[发明专利]一种自动配置GPU扩展箱的方法

权利要求书

1.一种自动配置GPU扩展箱的方法，其方法步骤如下：

S1、数据流挖掘：采用CUDA计算模型对数据流进行挖掘；

S2、拓扑优化：采用BESO算法软删除的方式实现单元的增减；

S3、并行计算：在预处理阶段进行显存空间分配，并将计算模型信息从主机复制到设备，然后采用异步执行的方式进行数据传输配置；

S4、数值检测：采用二维和三维结构优化检测试精度和计算效率。

2.根据权利要求1所述的自动配置GPU扩展箱的方法，其特征在于：所述S1中的CUDA计算模型采用数据流分位数并行算法。

3.根据权利要求2所述的自动配置GPU扩展箱的方法，其特征在于：所述数据流分位数并行算法包括以下步骤：

①、初始化，分配主机缓冲区和设备内存；

②、从数据流源中获取并向设备交换一块数据；

③、启动设备内核，执行数据流分位数并行计算子算法GPUQuantilesHistogram；

④、更新基本窗口、删除过期基本窗口；

⑤、如果接到On-time查询请求，执行数据流分位数并行查询子算法GPUQuantilesQuery；

⑥、跳到②循环执行。

4.根据权利要求3所述的自动配置GPU扩展箱的方法，其特征在于：所述分位数计算公式如下：

其中，sumHist为随后对临时数组重复上面的过程直到只得到一行最终的求和结果。

5.根据权利要求1所述的自动配置GPU扩展箱的方法，其特征在于：所述S2中拓扑优化的计算公式如下：

其中，C为应变能，N为单元总数，x_i为单元密度，K_i⁰为实单元刚度矩阵，p为惩罚因子，u为加载的力和位移向量。

6.根据权利要求5所述的自动配置GPU扩展箱的方法，其特征在于：所述BESO算法包括以下姿态：

姿态一：消除拓扑优化中常见的棋盘格现象，采用敏度再分配的滤波策略，计算公式如下：

其中，式中，k为所有共享j节点的单元数，ω(r_ij)是权重因子，即i单元的中心点到j节点的距离，a_jⁿ是j节点的敏度；

姿态二：决定单元的增减，首先计算下一个迭代步的目标体积，计算公式为：

V_k+1＝V(1±ER),(k＝1,2,3,…)，式中，V_k为当前结构体积，ER为体积进化率。

7.根据权利要求1所述的自动配置GPU扩展箱的方法，其特征在于：所述S3中并行计算包括以下步骤：

①：单元位移：采用CUDA线程与单元一一映射的方式将第一层内部循环在GPU上并行执行得到单元位移，再将单元位移离散到节点位移中；

②：节点计算：采用CUDA线程与节点一一映射的计算方式完成第二层内循环的节点计算，再通过“聚集加”进行组装。

8.根据权利要求7所述的自动配置GPU扩展箱的方法，其特征在于：“聚集加”进行组装包括以下步骤：

①、根据线程块的大小对有限元模型进行分块；

②、线程块将所有节点值缓存到对应的共享存储器内；

③、节点计算结束后，将节点信息直接存储到对应的全局显存。

9.根据权利要求8所述的自动配置GPU扩展箱的方法，其特征在于：所述节点信息数量计算公式：

Z＝(BX+2)*(BY+2)

其中，Z为节点信息数量，BX*BY为线程大小。

10.根据权利要求1所述的自动配置GPU扩展箱的方法，其特征在于：所述S4中数值检测包括以下姿态：

姿态一：二维梁，根据对称性，对其中的一边进行网格划分并加载；

姿态二：三维悬臂梁，当模型的三个维度分别划分256个、120个以及120个单元时，对比CPU和GPU的优化结果。