[논문 리뷰] A second-order consistent, low-storage method for time-resolved channel flow simulations

Miguel P. Encinar, Alberto Vela-Martín외 2명|arXiv (Cornell University)|2018. 08. 20.

Fluid Dynamics and Turbulent Flows인용 수 5

한 줄 요약

이 논문은 고레이놀즈수에서 시간해상도가 높은 난류 채널유동의 직접수치해석을 위한 이阶일致성 있고 저메모리 사용 수치 방법을 제시한다. 큰 척도와 중간 척도만 유지하면서도 이차 통계량에 대한 완전한 재구성 가능성을 유지함으로써, 하이브리드 CUDA-MPI 구현을 통해 GPU 가속 시스템에서 장기간의 시뮬레이션을 가능하게 한다—실증적으로 $Re_\tau=5,000$까지 구현됨.

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.

연구 동기 및 목표

• 고레이놀즈수에서 벽에 둘러싸인 난류 유동의 시간해상도가 높은 직접수치해석을 가능하게 하기 위해.
• 큰 영역에서의 시뮬레이션에서 전체 시간역사 데이터의 비현실적인 저장 요구량을 해결하기 위해.
• 필수적인 유동 척도만 유지하면서도 이차 통계량에 대한 완전한 정보를 유지하는 방법을 개발하기 위해.
• 벽에 둘러싸인 난류의 로그층과 외층을 연구하기 위해 필요한 장기간의 시뮬레이션을 촉진하기 위해.
• 큰 계산 영역에서 $Re_\tau=5,000$일 때 채널유동을 위한 고정밀도 데이터베이스를 생성하기 위해.

제안 방법

• 저메모리 알고리즘을 설계하여, 세밀한 척도의 해상도 데이터를 기각하고 큰 척도와 중간 척도만 유지한다.
• 모든 유동 통계량을 정확히 재구성할 수 있도록 필요한 변수를 유지함으로써 이차 통계량에 대한 일치성을 확보한다.
• GPU 가속을 활용하기 위해 분산 메모리 시스템에서 고성능을 달성하기 위해 하이브리드 CUDA-MPI 코드를 구현한다.
• 해상도가 높은 척도에 대해 시간과 공간에서 이차 정확도를 유지하는 필터링 전략을 사용한다.
• 데이터 저장소를 최소화하면서도 통계적 정밀도를 손상시키지 않는 방식으로 장기간 통합을 지원하는 시뮬레이션 프레임워크를 제공한다.
• 장기간의 시뮬레이션을 위해 $Re_\tau=5,000$에서 큰 상자에서의 채널유동에 적용하여 방법을 검증한다.

실험 결과

연구 질문

• RQ1 어떻게 하면 고레이놀즈수에서 벽에 둘러싸인 난류 유동의 시간해상도가 높은 직접수치해석을 장기간에 걸쳐 계산적으로 실현 가능하게 할 수 있는가?
• RQ2 난류 채널유동에서 이차 통계량의 완전한 정보를 유지하기 위해 필요한 최소한의 데이터는 무엇인가?
• RQ3 GPU 가속 및 하이브리드 MPI-CUDA 아키텍처는 장기간의 대규모 영역 난류 유동 시뮬레이션을 효율적으로 지원할 수 있는가?
• RQ4 고레이놀즈수에서의 채널유동에서 로그층과 외층의 구조적 및 역학적 특징은 무엇인가?
• RQ5 난류 유동 시뮬레이션에서 이차 일치성을 유지하면서 저메모리 방법을 어떻게 설계할 수 있는가?

주요 결과

• 제안된 저메모리 방법은 최소한의 데이터 저장소로 큰 계산 영역에서 $Re_\tau=5,000$에서 시간해상도가 높은 시뮬레이션을 가능하게 한다.
• 해상도된 유동의 이차 통계량을 완전히 재구성할 수 있도록 모든 필수 변수를 유지하여 통계적 정밀도를 확보한다.
• 하이브리드 CUDA-MPI 구현은 높은 계산 효율성을 달성하여 분산 GPU 시스템에서 물리적으로 의미 있는 시뮬레이션 시간을 가능하게 한다.
• 큰 척도와 중간 척도만 유지함으로써 통계 정보 손실 없이 장기간의 시뮬레이션을 성공적으로 지원한다.
• $Re_\tau=5,000$에서 채널유동을 위한 고정밀도 데이터베이스가 생성되어 로그층과 외층의 역학적 특성에 대한 세밀한 분석이 가능해졌다.
• 시간과 공간에서 이차 일치성을 입증하여 해상도된 유동 통계량의 정확도를 보장한다.