[論文レビュー] A second-order consistent, low-storage method for time-resolved channel flow simulations

Miguel P. Encinar, Alberto Vela-Martín+2 more|arXiv (Cornell University)|Aug 20, 2018

Fluid Dynamics and Turbulent Flows被引用数 5

ひとこと要約

本稿では、高レイノルズ数における乱流チャネル流れの時間分解能を保った直接数値シミュレーションに適した、2次精度を満たし、メモリを低減する数値手法を提示する。大規模および中規模のスケールを保持しつつ、2次統計の完全再構成性を維持することで、GPUアクセラレータを搭載したシステム上でCUDA-MPIハイブリッド実装を用いて、長時間にわたる大域的シミュレーションが可能となる。$Re_\tau=5,000$まで実証された。

ABSTRACT

Wall-bounded flows play an important role in numerous common applications, and have been intensively studied for over a century. However, the dynamics and structure of the logarithmic and the outer regions remains controversial to this date. Understanding the fundamental mechanism of these regions is essential for the development of effective control strategies and for the construction of a complete theory of wall-bounded flows. Recently, the use of time-resolved direct numerical simulations of turbulent flows at high Reynolds numbers has proved useful to study the physics of wall-bounded flows. Nonetheless, a proper analysis of the logarithmic and the outer layers requires simulations at high Reynolds numbers in large domains, which makes the storage of complete time series impractical. In this paper a novel low-storage method for time-resolved simulations is presented. This approach reduces the cost of storing time-resolved data by retaining only the required large and intermediate scales, taking care to keep all the variables needed to fully reconstruct the filtered flow at the level of second-order statistics. This new methodology is efficiently implemented by using a new high-resolution hybrid CUDA-MPI code, which exploits the advantages of GPU co-processors on distributed memory systems and allows to run for physically meaningful times. Databases for channel flows at up to $Re_ au=5,000$ in large boxes for long times are presented.

研究の動機と目的

• 高レイノルズ数における壁に近い流れの時間分解能を保った直接数値シミュレーションを可能にする。
• 大域的シミュレーションにおける時間系列データの完全な保存が現実的でない問題に対処する。
• 必要な流れのスケールのみを保持しつつ、2次統計の完全な情報が保持される手法を開発する。
• 壁に近い流れの対数層および外層の研究に不可欠な長時間シミュレーションを容易にする。
• 大規模計算領域における$Re_\tau=5,000$のチャネル流れに対して、高精度なデータベースを生成する。

提案手法

• 細かいスケールの解析済みデータを破棄するように、大規模および中規模の流れのスケールのみを保持する低メモリアルゴリズムを設計する。
• すべての変数を保持することで、フィルタリングされた流れ統計を正確に再構成できるようにし、2次統計の一貫性を確保する。
• 分散メモリシステムにおけるGPUアクセラレーションを活用するため、CUDA-MPIハイブリッドコードを実装し、高い計算効率を達成する。
• 解像されたスケールにおいて時間的および空間的2次精度を維持するフィルタリング戦略を採用する。
• データ保存量を最小限に抑えつつ統計的正確性を損なわないように、長時間積分を可能にするシミュレーションフレームワークを提供する。
• 大域的ボックス内で$Re_\tau=5,000$のチャネル流れに適用することで、手法の妥当性を検証した。

実験結果

リサーチクエスチョン

• RQ1 長時間にわたる高レイノルズ数の壁に近い流れの時間分解能を保った直接数値シミュレーションを、計算的に実現可能にする方法は何か？
• RQ2 乱流チャネル流れにおいて、完全な2次統計情報を保持するための最小限のデータセットは何か？
• RQ3 GPUアクセラレータを搭載したハイブリッドMPI-CUDAアーキテクチャは、大域的乱流流れの長時間シミュレーションを効率的にサポートできるか？
• RQ4 高レイノルズ数のチャネル流れにおける対数層および外層の構造的・動的特徴は何か？
• RQ5 乱流流れのシミュレーションにおいて、2次精度の一貫性を維持する低メモリ手法をどのように設計できるか？

主な発見

• 提示された低メモリ手法により、$Re_\tau=5,000$の大きな計算領域において、最小限のデータ保存量で時間分解能を保ったシミュレーションが可能となった。
• フィルタリングされた流れの2次統計を完全に再構成できるために必要なすべての変数が保持されており、統計的正確性が保証された。
• CUDA-MPIハイブリッド実装により高い計算効率が達成され、分散GPUシステム上で物理的に意味のあるシミュレーション時間を実現できた。
• 大規模および中規模のスケールのみを保持することで、統計情報の損失なしに長時間シミュレーションを実現できた。
• $Re_\tau=5,000$のチャネル流れに対する高精度なデータベースが生成され、対数層および外層のダイナミクスの詳細な分析が可能となった。
• 手法は時間的および空間的2次精度を示し、解像された流れ統計の正確性を保証した。