Application of High Performance Asynchronous Acoustic Wave Equation Stencil Solver into a Land Survey
Notice bibliographique
Résumé
Abstract This paper describes the application of high performance asynchronous stencil computations for 3D acoustic modeling on a synthetic land survey. Using the Finite-Difference Time-Domain (FDTD) method, a parallel Multicore Wavefront Diamond-tiling (MWD) stencil kernel (Malas et al. 2015, Malas et al. 2017) drives the high performance execution using temporal blocking to maximize data locality, while reducing the expensive horizontal data movement. As absorbing boundary conditions, we use Convolutional Perfectly Matched Layer (CPML), which have to be redesigned to not interrupt the asynchronous execution flow engendered by the MWD stencil kernel for the inner-domain points. The main idea consists in weakening the data dependencies by moving the CPML computations into the inner-computational loop of the MWD stencil kernel (Akbudak et al. 2019). In addition to handling the absorbing boundary conditions, applying the asynchronous MWD with CPML kernels to a realistic land survey requires the extraction of the wavefield value at each receiver position. We revisit the default extraction process and make it also compliant with the overall asynchrony of the 3D acoustic modeling. We report performance improvement up to 24% against the standard spatial blocking algorithm on Intel multicore chips using the synthetic land survey, which is representative of an area of interest in Saudi Arabia. While these results concur with previous performance campaign assessment, we can actually produce and assess the resulting 3D shot gather accuracy. To our knowledge, this is the first time the effectiveness of asynchronous MWD stencil kernel with CPML absorbing boundary conditions is demonstrated in an industrial seismic application.
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 | 0,000 | 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 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 ».