基于CPU的源强反算算法研究

论文摘要

随着社会经济的飞速发展,石油化工行业蓬勃发展,有毒气体泄漏事故的发生频率也不断增加。由于这类事故具有突发性和不确定性,若不及时采取措施,往往造成严重的人员伤亡和财产损失。因此,需要相关部门在最短的时间内做出应急决策,以把损失减至最轻。决策中首先要考虑的就是疏散人群,但是如果泄漏源强度不明,那么需要疏散的范围则会很难决定：如果疏散范围过大,则劳民伤财,会造成大量无谓的经济损失；如果范围不够,则会增加人员伤亡。由此可以看出,泄漏源强度的确定是划定疏散范围的重要依据。而泄漏源附近的毒气浓度可以通过泄漏源强度、大气相关数据以及扩散模型求出,但由于现实地形跟风向复杂,往往需要对海量数据进行复杂的计算,才可能比较准确的确定源强,而应急救援对计算的实时性要求较高,由此可见,快速准确的推断出泄漏源强度是该领域一个亟待解决的重要问题。本文通过适用于持续泄露源的高斯烟羽扩散模型和在下风向测得的浓度数据,将测量浓度和计算浓度误差的平方和作为目标函数,这样就将源强反算问题转化为了最优化问题。再利用遗传算法对其进行随机优化,最后得到的最优解就是实际源强。但由于传统基于CPU串行的遗传算法求解大型源强反算问题时具有收敛慢,计算效率低下的问题,这难以满足应急救援的需要。本文利用GPU强大的浮点计算能力和高度并行的架构对传统遗传算法进行并行化处理。采用岛屿并行模型,令每一个线程处理一个染色体(个体)的相关遗传操作,每一个线程块处理一个岛屿(种群),并且个体之间和种群之间都可以进行信息的交流,以保证种群的整体质量不断提升。通过数据实验验证,本文提出的基于GPU加速的并行遗传算法可以有效减少源强反算问题的计算时间,与CPU程序相比可以提高数十倍,并且误差非常小,实验效果良好,达到了预期的实验目的。利用基于GPU的并行遗传算法可以快速有效地解决源强反算问题,确定泄漏源强度,进而通过扩散方程计算可以得出周边范围有毒气体的浓度分布,为疏散区域的划定提供参考,为相关救援计划的制定提供了重要的决策支持。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 源强反算问题研究背景及国内外研究现状
• 1.1.1 问题背景
• 1.1.2 国内外研究现状
• 1.2 GPU通用计算概述及发展
• 1.2.1 GPU通用计算概述
• 1.2.2 GPU通用计算发展
• 1.3 遗传算法概述及发展现状
• 1.3.1 遗传算法概述
• 1.3.2 遗传算法研究现状
• 1.4 利用GPU研究源强反算问题的意义
• 1.5 本文的主要工作和结构
• 2 基于GPU的并行遗传算法
• 2.1 CUDA编程模型
• 2.1.1 线程的组织结构
• 2.1.2 存储器的层次结构
• 2.1.3 CUDA执行模型
• 2.2 传统遗传算法
• 2.3 基于CUDA的并行遗传算法
• 2.3.1 算法模型设计与算法流程
• 2.3.2 Grid与Block的维度设计
• 2.3.3 遗传算子的并行化处理
• 2.3.4 种群迁移策略
• 2.3.5 存储器访问优化
• 2.4 本章小结
• 3 基于GPU的并行遗传算法在源强反算问题中的应用
• 3.1 毒气泄漏的特点及致因分析
• 3.1.1 毒气泄漏特点
• 3.1.2 毒气泄漏的致因分析
• 3.2 源强反算模型的选择与求解
• 3.3 基于GPU并行遗传算法的源强反算问题求解流程
• 3.4 实验结果及分析
• 3.5 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表学术论文情况
• 致谢