GPU并行优化技术在水利计算中的应用综述

doi:10.3778/j.issn.1002-8331.1711-0336

计算机工程与应用 ›› 2018, Vol. 54 ›› Issue (3): 23-29.DOI: 10.3778/j.issn.1002-8331.1711-0336

GPU并行优化技术在水利计算中的应用综述

覃金帛1，曾志强1，2，梁藉1，杨明祥2，张健1

1.华中科技大学水电与数字化工程学院，武汉 430074
2.中国水利水电科学研究院流域水循环模拟与调控国家重点实验室，北京 100038

出版日期:2018-02-01 发布日期:2018-02-07

Review of application GPU technology in hydraulic parallel optimization calculation

QIN Jinbo1, ZENG Zhiqiang1，2, LIANG Ji1, YANG Mingxiang2, ZHANG Jian1

1.School of Hydropower & Information Engineering, Huazhong?University?of?Science?and?Technology, Wuhan 430074, China
2.State Key Laboratory of Simulation and Regulation of Water Cycle in River Basin, China Institute of Water Resources and Hydropower Research, Beijing 100038, China

Online:2018-02-01 Published:2018-02-07

摘要/Abstract

摘要： 水利计算是水利规划、设计以及运行的基础，提高水利计算的效率对水利信息化和水资源管理具有重要实践意义。通过技术对比发现，GPU（Graphics Processing Unit）并行优化技术是性价比较高的提速策略。系统概述了GPU并行优化技术在水利计算中的应用进展；简要介绍了当前应用较多的几种并行技术；建设性提出了该项技术在水库调度、中长期水文预报和水文模型计算中的应用前景和优势；详细总结了应用该项技术的一般方法，为技术推广提供指导。最后从学科发展和应用需求的角度，有针对性的提出了技术应用难点和今后发展趋势，以期为GPU并行优化技术在水利计算中的应用提供借鉴。

关键词: 水利计算, GPU, 并行计算, 水动力模拟, 智慧水务, 深度学习, 大数据

Abstract: Water conservancy calculation is the basis of water conservancy planning, design and operation. Improving the efficiency of water conservancy calculation is of great practical significance for water informatization and water resources management. The technical comparison shows that GPU（Graphics Processing Unit） parallel optimization technology is a cost-effective speed-up strategy. This paper systematically summarizes the application progress of GPU parallel optimization in water conservancy calculation, briefly introduces several parallel techniques currently used in the proposed calculation; constructively puts forward the application prospects and advantages of this technology in reservoir scheduling, mid-and?long term hydrologic forecasting and hydrological model calculation; summarizes the general methods with the application of this technology and provides guidance for technology promotion. Finally, from the perspective of discipline development and application demand, the difficulties and future trends of technology application are pointed out, in order to provide reference for the application of GPU parallel optimization technology in water conservancy calculation.

Key words: water conservancy calculation, Graphics Processing Unit（GPU）, parallel computing, hydrodynamic simulation, wisdom water, depth learning, big data

覃金帛1，曾志强1，2，梁藉1，杨明祥2，张健1. GPU并行优化技术在水利计算中的应用综述[J]. 计算机工程与应用, 2018, 54(3): 23-29.

QIN Jinbo1, ZENG Zhiqiang1，2, LIANG Ji1, YANG Mingxiang2, ZHANG Jian1. Review of application GPU technology in hydraulic parallel optimization calculation[J]. Computer Engineering and Applications, 2018, 54(3): 23-29.

[1]	黄冬宜，杨兵，吴子豪，匡佳一，颜泽明. 用于全市蜂窝流量预测的时空全连接卷积网络[J]. 计算机工程与应用, 2021, 57(9): 168-175.
[2]	周伦钢，孙怡峰，王坤，吴疆，黄维贵，李炳龙. 目标多种多值属性的端端快速识别网络[J]. 计算机工程与应用, 2021, 57(9): 182-190.
[3]	张成，戴俊峰，熊闻心. 融合LeNet-5改进的扫描文档手写日期识别[J]. 计算机工程与应用, 2021, 57(9): 207-211.
[4]	武文杰，宋文爱，高雪梅，杨吉江，王青，黄丽萍，雷毅. 基于X线的成人OSA计算机辅助诊断综述[J]. 计算机工程与应用, 2021, 57(9): 1-8.
[5]	冉蓉，徐兴华，邱少华，崔小鹏，欧阳斌. 基于深度卷积神经网络的裂纹检测方法综述[J]. 计算机工程与应用, 2021, 57(9): 23-35.
[6]	李晓筱，胡晓光，王梓强，杜卓群. 基于深度学习的实例分割研究进展[J]. 计算机工程与应用, 2021, 57(9): 60-67.
[7]	李明山，韩清鹏，张天宇，王道累. 改进SSD的安全帽检测方法[J]. 计算机工程与应用, 2021, 57(8): 192-197.
[8]	曾春艳，严康，王志锋，余琰，纪纯妹. 深度学习模型可解释性研究综述[J]. 计算机工程与应用, 2021, 57(8): 1-9.
[9]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[10]	蒋斌，钟瑞，张秋闻，张焕龙. 采用深度学习方法的非正面表情识别综述[J]. 计算机工程与应用, 2021, 57(8): 48-61.
[11]	赵圆丽，梁志剑. 基于异核卷积双注意机制的立场检测研究[J]. 计算机工程与应用, 2021, 57(8): 119-125.
[12]	李健，孙大松，张备伟. 结合双编码器与对抗训练的图像修复[J]. 计算机工程与应用, 2021, 57(7): 192-197.
[13]	杨波，陶青川，董沛君. 改进Deeplab v3+网络的手术器械分割方法[J]. 计算机工程与应用, 2021, 57(7): 222-227.
[14]	刘迪，贾金露，赵玉卿，钱育蓉. 基于深度学习的图像去噪方法研究综述[J]. 计算机工程与应用, 2021, 57(7): 1-13.
[15]	杨培伟，周余红，邢岗，田智强，许夏瑜. 卷积神经网络在生物医学图像上的应用进展[J]. 计算机工程与应用, 2021, 57(7): 44-58.

GPU并行优化技术在水利计算中的应用综述

Review of application GPU technology in hydraulic parallel optimization calculation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics