dc.contributor.author | Μπακαλάκος, Σεραφείμ![]() |
el |
dc.contributor.author | Bakalakos, Serafeim![]() |
en |
dc.date.accessioned | 2016-03-15T08:28:32Z | |
dc.date.available | 2016-03-15T08:28:32Z | |
dc.date.issued | 2016-03-15 | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/42140 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.15133 | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.subject | Βελτιστοποίηση | el |
dc.subject | Παράλληλος προγραμματισμός | el |
dc.subject | Κάρτα γραφικών | el |
dc.subject | Πεπερασμένα στοιχεία | el |
dc.subject | Δομοστατικός σχεδιασμός | el |
dc.subject | Optimization | en |
dc.subject | Structural design | en |
dc.subject | Parallel computing | en |
dc.subject | Gpu | en |
dc.subject | Finite elements | en |
dc.title | Βέλτιστος Σχεδιασμός Κατασκευών Σε Ετερογενή Υπολογιστικά Συστήματα CPU & GPU | el |
heal.type | bachelorThesis | |
heal.classification | Structural analysis (Engineering)--Computer programs | en |
heal.classificationURI | http://id.loc.gov/authorities/subjects/sh85129218 | |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2015-11-20 | |
heal.abstract | Η διπλωματική αυτή εργασία ασχολείται με το βέλτιστο σχεδιασμό κατασκευών χρησιμοποιώντας τη μέθοδο των πεπερασμένων στοιχείων (FEM). Εξετάζονται κυρίως μεταευριστικοί αλγόριθμοι σε προβλήματα βελτιστοποίησης μεγέθους διατομών. Η ανάλυση των φορέων με τη FEM δεν εκτελειται με τον παραδοσιακό τρόπο στη CPU (Central Processing Unit), αλλά σε ετερογενή υπολογιστικά συστήματα που χρησιμοποιούν τη CPU σε συνεργασία με τη GPU (Graphics Processing Unit). Οι GPU έχουν γενικά πολύ μεγαλύτερη υπολογιστική ισχύ, που μπορεί να μειώσει δραστικά το χρόνο εκτέλεσης των πιο απαιτητικών διεργασιών της FEM, όπως είναι η επίλυση γραμμικών συστημάτων μεγάλης τάξης. Όλοι οι σύγχρονοι υπολογιστές είναι εφοδιασμένοι με GPU που παραδοσιακά χρησιμοποιούνται μόνο για την απόδοση γραφικών στην οθόνη. Με την ανάθεση των πλέον χρονοβόρων υπολογισμών στην GPU και τη χρήση της CPU για τη ροή ελέγχου του προγράμματος και άλλες πιο περίπλοκες αλλά όχι χρονοβόρες διεργασίες, αξιοποιούνται όλοι οι υπολογιστικοί πόροι του υπολογιστή και μειώνεται σημαντικά ο συνολικός χρόνος εκτέλεσης. Κατά τη διαδικασία της βελτιστοποίησης πραγματοποιείται μεγάλο πλήθος αναλύσεων FEM, οπότε είναι αναγκαίο να βρεθούν όσο το δυνατόν γρηγορότεροι τρόποι ανάλυσης. Κατά τη διάρκεια της εργασίας, για τις αναλύσεις πεπερασμένων στοιχείων χρησιμοποιήθηκε το λογισμικό Solverize, που αναπτύσσεται από το Εργαστήριο Στατικής και Αντισεισμικών Κατασκευών του τμήματος Πολιτικών Μηχανικών, ΕΜΠ. Σε αυτό προστέθηκε η δυνατότητα εκτέλεσης βελτιστοποίησης, χρησιμοποιοώντας τους μεταευριστικούς αλγορίθμους: Βελτιστοποίηση Σμήνους Σωματιδίων, Διαφορική Εξέλιξη και Στρατηγικές Εξέλιξης. Επιπλέον προστέθηκε και κώδικας σε CUDA C που επίλυει συστήματα γραμμικών εξισώσεων στη GPU. Στο πρώτο κεφάλαιο γίνεται εισαγωγή του αναγνώστη στο κλάδο της βελτιστοποίησης. Ομαδοποιούνται σε μερικές βασικές κατηγορίες τα προβλήματα και οι μέθοδοι βελτιστοποίησης. Περεταίρω ενδιαφέρον δίνεται στο βέλτιστο σχεδιασμό κατασκευών. Στο δευτερο κεφάλαιο αναλύονται οι αλγόριθμοι Βελτιστοποίηση Σμήνους Σωματιδίων, Διαφορική Εξέλιξη και Στρατηγικές Εξέλιξης. Παρουσιάζονται οι βασικές εκδοχές τους και ο τρόπος εφαρμογής σε προβλήματα βέλτιστου σχεδιασμού κατασκευών. Στο τρίτο κεφάλαιο ελέγχεται η συμπεριφορά των παραπάνω αλγορίθμων σε μερικά από τα συνηθέστερα προβλήματα αξιολόγησης (benchmarks). Στο τέταρτο κεφάλαιο δίνεται μια συνοπτική εισαγωγή στον προγραμματισμό για GPU και τον παράλληλο προγραμματισμό γενικότερα. Εξηγούνται οι βασικές διαφορές με τον παραδοσιακό σειριακό προγραμματισμό Στο πέμπτο κεφάλαιο παρουσιάζονται εποπτικά τα λογισμικά που συνδυάζονται για το βέλτιστο σχεδιασμό κατασκευών και εφαρμόζονται σε ένα αριθμητικό πράδειγμα. Επίσης δοκιμάζονται παράλληλα μοτίβα, για την καλύτερη εκμετάλλευση των CPU και GPU. | el |
heal.abstract | The current thesis deals with structural optimization using the Finite Element Method.The main focus is on metaheuristic optimization algorithms for sizing optimization problems. The analysis of the structures using FEM is not executed by the CPU (Central Processing Unit) as usual. Instead heterogenous computing systems are employed, utilizing both the CPU and the GPU (Grahics Processing Unit) of the used computer. GPUs boast a much higher processing power, that can significantly reduce the execution time of the more demanding parts of the Finite Element Method, such as the solution of large linear systems. Nowadays all personal computers ship with a GPU, which is used for rendering computer graphics on a monitor. By using the GPU to tackle the most computationally heavy parts of thw program, while the CPU takes care of the main program flow and other trickier processes, one can take advantage of all available resources and greatly improve overall efficiency. The need for faster structural analyses is even greater in optimization, as each design that is tested requires a separate FEM analysis and in most cases the number of tested designs is quite high. All FEM analyses in this project were performed by Solverize, a software being developed by the Statics and Antiseismic Research Laboratory of NTUA’s Civil Engineering department. A basic optimization framework has been developed in Java to allow the application of metaheuristic algorithms for structural optimization. Additionally CUDA C code was developed for solving linear systems on NVidia brand GPUs. Both were integrated with Solverize. The first chapter introduces the main aspects of optimization and attempts to classify the broad spectrum of optimization problems, especially those pertaining to structural optimization, as well as the methologies for solving them. The second chapter presents three metaheuristic optimization algorithms, which are then used throughout this thesis: Particle Swarm Optimization, Differential Evolution and Evolutionary Strategies. The third chapter tests the performance of those algorithms in a set of the most common benchmarks. The fourth chapter introduces General Purpose GPU computing and some main aspects of parallel computing. The fifth chapter describes the workflow of the software used in this thesis to perform structural optimization. Additionaly a numerical example is examined: optimizing the weight of a steel frame structure. Finally, parallel software patterns are examined in an attempt to take better advantage of the processing power of the GPU and CPU cores. | en |
heal.advisorName | Παπαδρακάκης Εμμανουήλ | el |
heal.committeeMemberName | Παπαδόπουλος, Βησσαρίων | el |
heal.committeeMemberName | Νεραντζάκη, Μαρία | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Πολιτικών Μηχανικών. Τομέας Δομοστατικής. Εργαστήριο Στατικής και Αντισεισμικών Ερευνών | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 211 σ. | el |
heal.fullTextAvailability | true |
Οι παρακάτω άδειες σχετίζονται με αυτό το τεκμήριο: