GPU-based Parallel Reservoir Simulation for Large-scale Simulation Problems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Reservoir simulation for a full field heterogeneous model with millions of grid blocks demands significant computational time so improving the computational efficiency becomes crucial in designing a reservoir simulator. Graphics Processing Unit (GPU), a new high-profile parallel processor with hundreds of microprocessors, stands out in parallel simulation because of its efficient power utilization and high computational efficiency. Also, its cost is relatively low, making large-scale parallel reservoir simulation possible for most of desktop users. In this paper several GPU-based parallel preconditoners, in conjunction with a new GPU-based GMRES algorithm, are proposed and coupled with an in-house black-oil simulator to speedup reservoir simulation. In particular, massively parallel ILU preconditioners (ILU(0), ILUT, block ILU(0), block ILUT), which are usually regarded as data dependence and highly sequential preconditioners, are developed on GPUs. In the numerical experiments performed, the SPE 10 problem, a 3D heterogeneous benchmark model with over one million grid blocks, is selected to test the speedup of our GPU solver and preconditioners. On the state-of-the-art CPU and GPU platform, the new GPU implementation can achieve a speedup of over eight times in solving linear systems arising from this SPE 10 problem compared with the CPU based serial solver. Moreover, our GPU solver is successfully coupled with the in-house black-oil simulator to test the performance of the whole parallel simulation process, with a speedup of about six times. The excellent speedup and accurate results demonstrate that the GPU-based parallel linear solver and preconditioners have the great potential in parallel reservoir simulation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle