CN114239428A - 一种基于大规模cfd并行计算软件的自动化不确定度分析平台及其方法 - Google Patents
一种基于大规模cfd并行计算软件的自动化不确定度分析平台及其方法 Download PDFInfo
- Publication number
- CN114239428A CN114239428A CN202111393961.XA CN202111393961A CN114239428A CN 114239428 A CN114239428 A CN 114239428A CN 202111393961 A CN202111393961 A CN 202111393961A CN 114239428 A CN114239428 A CN 114239428A
- Authority
- CN
- China
- Prior art keywords
- module
- cfd
- analysis
- automatic
- uncertainty analysis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013076 uncertainty analysis Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000004458 analytical method Methods 0.000 claims abstract description 33
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000012805 post-processing Methods 0.000 claims abstract description 28
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 230000003993 interaction Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 12
- 210000000609 ganglia Anatomy 0.000 claims description 9
- 230000000739 chaotic effect Effects 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 5
- 238000000418 atomic force spectrum Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 239000012530 fluid Substances 0.000 description 5
- 230000004044 response Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computing Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Debugging And Monitoring (AREA)
Abstract
本发明提出一种基于大规模CFD并行计算软件的自动化不确定度分析平台及其方法，包括用户交互模块、数据库、服务器、CFD测试模块、NIPC及后处理模块以及监测模块；数据库与用户交互模块和服务器相连，服务器模块连接并控制CFD测试模块、监测模块以及NIPC及后处理模块，CFD测试模块包括样本生成、批处理以及自动化计算，最终将多个计算结果输出到NIPC及后处理模块，经过不确定性分析及结果后处理后将分析结果和原始数据返回数据库，最终返回用户交互模块。本发明实现了通过网络访问，自动加载算例和样本、提交集群计算、监测实时进度、NIPC不确定性分析以及自动化后处理等过程，并提供实验对比图、分析报表和汇总报告等，完成了对大规模CFD软件的自动化不确定度分析。
Description
技术领域
本发明涉及CFD并行计算技术领域，特别涉及一种基于大规模CFD并行计算软件的自动化不确定度分析平台及其方法。
背景技术
近些年来，随着网格生成、流场求解和高性能计算机等学科的快速发展，计算流体力学(Computational Fluid Dynamics，CFD)在工业领域发挥了越来越重要的作用。但现代飞机设计概念的不断更新和计算流体力学自身的不断发展，使得计算流体力学研究的问题也越来越复杂；一方面流场的控制方程从简单到复杂，从速度势方程、Euler方程、Navier-Stokes方程到大涡数值模拟(LES)和直接数值模拟(DNS)，另一方面计算的构型也从简到繁而更加复杂化，另外利用计算流体力学分析软件进行数值优化设计，将上千次调用流场分析软件，使得计算量更加惊人，从而计算量的数量级也在迅速增加，使得现有计算机的发展远远不能满足其需求。为了适应高性能计算的发展和日益复杂的CFD问题，目前国内外很多商业公司、科研单位正不断发展超大规模并行计算的大型CFD软件，如Fluent、Fun3D、CFL3D、CFD++和HiFiLES等。计算机单机技术的有限性和科学计算需求的无限性之间的矛盾决定了计算机发展走上并行的道路，计算流体力学也因而走上了并行计算之路。
在航空航天、汽车、机械、电子、核电设备等诸多领域，不确定性分析都有广泛的应用。通过不确定性分析可以提高系统的可靠性、稳健性，避免灾难性事故的发生，对经济、政治、军事等方面都有重要而积极的作用。在工程产品设计、优化中，往往存在各种不确定性，这必然引起产品性能的波动，因此，需要分析这些不确定性对产品性能的影响，从而用于指导优化设计，使得设计的产品对不确定性的影响尽可能小，最终提高产品的稳健性和可靠性，避免系统失效，引发灾难性的后果，在概念设计阶段就考虑不确定性，还可避免重复设计，大为缩短设计周期，节省成本。
此外，在复杂工程外形的数值模拟过程中，存在着多种来源的不确定性因素，包括几何外形、网格分布、物理模型及数值计算方法等，这使得CFD给出的最终结果也存在着复杂的不确定性。在工程外形的评估或者优化问题中，如果不考虑CFD结果的不确定性，往往不能准确反映复杂物理条件下真实外形的气动性能。因此CFD的不确定度量化很有必要。
目前，在国内外对不确定性CFD方法的实际应用多以人工为主，测试过程与数据库未紧密耦合，且对于CFD软件的自动化测试方面涉及较少。
发明内容
为克服现有的CFD数值结果不确定性分析的自动化程度不高的缺点，本发明提出一种基于大规模CFD并行计算软件的自动化不确定度分析平台及其方法，能够自动化、标准化的实现CFD软件提交任务、提取结果、不确定度分析过程的重复调用，适应高性能计算发展和CFD数值结果不确定性分析的要求。
本发明的技术方案为：
所述一种基于大规模CFD并行计算软件的自动化不确定度分析平台，由用户交互模块、数据库、服务器、CFD测试模块、NIPC及后处理模块以及监测模块组成；
所述用户交互模块用于用户上传求解器、选择算例和分析参数，以及其他请求响应和交互；
所述CFD测试模块包括样本生成、批处理以及自动化计算三个子模块，所述样本生成子模块用于采样，所述自动化计算子模块以及批处理子模块协调各串行和/或并行作业，实现对用户提交的大规模测试任务进行统一安排，进而构建起涵盖复杂作业管理及大规模并行计算功能的云端环境，提供虚拟化资源；
所述NIPC及后处理模块开展不确定性分析，并自动化进行图片、文档和数据处理，输出相应的分析结果；
所述监测模块使用集成开源项目Ganglia来监控系统性能；如CPU、NODE、MEM、硬盘利用率、I/O负载和网络流量以及实时监测算力进度、收敛误差等；
所述服务器通过集成机制将CFD测试模块、NIPC及后处理模块、监测模块组合起来，实现将不同的功能组装成体系,并完成前端与服务器之间的相互交互；
所述数据库存储模块计算结果，并通过可视化的数据库界面便于用户查询、上传、编辑和下载数据。
进一步的，所述用户交互模块以web浏览器的形式体现出来。
进一步的，所述样本生成子模块采用拉丁超立方抽样法进行采样，建立样本。
进一步的，所述自动化计算子模块以及批处理子模块使用开源项目Ganglia即PBS作业调度系统，利用Python程序来驱动管理PBS。
进一步的，所述NIPC及后处理模块采用非干涉混沌多项式展开方法开展不确定性分析，并使用Python和Tecplot宏文件自动化进行图片、文档和数据处理，输出相应的分析结果，包括结果对比图、分析报表和汇总报告。
进一步的，所述监测模块监控的系统性能包括CPU、NODE、MEM、硬盘利用率、I/O负载和网络流量以及实时监测算力进度、收敛误差。
进一步的，所述服务器利用Python作为后台主体框架实现语言，通过集成机制将CFD测试模块、NIPC及后处理模块、监测模块组合起来，实现将不同的功能组装成体系,并以超文本预处理器完成前端与服务器之间的相互交互，包括提交数据、调用Python程序、将结果返回给客户端。
进一步的，所述数据库的可视化数据库界面使用Django站点管理系统。
基于上述分析平台实现基于大规模CFD并行计算软件的自动化不确定度分析方法，包括以下步骤：
步骤1：生成样本：采用拉丁超立方抽样法进行采样，建立样本；
步骤2：采用批处理程序，进行自动化计算：读取步骤1中得到的多个样本点，生成N个计算文件，采用批处理程序进行重复计算，最后得到多个计算结果；并在计算过程中，实时自动输出收敛曲线图、力曲线图以及流场图；
步骤3：集群监控：使用集成开源项目Ganglia，实时监控系统性能，包括CPU、MEM、硬盘利用率、I/O负载和网络流量使用情况，并查看作业在哪个节点以及当前状态，同时还实时监测算例进度、收敛误差；
步骤4：NIPC分析：采用非干涉混沌多项式展开方法开展不确定性分析；
步骤5：下载：分析完毕后，将原始数据和分析结果打包后提供用户下载。
有益效果
与现有技术相比，本发明的主要优点有：
1)本平台采用模块化设计，可扩展性强。
2)该测试平台具有持续集成数据库，包含了大量不同类型的标模算例。
3)具有NIPC分析功能，考虑到CFD结果的不确定性，可以进行CFD的不确定度量化。
4)具有自动化测试和批量处理功能，能替代传统人工粗略地计算与分析。
5)具有方便快捷的网络访问，充分利用计算、网络带宽等资源，适应于云计算发展需求。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1：基于大规模CFD并行计算软件的自动化不确定度分析平台的模块组成框图；
图2：基于大规模CFD并行计算软件的自动化不确定度分析平台的系统B/S逻辑结构图；
图3：CFD测试模块、NIPC及后处理模块组成及运行流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
参照附图1，本实施例中的基于大规模CFD并行计算软件的自动化不确定度分析平台由用户交互模块、数据库、服务器、CFD测试模块、NIPC及后处理模块以及监测模块组成。
所述用户交互模块以web浏览器的形式体现出来，用户通过该模块上传求解器、选择算例和分析参数、以及其他请求响应和交互。
所述CFD测试模块包括样本生成、批处理以及自动化计算三个子模块；所述样本生成子模块采用拉丁超立方抽样法进行采样；自动化计算子模块、批处理子模块，使用开源项目Ganglia即PBS(Portable Batch System)作业调度系统，利用Python程序来驱动管理PBS，自动协调各串行/并行作业，实现对用户提交的大规模测试任务进行统一安排，进而构建起涵盖复杂作业管理及大规模并行计算功能的云端环境，提供虚拟化资源。
所述NIPC及后处理模块采用非干涉混沌多项式展开方法开展不确定性分析，并使用Python和Tecplot宏文件自动化进行图片、文档和数据等处理，输出相应的分析结果，包括结果对比图、分析报表和汇总报告等。
所述监测模块使用集成开源项目Ganglia，来监控系统性能如CPU、NODE、MEM、硬盘利用率、I/O负载和网络流量以及实时监测算力进度、收敛误差等。
所述服务器利用Python作为后台主体框架实现语言，通过灵活的集成机制将CFD测试模块、NIPC及后处理模块、监测模块组合起来，实现将不同的功能组装成一个复杂的体系,并以超文本预处理器(PHP)完成前端与服务器之间的相互交互，包括提交数据、调用Python程序、将结果返回给客户端等。
所述数据库存储上述模块计算结果，可视化的数据库界面使用Django站点管理系统，便于用户查询、上传、编辑和下载数据。
对于上述分析平台，使用过程为：
首先，用户通过Web浏览器，访问自动化云平台网址，没有注册的用户，要先注册，登录完毕后，用户拥有一定权限，根据服务器情况，获取虚拟化计算资源。
用户在登录后，通过Web页面上传测试求解器，选择算例或上传算例，并且可通过Django站点管理系统，在前端对算例进行查询、添加、删除和修改。
浏览器通过Web服务器与数据库进行数据交换，将信息反馈到Web服务器。Web服务器接受这些信息后，启动Pytnon程序，调用数据库，完成相关事务逻辑，并将输出结果返回Web浏览器，即采用三层架构，具体描述如图2所示。
其中CFD测试模块、NIPC模块以及监测模块运行流程如下：
首先，采用拉丁超立方抽样法进行采样，建立N个样本。将生成好的N个计算文件，采用批处理程序进行自动化重复计算，最后得到多个计算结果。将得到的多个计算结果采用非干涉混沌多项式展开方法(NIPCE)开展不确定性分析。将不确定性分析结果进行结果后处理，通过Tecplot软件进行绘图，包括计算过程中实时自动输出的收敛曲线图、力曲线图、流场图以及计算完毕后通过NIPC分析的结果对比图等。将后处理输出的结果返回到数据库，将原始数据和分析结果打包以供用户下载。其间，监测模块实时监控系统性能、查看作业在哪个节点以及当前状态，最后实时监测算力进度、收敛误差等。具体描述如图3所示。
以某款大型CFD并行软件为例，在开发使用过程中，针对某飞行器外形的优化问题，分析CFD结果的不确定性。将该平台应用于此优化问题当中，基本流程如下所述：
1)登录：访问自动化云平台网址，没有注册的用户，要先注册，登录完毕后，用户拥有一定权限，根据服务器情况，获取虚拟化计算资源。
2)数据库管理：用户在登录后，可通过Django站点管理系统，在前端对算例进行查询、添加、删除和修改。
3)自动生成样本并计算：上传需要分析不确定性的算例，在网页上勾选要分析的参数，开始提交集群计算。
其中采用拉丁超立方抽样法进行采样，建立样本，具体实施步骤如下：
步骤1.1：确定随机输入空间的维度d与需要抽取样本点的总数目N；
步骤1.2：将每一个维度分成互不重叠的N个区间
使得每个区间有相同的分布概率；
步骤1.3：在每一个维度里，每一个区间
中根据其对应的概率密度函数各抽取处一个样本点
步骤1.4：将从每一个维度里随机抽取出的样本随机组合为样本向量，生成N个拉丁超立方样本点x{i}，由此生成了多个样本点。
计算时通过读取多个样本点，生成N个计算文件，采用批处理程序进行重复计算，最后得到多个计算结果。
4)实时监测：一方面利用集成开源项目Ganglia实时监测服务器Nodes、CPU、MEM、硬盘利用率、I/O负载和网络流量等使用情况；另一方面查看作业在哪个节点以及当前状态；最后实时监测算例进度和收敛误差等。
5)NIPC分析：采用非干涉混沌多项式展开方法(NIPCE)进行不确定性分析，即将响应函数直接看做一个黑箱子，仅仅关注输入、输出之间的一一映射关系，无需知道函数内部的具体关系或函数表达式，更无须对黑箱子内部的函数关系做任何改动，非常方便。具体的是采用随机响应面法：首先构建随机响应面，然后选取样本点，由此作为回归样本求解PCE系数，实现开展不确定性分析。
6)结果后处理：通过预装好的Tecplot软件进行绘图，在计算过程中，实时自动输出收敛曲线图、力曲线图以及流场图；计算完毕后通过NIPC分析及结果后处理自动输出结果对比图。
7)数据下载：分析完毕后，将原始数据和分析结果打包起来，供用户进行下载。
本发明针对现有CFD软件的不确定性分析问题，并适应于未来高性能计算发展的要求，基于云计算思想，提出一种自动化不确定度分析平台的解决方案。该方案采用模块化的浏览器/服务器(B/S)网络架构，包括用户交互模块、数据库、服务器、CFD测试模块、NIPC及后处理模块以及监测模块。数据库与用户交互模块和服务器相连，服务器模块连接并控制CFD测试模块、监测模块以及NIPC及后处理模块，CFD测试模块包括样本生成、批处理以及自动化计算三个过程，最终将多个计算结果输出到NIPC及后处理模块，经过不确定性分析及结果后处理后将分析结果和原始数据返回数据库，最终返回用户交互模块。本发明实现了通过网络访问，自动加载算例和样本、提交集群计算、监测实时进度、NIPC不确定性分析以及自动化后处理等过程，并提供实验对比图、分析报表和汇总报告等，完成了对大规模CFD软件的自动化不确定度分析。将本发明应用于某大规模并行计算的CFD软件，验证了其可行性和实用性，该发明提高了CFD软件开发的效率和质量，降低了人工测试成本，可以适应高性能计算发展和CFD数值结果不确定性分析的要求。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在不脱离本发明的原理和宗旨的情况下在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于大规模CFD并行计算软件的自动化不确定度分析平台，其特征在于：由用户交互模块、数据库、服务器、CFD测试模块、NIPC及后处理模块以及监测模块组成；
所述用户交互模块用于用户上传求解器、选择算例和分析参数，以及其他请求响应和交互；
所述CFD测试模块包括样本生成、批处理以及自动化计算三个子模块，所述样本生成子模块用于采样，所述自动化计算子模块以及批处理子模块协调各串行和/或并行作业，实现对用户提交的大规模测试任务进行统一安排，进而构建起涵盖复杂作业管理及大规模并行计算功能的云端环境，提供虚拟化资源；
所述NIPC及后处理模块开展不确定性分析，并自动化进行图片、文档和数据处理，输出相应的分析结果；
所述监测模块使用集成开源项目Ganglia来监控系统性能；如CPU、NODE、MEM、硬盘利用率、I/O负载和网络流量以及实时监测算力进度、收敛误差等
所述服务器通过集成机制将CFD测试模块、NIPC及后处理模块、监测模块组合起来，实现将不同的功能组装成体系,并完成前端与服务器之间的相互交互；
所述数据库存储模块计算结果，并通过可视化的数据库界面便于用户查询、上传、编辑和下载数据。
2.根据权利要求1所述一种基于大规模CFD并行计算软件的自动化不确定度分析平台，其特征在于：所述用户交互模块以web浏览器的形式体现出来。
3.根据权利要求1所述一种基于大规模CFD并行计算软件的自动化不确定度分析平台，其特征在于：所述样本生成子模块采用拉丁超立方抽样法进行采样，建立样本。
4.根据权利要求1所述一种基于大规模CFD并行计算软件的自动化不确定度分析平台，其特征在于：所述自动化计算子模块以及批处理子模块使用开源项目Ganglia即PBS作业调度系统，利用Python程序来驱动管理PBS。
5.根据权利要求1所述一种基于大规模CFD并行计算软件的自动化不确定度分析平台，其特征在于：所述NIPC及后处理模块采用非干涉混沌多项式展开方法开展不确定性分析，并使用Python和Tecplot宏文件自动化进行图片、文档和数据处理，输出相应的分析结果，包括结果对比图、分析报表和汇总报告。
6.根据权利要求1所述一种基于大规模CFD并行计算软件的自动化不确定度分析平台，其特征在于：所述监测模块监控的系统性能包括CPU、NODE、MEM、硬盘利用率、I/O负载和网络流量以及实时监测算力进度、收敛误差。
7.根据权利要求1所述一种基于大规模CFD并行计算软件的自动化不确定度分析平台，其特征在于：所述服务器利用Python作为后台主体框架实现语言，通过集成机制将CFD测试模块、NIPC及后处理模块、监测模块组合起来，实现将不同的功能组装成体系,并以超文本预处理器完成前端与服务器之间的相互交互，包括提交数据、调用Python程序、将结果返回给客户端。
8.根据权利要求1所述一种基于大规模CFD并行计算软件的自动化不确定度分析平台，其特征在于：所述数据库的可视化数据库界面使用Django站点管理系统。
9.利用权利要求1～8任一所述分析平台进行基于大规模CFD并行计算软件的自动化不确定度分析的方法，其特征在于：包括以下步骤：
步骤1：生成样本：采用拉丁超立方抽样法进行采样，建立样本；
步骤2：采用批处理程序，进行自动化计算：读取步骤1中得到的多个样本点，生成N个计算文件，采用批处理程序进行重复计算，最后得到多个计算结果；并在计算过程中，实时自动输出收敛曲线图、力曲线图以及流场图；
步骤3：集群监控：使用集成开源项目Ganglia，实时监控系统性能，包括CPU、MEM、硬盘利用率、I/O负载和网络流量使用情况，并查看作业在哪个节点以及当前状态，同时还实时监测算例进度、收敛误差；
步骤4：NIPC分析：采用非干涉混沌多项式展开方法开展不确定性分析；
步骤5：下载：分析完毕后，将原始数据和分析结果打包后提供用户下载。
10.根据权利要求9所述基于大规模CFD并行计算软件的自动化不确定度分析的方法，其特征在于：步骤1中采用拉丁超立方抽样法的具体实施步骤如下：
步骤1.1：确定随机输入空间的维度d与需要抽取样本点的总数目N；
步骤1.2：将每一个维度分成互不重叠的N个区间
i∈[1,2,…,N]，j＝[1,2,…,d]，使得每个区间有相同的分布概率；
步骤1.3：在每一个维度里，每一个区间
中根据其对应的概率密度函数各抽取处一个样本点
步骤1.4：将从每一个维度里随机抽取出的样本随机组合为样本向量，生成N个拉丁超立方样本点x{i}，由此生成了多个样本点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111393961.XA CN114239428A (zh) | 2021-11-23 | 2021-11-23 | 一种基于大规模cfd并行计算软件的自动化不确定度分析平台及其方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111393961.XA CN114239428A (zh) | 2021-11-23 | 2021-11-23 | 一种基于大规模cfd并行计算软件的自动化不确定度分析平台及其方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114239428A true CN114239428A (zh) | 2022-03-25 |
Family
ID=80750584
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111393961.XA Pending CN114239428A (zh) | 2021-11-23 | 2021-11-23 | 一种基于大规模cfd并行计算软件的自动化不确定度分析平台及其方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114239428A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115202992A (zh) * | 2022-09-15 | 2022-10-18 | 中国空气动力研究与发展中心计算空气动力研究所 | 面向slurm调度系统的CFD作业收敛性监控方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175340A (zh) * | 2018-11-16 | 2019-08-27 | 湘潭大学 | 一种适用于不确定工况的离心压气机叶轮气动稳健优化设计方法 |
| CN112749519A (zh) * | 2020-12-17 | 2021-05-04 | 北京电子工程总体研究所 | 基于混沌多项式自适应加点策略不确定性优化方法及系统 |
-
2021
- 2021-11-23 CN CN202111393961.XA patent/CN114239428A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110175340A (zh) * | 2018-11-16 | 2019-08-27 | 湘潭大学 | 一种适用于不确定工况的离心压气机叶轮气动稳健优化设计方法 |
| CN112749519A (zh) * | 2020-12-17 | 2021-05-04 | 北京电子工程总体研究所 | 基于混沌多项式自适应加点策略不确定性优化方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈树生 等: "CFD软件自动化验证确认云平台设计与实现", 《航空学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115202992A (zh) * | 2022-09-15 | 2022-10-18 | 中国空气动力研究与发展中心计算空气动力研究所 | 面向slurm调度系统的CFD作业收敛性监控方法 |
| CN115202992B (zh) * | 2022-09-15 | 2022-11-22 | 中国空气动力研究与发展中心计算空气动力研究所 | 面向slurm调度系统的CFD作业收敛性监控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Topology-aware neural model for highly accurate QoS prediction | |
| CN106033469B (zh) | 用于大数据的结构化查询的高效性能预测的方法和系统 | |
| CN116450486B (zh) | 多元异构计算系统内节点的建模方法、装置、设备及介质 | |
| CN112187955A (zh) | 基于SaaS平台的铸造模具建模和仿真云计算服务的提供方法 | |
| Núñez et al. | A methodology for validating cloud models using metamorphic testing | |
| Zheng et al. | Big data storage and management in SaaS applications | |
| Shen et al. | Performance prediction of parallel computing models to analyze cloud-based big data applications | |
| CN114239428A (zh) | 一种基于大规模cfd并行计算软件的自动化不确定度分析平台及其方法 | |
| Liu et al. | Ace-Sniper: Cloud-Edge Collaborative Scheduling Framework With DNN Inference Latency Modeling on Heterogeneous Devices | |
| Shahbazian et al. | eQual: informing early design decisions | |
| Xu et al. | URMG: Enhanced CBMG-based method for automatically testing web applications in the cloud | |
| US20120041734A1 (en) | System and method for collaborative building of a surrogate model for engineering simulations in a networked environment | |
| Stanke et al. | Development of a hybrid DLT cloud architecture for the automated use of finite element simulation as a service for fine blanking | |
| Mikov et al. | Program tools and language for Network simulation and analysis | |
| Le et al. | A generative network model for product evolution | |
| Parekh et al. | Analytical modelling of distributed file systems (GlusterFS and CephFS) | |
| Li et al. | A fast big data collection system using MapReduce framework | |
| Chen et al. | Cloud computing for vlsi floorplanning considering peak temperature reduction | |
| CN113887121A (zh) | 多性能最优化设计装置、以及多性能最优化设计方法 | |
| Trivedi et al. | Reliability and availability analysis in practice | |
| Kim et al. | Estimating unreliable objects and system reliability in P2P networks | |
| Esposito et al. | DTS: A simulator to estimate the training time of distributed deep neural networks | |
| Wu et al. | System design and algorithmic development for computational steering in distributed environments | |
| Chandra et al. | An Efficient Framework for Load Balancing using MapReduce Algorithm for Bigdata | |
| Xu et al. | An Online Prediction Framework for Dynamic Service-Generated QoS Big Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220325 |
|
| RJ01 | Rejection of invention patent application after publication |