sourceEntre ciencia e ingeniería; v. 14 n. 28 (2020); 52-58pt-BR
dc.source2539-4169
dc.source1909-8367
dc.titleComputational strategies for implementation of 2D elastic wave modeling in GPUen-US
dc.titleEstrategias computacionales para la implementación de modelado elástico 2D sobre GPUes-ES
dc.typeinfo:eu-repo/semantics/article
dc.typeinfo:eu-repo/semantics/publishedVersion
dc.typeArtículo revisado por pareses-ES
dspace.entity.typePublication

Archivos

Colecciones

Entre Ciencia e Ingeniería