基于GPU和重分析的車身結(jié)構(gòu)高效優(yōu)化方法.pdf

1、數(shù)值仿真在汽車車身結(jié)構(gòu)優(yōu)化設(shè)計(jì)過(guò)程中發(fā)揮著重要的作用，但隨著結(jié)構(gòu)復(fù)雜度的不斷增加，計(jì)算量大、計(jì)算效率低等問(wèn)題日益嚴(yán)峻，嚴(yán)重制約了數(shù)值仿真及優(yōu)化設(shè)計(jì)在實(shí)際工程中的應(yīng)用。為提升數(shù)值仿真的計(jì)算效率，研究人員一方面從數(shù)值計(jì)算方法的理論研究著手，開(kāi)發(fā)了諸多快速計(jì)算方法，如利用已知結(jié)構(gòu)的解及求解信息去估計(jì)修改后結(jié)構(gòu)解的重分析方法，從計(jì)算方法上提升計(jì)算效率;另一方面，利用并行計(jì)算機(jī)的硬件優(yōu)勢(shì)，通過(guò)并行技術(shù)對(duì)數(shù)值仿真進(jìn)行加速，從而獲得更高的計(jì)算效率。目

2、前主流的并行算法多建立在以CPU為核心的并行平臺(tái)上，價(jià)格昂貴、維護(hù)成本高，難以得到普及使用。此外，由于這類架構(gòu)多采用粗粒度并行模式，計(jì)算節(jié)點(diǎn)間的通信與協(xié)作機(jī)制較為復(fù)雜，導(dǎo)致程序開(kāi)發(fā)難度較大。同CPU并行架構(gòu)相比，圖形處理器GPU(Graphics Process Unit)的主要優(yōu)勢(shì)在于其擁有強(qiáng)大的浮點(diǎn)運(yùn)算能力和高存儲(chǔ)帶寬，且價(jià)格低廉。同時(shí)，統(tǒng)一計(jì)算架構(gòu)CUDA(Compute Unified Device Architecture)為

3、GPU并行程序開(kāi)發(fā)提供了簡(jiǎn)單高效的軟件開(kāi)發(fā)工具。
　　針對(duì)復(fù)雜產(chǎn)品設(shè)計(jì)中大規(guī)模計(jì)算的客觀需求，采用重分析方法雖能提高計(jì)算效率，但仍難以滿足實(shí)際工程問(wèn)題的計(jì)算需求，在同時(shí)考慮計(jì)算方法和并行技術(shù)的前提下，本文建立了以GPU并行重分析為主線的結(jié)構(gòu)優(yōu)化設(shè)計(jì)系統(tǒng)。對(duì)結(jié)構(gòu)進(jìn)行單次修改時(shí)，提出了具有高精度和高效率特點(diǎn)的GPU并行重分析計(jì)算方法;結(jié)構(gòu)概念設(shè)計(jì)階段，提出了基于GPU并行重分析的拓?fù)鋬?yōu)化計(jì)算方法;結(jié)構(gòu)詳細(xì)設(shè)計(jì)階段，提出了基于GPU并行

4、重分析的多數(shù)據(jù)分組全局優(yōu)化算法;為克服單GPU計(jì)算能力的限制，建立了基于多GPU平臺(tái)的并行重分析系統(tǒng)。本文的主要工作和成果如下:
　　(1)針對(duì)重分析方法的計(jì)算效率瓶頸，提出了GPU并行重分析計(jì)算方法，開(kāi)發(fā)了基于GPU平臺(tái)的并行重分析計(jì)算程序，實(shí)現(xiàn)了較大規(guī)模汽車結(jié)構(gòu)重分析的并行計(jì)算。采用線程映射單元、線程映射非零元素兩種映射策略，提出了重分析方法中剛度矩陣的并行計(jì)算及組裝方法;采用對(duì)稱超松弛方法構(gòu)建稀疏近似逆矩陣，基于CUDA并行

5、計(jì)算平臺(tái)，提出了重分析方法中矩陣求逆的并行計(jì)算方法;采用稀疏近似逆作為預(yù)處理算子，開(kāi)發(fā)了重分析方法中方程組的并行求解技術(shù)。數(shù)值算例表明本文提出的GPU并行重分析方法能夠大幅度提升計(jì)算效率，并能夠滿足數(shù)值仿真計(jì)算的精度要求。
　　(2)提出了基于GPU并行重分析的拓?fù)鋬?yōu)化計(jì)算方法，開(kāi)發(fā)了基于GPU并行重分析的結(jié)構(gòu)拓?fù)鋬?yōu)化程序，實(shí)現(xiàn)了較大規(guī)模汽車結(jié)構(gòu)在GPU上的并行拓?fù)鋬?yōu)化。采用線程映射單元的策略，提出了拓?fù)鋬?yōu)化方法中靈敏度的并行計(jì)算

6、方法;采用單元-節(jié)點(diǎn)、節(jié)點(diǎn)-單元雙重過(guò)濾策略，開(kāi)發(fā)了基于GPU平臺(tái)的靈敏度并行過(guò)濾技術(shù);為確保拓?fù)鋬?yōu)化過(guò)程方法中計(jì)算精度和計(jì)算效率的有效平衡，提出了拓?fù)鋬?yōu)化過(guò)程中是否采用重分析的準(zhǔn)則:結(jié)構(gòu)修改度，并根據(jù)結(jié)構(gòu)修改度值的大小判斷當(dāng)前迭代步是否采用GPU并行重分析。
　　(3)提出了基于多數(shù)據(jù)分組的全局優(yōu)化算法MDEGO(Multiple Data EfficientGlobal Optimization)，解決了高效全局優(yōu)化算法EGO

7、(Efficient Global Optimization)及基于多代理模型高效全局優(yōu)化算法MSEGO(Multiple Surrogate Efficient GlobalOptimization)產(chǎn)生尋優(yōu)點(diǎn)的瓶頸。MDEGO算法充分考慮多數(shù)據(jù)分組產(chǎn)生多樣性，從而在優(yōu)化過(guò)程的單個(gè)迭代步內(nèi)產(chǎn)生多個(gè)尋優(yōu)點(diǎn)，克服了EGO算法單個(gè)迭代步內(nèi)只產(chǎn)生一個(gè)尋優(yōu)點(diǎn)的瓶頸;與MSEGO算法采用多種代理模型產(chǎn)生多樣性的策略不同，MDEGO算法采用多數(shù)據(jù)分

8、組產(chǎn)生多樣性的策略更加簡(jiǎn)單便捷，在相同的仿真次數(shù)內(nèi)，較MSEGO具有更快的收斂速度。為進(jìn)一步提高M(jìn)DEGO算法的計(jì)算效率及工程實(shí)用性，開(kāi)發(fā)了基于GPU并行重分析以及考慮多數(shù)據(jù)分組的GPU并行全局優(yōu)化程序，實(shí)現(xiàn)了較大規(guī)模汽車結(jié)構(gòu)在GPU上的并行全局優(yōu)化。
　　(4)針對(duì)單GPU上難以進(jìn)行某些大規(guī)模汽車結(jié)構(gòu)重分析計(jì)算的瓶頸，提出了多GPU并行重分析計(jì)算方法。采用具有良好擴(kuò)展性的多GPU并行策略，實(shí)現(xiàn)了重分析算法中的數(shù)據(jù)分配、矩陣向量乘