https://www.youtube.com/watch?v=q4rNIbqvyQI
FluidX3D源代码:https://github.com/ProjectPhysX/FluidX3D 20秒的视频显示汽车以100km/h的速度行驶1秒。马蒂亚·比诺托的法拉利SF71H在#CFD。在这个100亿体素的#FluidX3D模拟中，您可以看到一辆非常成功的F1赛车的野生空气动力学优化。#OpenCL计算(2152×4304×1076分辨率网格，217k时间步长)加上渲染3x 20s 4K60视频花了14个小时。所示为带有行军立方体的速度色q准则等值面。Smagorinsky-Lilly亚网格模型雷诺数为375万。在512GB的VRAM中，如何挤下100亿个网格点?我在这里使用了两种技术，它们共同构成了格玻尔兹曼的圣杯，将D3Q19 LBM的内存需求降低到只有55字节/节点，或传统代码的1/3:与Esoteric-Pull就地流媒体。由于隐含的反弹边界，这几乎将内存需求减少了一半，并略微提高了性能。摘要:https://doi.org/10.3390/computation10..。2. 解耦算术精度(FP32)和内存精度(FP16):所有算术都在FP32中完成，但内存中的LBM密度分布函数被压缩到FP16。这几乎将内存需求减少了一半，性能几乎翻了一番，而不会影响大多数设置的整体精度。摘要:https://www.researchgate.net/publicat..。图形使用OpenCL直接在FluidX3D中完成，原始模拟数据已经驻留在超高速显存中。速度场的1帧为120GB，生成1201帧，即144TB。不需要将容量数据复制到CPU或硬盘驱动器，而是只呈现4K帧(33MB)。在CPU端，在内存中生成帧的副本，并分离一个线程来处理缓慢的.png压缩，同时模拟仍在继续。在任何时候，大约16帧在16个CPU内核上并行压缩，而模拟在GPU上运行。摘要:https://www.researchgate.net/publicat..。时间戳:0:00侧视图0:20正面视图0:40俯视图感谢Jülich超级计算中心的人让我测试他们的硬件!3D模型来自Thingiverse: https://www.thingiverse.com/thing:299…#CFD #GPU #FluidX3D #OpenCL
