[논문 리뷰] A second-order consistent, low-storage method for time-resolved channel flow simulations up to $Re_ au=5300$

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

Fluid Dynamics and Turbulent Flows참고 문헌 20인용 수 3

한 줄 요약

이 논문은 $Re_\tau = 5300$까지의 난류 채널 흐름에 대한 시간 해상도가 높은 직접 수치 시뮬레이션을 위한 저메모리, 두 번째 차수 일致성 있는 수치 방법을 제시한다. 큰 척도와 중간 척도만 유지하면서 순순한 필터링된 필드와 두 번째 차수 통계의 완전한 재구성 가능성을 유지함으로써, 최소한의 저장소로 장기간의 대규모 영역 시뮬레이션을 가능하게 하며, 고성능 CUDA-MPI 하이브리드 코드를 통해 구현된다.

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 outer regions remain controversial to this date, and understanding their mechanics 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 turbulence, but a proper analysis of the logarithmic and outer layers requires simulations at high Reynolds numbers in large domains, making 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 flow at the level of instantaneous filtered fields and second-order statistics. This new methodology is efficiently implemented as a new high-resolution hybrid CUDA-MPI code, which exploits the advantages of GPU co-processors on distributed memory systems, and allows running for physically meaningful times. The resulting temporally-resolved database of channel flow at up to $Re_ au=5300$, in large boxes for long times, is briefly introduced. The code is available at { t this https URL\_GPU}.

연구 동기 및 목표

• 고레인올즈 수치 흐름 시뮬레이션을 실용적인 데이터 저장 요구 조건을 충족시키면서 시간 해상도가 높은 난류 벽에 둘러싸인 흐름에 적용할 수 있도록 하는 것.
• 100년이 넘는 연구 기간 동안 여전히 논란의 여지가 있는 벽에 둘러싸인 난류에서의 로그 영역 및 외부 영역의 역학을 해명하는 것.
• 순순한 필터링된 필드와 두 번째 차수 통계를 재구성할 수 있는 충분한 데이터를 유지하면서 저장소 효율성을 확보한 시뮬레이션 프레임워크를 개발하는 것.
• 외부 영역의 통계적 및 역학적 성질을 연구하기 위해 필요한 대규모 계산 영역에서 장기간의 시뮬레이션을 가능하게 하는 것.
• 연구 공동체가 고레인올즈 수치 흐름을 연구할 수 있도록 공개된 고성능 시뮬레이션 코드를 제공하는 것.

제안 방법

• 저메모리 알고리즘을 개발하여 세부 척도의 데이터는 기각하고 큰 척도와 중간 척도만 유지함으로써 저장 요구량을 줄이는 것.
• 시간과 공간에서 두 번째 차수 일치성을 확보하여 통계적 및 순순한 필드 재구성에 정확성을 유지하는 것.
• 저장된 데이터에서 순순한 필터링된 속도 필드와 두 번째 차수 통계를 완전히 재구성할 수 있도록 모든 변수를 유지하는 것.
• 하이브리드 CUDA-MPI 구현 방식을 사용하여 분산 메모리 시스템에서 GPU 가속을 활용하여 고성능 및 확장성을 확보하는 것.
• 장기간의 통합을 지원하는 시뮬레이션 프레임워크를 통해 대규모 영역에서 물리적으로 의미 있는 난류 채널 흐름의 통계 분석을 가능하게 하는 것.
• 데이터 출력을 풍류 통계 및 응집 구조의 후처리에 최적화하여 효율적이고 확장 가능한 코드 설계를 수행하는 것.

실험 결과

연구 질문

• RQ1 어떻게 하면 고레인올즈 수치 흐름 시뮬레이션을 최소한의 데이터 저장소 오버헤드로 수행할 수 있는가?
• RQ2 $Re_\tau = 5300$에서 난류 채널 흐름의 역학에서 로그 영역 및 외부 영역의 기여는 무엇인가?
• RQ3 저메모리 방법이 순순한 필터링된 필드와 두 번째 차수 통계를 재구성하는 데 필요한 정보를 유지할 수 있는가?
• RQ4 고레인올즈 수치 채널 흐름에서 외부 영역의 통계적 및 구조적 특성은 무엇인가?
• RQ5 GPU 가속이 적용된 하이브리드 CUDA-MPI 코드의 성능 및 확장성은 어떻게 장기간의 난류 흐름 시뮬레이션을 가능하게 하는가?

주요 결과

• 제안된 저메모리 방법은 $Re_\tau = 5300$까지의 난류 채널 흐름에 대한 시간 해상도 시뮬레이션을 수행할 수 있으며, 데이터 저장 요구량을 크게 줄일 수 있다.
• 이 방법은 저장된 데이터에서 순순한 필터링된 속도 필드와 두 번째 차수 통계를 재구성하기 위해 필요한 모든 변수를 유지한다.
• 하이브리드 CUDA-MPI 구현은 고성능 및 확장성을 달성하여 대규모 영역에서 장기간의 시뮬레이션을 가능하게 한다.
• $Re_\tau = 5300$에서의 채널 흐름에 대한 시간적으로 해상도가 높은 데이터베이스가 생성되어 로그 영역 및 외부 영역의 역학을 세밀하게 분석할 수 있게 되었다.
• 이 시뮬레이션 프레임워크는 {t this https URL_GPU}에서 공개되어 재현 가능성을 보장하고 고레인올즈 수치 흐름 분야의 추가 연구를 지원한다.