Acceleration of the Weather Research & Forecasting (WRF) Model using OpenACC and Case Study of the August 2012 Great Arctic Cyclone
Notice bibliographique
Résumé
This work presents two research projects: the first is a project to boost the performance of a weather model by extending the Weather Research and Forecasting (WRF) Model programming code with new technology, OpenACC, a directive-based command language.Combined with a compatible compiler, this allows WRF to run select subroutines on accelerators such as the popular NVIDIA Tesla video cards.Preliminary results show a 1.2 speed-up of the overall model by simply adding around 20 lines of easy-to-understand compiler directives to just one of several WRF physics schemes.The latest hardware from NVIDIA and Intel may allow further speed-up in future work due to hardware design improvements and better memory management.This modified model is then used in a second project, a Case Study of the August 2012 "Great Arctic Cyclone" (3-13 August).This Case Study provides a simulation of the atmospheric processes that helped to intensify the storm and to assess whether the storm had a major effect on the dramatic decline of sea ice extent in August.Results show that interaction with an upper-level vortex and warm air advection near the surface assisted in the persistence of the cyclone.Strong surface winds assisted in a break-up of the already-melting sea ice.Existing literature points to upwelling of warm ocean water, and the combination of these conditions rapidly melted sea ice from above and below.The unprecedented loss of sea ice starting on 6 August 2012 and in the
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 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».