Comparison of HPC Methods for Long-Term Contaminant Modeling
Notice bibliographique
Résumé
Model simulations on the order of decades are required to fully evaluate the effects of system alterations on the estuarine/coastal environment since these environments and their components (e.g., bottom sediments, sea grass, nutrient stores, etc.) can have long response times and process memories. High performance computing (HPC) is required to make such simulations feasible. Modern HPC methods can decrease computation time by orders of magnitude, thus, making such long-term calculations feasible and practical. An investigation was conducted to evaluate the performance of various methods and machines for executing a three-dimensional contaminant transport/fate model for surface water where the Hudson River Estuary was used for the test case. Domain decomposition was used with two grid-partitioning methods, METIS and Hilbert Space filling Curve Technique (HSFT). The Message Passing Interface (MPI) was incorporated into model source code to provide the capability to execute multiple sub-domains on different numbers of processor elements (PEs). The code was written to be portable among various machines with varying numbers of PEs. Tests were conducted for the Hudson River contaminant model example for varying levels of grid resolution for both grid-partitioning methods on three machines (Cray T3E, SGI Origin 2000, and IBM SP) with varying numbers of processors (from 1 up to 64 PEs) to evaluate both parallel and scaled speedup. The conclusions of these tests are presented. The methodology was successfully used to conduct the Chesapeake Bay Tributary Refinement Model Study, where 20-year simulations were required on a relatively dense grid, thus, making it feasible to investigate many management scenarios in a timely and practical manner.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».