Development of a GPGPU accelerated tool to simulate advection-reaction-diffusion phenomena in 2D

Submitted by Tania Ivani Rokohl (tania.rokohl@uffs.edu.br) on 2018-07-30T12:19:13Z No. of bitstreams: 1 CARLOTTO.pdf: 12232774 bytes, checksum: 66cc50d5f6b4c63f5767596fd7989b8d (MD5)Approved for entry into archive by Diego dos Santos Borba (dborba@uffs.edu.br) on 2018-08-06T19:21:18Z (GMT) No. of bitstreams: 1 CARLOTTO.pdf: 12232774 bytes, checksum: 66cc50d5f6b4c63f5767596fd7989b8d (MD5)Made available in DSpace on 2018-08-06T19:21:18Z (GMT). No. of bitstreams: 1 CARLOTTO.pdf: 12232774 bytes, checksum: 66cc50d5f6b4c63f5767596fd7989b8d (MD5) Previous issue date: 2018-05-02Os modelos computacionais são ferramentas poderosas para o estudo de sistemas ambientais, desempenhando um papel fundamental em vários campos de pesquisa (ciências hidrológicas, biomatemática, ciências atmosféricas, geociências, entre outros). A maioria desses modelos requer alta capacidade computacional, especialmente quando se considera uma alta resolução espacial e a aplicação em grandes áreas. Neste contexto, o aumento exponencial do poder computacional trazido pelas Unidades de Processamento de Gráficos de Propósito Geral (GPGPU) chamou a atenção de cientistas e engenheiros para o desenvolvimento de implementações paralelas de baixo custo e alto desempenho para modelos ambientais. Neste trabalho, aplicamos computação em GPGPU para o desenvolvimento de um modelo que descreve os processos físicos de advecção, reação e difusão. Esta dissertação é apresentada sob a forma de três artigos. No primeiro, apresentamos uma implementação em GPGPU para a solução da equação de fluxo de águas subterrâneas 2D em aquíferos não confinados para meios heterogêneos e anisotrópicos. Foi implementado um esquema de solução de diferenças finitas com base no método Crank- Nicolson e mostramos que a solução acelerada GPGPU implementada usando CUDA C / C ++ supera a solução serial correspondente implementada em C / C ++. Os resultados mostram que a implementação acelerada por GPGPU é capaz de fornecer aceleração de até 56 vezes no processo da solução usando um computador de escritório comum. No segundo artigo estudamos a aplicação de um modelo de crescimento logístico difusivo (DLG) ao problema de crescimento e regeneração florestal. O estudo foi desenvolvido em duas etapas: (i) Aplicou-se uma metodologia baseada em Comites de Rede Neural Artificial (ANNE) para avaliar a largura da faixa de proteção ripária necessária para filtrar 90% do nitrogênio residual; (ii) O modelo DLG foi calibrado e validado para gerar um prognóstico de regeneração florestal em faixas de proteção ripárias considerando as larguras mínimas indicadas pela ANNE. A solução foi implementada em GPGPU e aplicada para simular o processo de regeneração florestal para um período de quarenta anos na faixa de proteção ripária ao longo do rio Ligeiro, no Brasil. Os resultados da calibração e validação mostraram que o modelo DLG fornece resultados bastante precisos para a modelagem de regeneração florestal. No terceiro artigo, apresenta-se uma implementação em GPGPU para solução da equação advecção-reação-difusão em 2D. A implementação é projetada para ser geral e flexível para permitir a modelagem de uma ampla gama de processos, incluindo características como heterogeneidade e anisotropia do meio. Neste trabalho mostra-se que as simulações realizadas em GPGPU permitem o uso de malhas contendo mais de 20 milhões de pontos (variáveis), correspondendo a uma área de 18.000 km² em resolução de 30m padrão das imagens Landsat.Computational models are powerful tools to the study of environmental systems, playing a fundamental role in several fields of research (hydrological sciences, biomathematics, atmospheric sciences, geosciences, among others). Most of these models require high computational capacity, especially when one considers high spatial resolution and the application to large areas. In this context, the exponential increase in computational power brought by General Purpose Graphics Processing Units (GPGPU) has drawn the attention of scientists and engineers to the development of low cost and high performance parallel implementations of environmental models. In this research, we apply GPGPU computing for the development of a model that describes the physical processes of advection, reaction and diffusion. This presentation is held in the form of three self-contained articles. In the first one, we present a GPGPU implementation for the solution of the 2D groundwater flow equation in unconfined aquifers for heterogenous and anisotropic media. We implement a finite difference solution scheme based on the Crank- Nicolson method and show that the GPGPU accelerated solution implemented using CUDA C/C++ (Compute Unified Device Architecture) greatly outperforms the corresponding serial solution implemented in C/C++. The results show that accelerated GPGPU implementation is capable of delivering up to 56 times acceleration in the solution process using an ordinary office computer. In the second article, we study the application of a diffusive-logistic growth (DLG) model to the problem of forest growth and regeneration. The study focuses on vegetation belonging to preservation areas, such as riparian buffer zones. The study was developed in two stages: (i) a methodology based on Artificial Neural Network Ensembles (ANNE) was applied to evaluate the width of riparian buffer required to filter 90% of the residual nitrogen; (ii) the DLG model was calibrated and validated to generate a prognostic of forest regeneration in riparian protection bands considering the minimum widths indicated by the ANNE. The solution was implemented in GPGPU and it was applied to simulate the forest regeneration process for forty years on the riparian protection bands along the Ligeiro river, in Brazil. The results from calibration and validation showed that the DLG model provides fairly accurate results for the modelling of forest regeneration. In the third manuscript, we present a GPGPU implementation of the solution of the advection-reaction-diffusion equation in 2D. The implementation is designed to be general and flexible to allow the modeling of a wide range of processes, including those with heterogeneity and anisotropy. We show that simulations performed in GPGPU allow the use of mesh grids containing more than 20 million points, corresponding to an area of 18,000 km² in a standard Landsat image resolution