F. Küppers, A. Schmitz

Eine große Rolle in der Entwicklung und dem Design neuer Konzepte für Turbomaschinen spielen moderne Optimierungs- und Simulationsverfahren. Das Institut für Antriebstechnik des DLR verwendet in diesem Rahmen Multifidelity- und Gradient-Enhanced-Kriging-Ersatzmodelle, welche ein aufwändiges Training benötigen. In solch einem Training sind verschiedene Matrizenoperationen der Komplexität O(n³) notwendig. Bei aufwändigen Problemstellungen kann das Kriging-Training allerdings zum Flaschenhals einer Optimierung werden. Mittelfristiges Ziel ist es, solch ein Training auch für sehr große Matrizen (~20.000²) in annehmbarer Zeit umzusetzen. Für Optimierungen wird im Institut für Antriebstechnik des DLR meistens ein eigenes Rechencluster mit zahlreichen Knoten verwendet. Das Kriging-Training lässt sich aber nur teilweise auf mehrere Knoten verteilen. Die höchste Rechenleistung bei gleichzeitig bestem Preis-/Leistungsverhältnis bieten derzeit GPGPUs (General Purpose Computation on Graphics Processing Unit, nachfolgend GPU). Diese sind allerdings auf dem Rechencluster derzeit nicht vorhanden. Aus diesem Grund wurde für das Kriging-Training ein externer Server zur Verfügung gestellt, der solch eine GPU verwendet. Zur Auslagerung der wichtigsten Matrix-operationen in einer 1:1 Client-Server-Verbindung war darüber hinaus die Entwicklung einer geeigneten Netz-werkschnittstelle notwendig. Bei derzeitiger Infrastruktur konnte so ein Speedup um den Faktor 2 erreicht werden. Die gleiche Netzwerkschnittstelle wurde in einem zweiten Schritt dazu verwendet, um die parallelisierbaren Berechnungen des Kriging-Trainings unabhängig von der Verwendung einer GPU auf verschiedene Cluster-knoten zu verteilen. Mit solch einer Verteilung konnte ein Speedup erreicht werden, der in begrenztem Maße beinahe linear mit der Anzahl an Clusterknoten wächst.

Modern optimization and simulation methods play a major role in the development and design of new turbomachinery concepts. The DLR Institute of Propulsion Technology uses multifidelity and gradient-enhanced kriging surrogate models in this context, which require extensive training. Such training necessitates various matrix operations of complexity O(n³). For complex problems, however, kriging training can become a bottleneck in the optimization process. The medium-term goal is to implement such training for very large matrices (~20,000²) within an acceptable timeframe. The DLR Institute of Propulsion Technology typically uses a dedicated computing cluster with numerous nodes for optimizations. However, kriging training can only be partially distributed across multiple nodes. Currently, GPGPUs (General Purpose Computation on Graphics Processing Units, hereinafter referred to as GPUs) offer the highest computing performance at the best price-performance ratio. However, these are not currently available on the computing cluster. For this reason, an external server using such a GPU was provided for Kriging training. Furthermore, developing a suitable network interface was necessary to offload the most important matrix operations in a 1:1 client-server connection. With the current infrastructure, this resulted in a speedup of twofold. In a second step, the same network interface was used to distribute the parallelizable Kriging training computations across different cluster nodes, independent of GPU usage. This distribution achieved a speedup that, to a limited extent, grows almost linearly with the number of cluster nodes.

Deutscher Luft- und Raumfahrtkongress 2016, Braunschweig

Deutsche Gesellschaft für Luft- und Raumfahrt - Lilienthal-Oberth e.V., Bonn, 2016

Conference Paper

deutsch

21,0 x 29,7 cm, 6 Seiten

urn:nbn:de:101:1-201611255153

GPU, Turbomaschinenoptimierung

Download - Bitte beachten Sie die Nutzungsbedingungen dieses Dokuments: Copyright protected  

25.11.2016