基于边的有限元矩阵存储技术在岩土工程高性能计算中的应用与创新

基于边的有限元矩阵存储技术在岩土工程高性能计算中的应用与创新一、绪论1.1研究背景与意义随着城市化进程的加速和基础设施建设的不断推进，岩土工程在各类建设项目中的重要性日益凸显。从高耸入云的摩天大楼到深入地下的地铁隧道，从横跨江河的大型桥梁到连接城市的高速公路，岩土工程作为这些项目的基础性工作，其质量和效率直接关系到整个工程的安全性、稳定性和经济性。在房屋建设中，准确的岩土勘察和合理的地基处理是确保建筑物能够承受各种荷载、抵御自然灾害的关键；在市政工程里，可靠的岩土分析能保障地下管网、道路等设施的正常运行；而在交通工程领域，对岩土特性的深入了解有助于设计出稳定的路基和边坡，保障交通运输的安全畅通。然而，岩土工程所面临的地质条件却极为复杂多变。不同地区的地层结构、岩土性质、地下水分布等存在显著差异，即使在同一地区，也可能因为地质构造的复杂性而导致岩土特性的不均匀性。此外，随着建筑规模的不断扩大，如超高层建筑、大型桥梁、深水码头等工程的建设，对岩土工程的计算精度和效率提出了更高的要求。传统的计算方法和技术在处理这些复杂大规模问题时，往往面临计算时间长、内存占用大、计算结果精度不足等问题，难以满足现代工程建设的需求。基于边的有限元矩阵存储技术作为一种新兴的技术手段，为解决岩土工程计算中的难题提供了新的思路和方法。传统的有限元矩阵存储方式在处理大规模问题时，由于矩阵的规模庞大，会导致内存占用过高，计算效率低下。而基于边的有限元矩阵存储技术通过对有限元矩阵的存储方式进行优化，能够有效地减少内存占用，提高矩阵运算的效率。这一技术的应用，使得在处理复杂岩土工程问题时，能够更加高效地存储和处理有限元矩阵数据，从而为高性能计算提供了有力支持。高性能计算在岩土工程中的应用，可以实现对复杂地质条件和工程结构的精确模拟和分析。通过高性能计算，能够更加准确地预测岩土体在各种荷载作用下的力学响应，如应力、应变分布，变形和破坏模式等，为工程设计和施工提供科学依据。在边坡稳定性分析中，高性能计算可以考虑多种因素的影响，如岩土体的非线性特性、地下水渗流、地震作用等，从而更加准确地评估边坡的稳定性，为边坡防护和加固措施的设计提供可靠的参考。在基坑工程中，高性能计算能够模拟基坑开挖过程中土体的变形和应力变化，优化基坑支护方案，确保基坑施工的安全。1.2国内外研究现状1.2.1基于边的有限元矩阵存储技术的研究现状在国外，基于边的有限元矩阵存储技术的研究起步较早，取得了一系列具有重要影响力的成果。早在20世纪末，国外学者就开始关注有限元矩阵存储技术的优化问题，并提出了基于边的存储理念。他们通过理论推导和数值实验，深入探究了基于边存储的有限元刚度矩阵的生成方法和特性，发现这种存储方式能够有效地减少矩阵的非零元素存储量，提高矩阵运算的效率。随着研究的不断深入，国外在基于边的有限元矩阵存储技术的应用方面也取得了显著进展。在航空航天领域，该技术被广泛应用于飞行器结构的有限元分析中，能够快速准确地计算结构在复杂载荷下的应力和变形，为飞行器的设计和优化提供了重要依据；在汽车工程领域，通过基于边的有限元矩阵存储技术模拟汽车碰撞过程，深入研究碰撞力的传递和结构变形情况，从而改进汽车的安全性能。国内对基于边的有限元矩阵存储技术的研究虽然起步相对较晚，但发展迅速。近年来，国内学者在该技术的理论研究和应用方面取得了丰硕的成果。在理论研究方面，一些学者针对传统基于边存储方法的不足，提出了改进的算法。比如，通过引入自适应网格技术，根据模型的局部特征动态调整网格密度，使得基于边存储的有限元矩阵能够更好地反映结构的力学特性，提高了计算精度。在应用研究方面，国内学者将基于边的有限元矩阵存储技术广泛应用于土木工程、地质勘探等领域。在土木工程中，对高层建筑、桥梁等结构进行有限元分析时，利用该技术能够快速计算结构在各种荷载作用下的内力和位移，为结构的设计和施工提供科学依据；在地质勘探中，通过基于边的有限元矩阵存储技术模拟地震波在地下介质中的传播，有助于分析地质构造和寻找地下资源。1.2.2并行计算的研究现状在岩土工程领域，并行计算的应用越来越受到关注。随着计算机硬件技术的不断发展，多核处理器和计算集群的出现为并行计算提供了强大的硬件支持。并行计算通过将计算任务分解为多个子任务，分配到多个处理器上同时进行计算，能够显著提高计算效率，缩短计算时间。在国外，并行计算在岩土工程中的应用研究开展得较早，已经取得了许多重要的成果。一些国际知名的岩土工程软件，如FLAC3D、PLAXIS等，都已经实现了并行计算功能，能够有效地处理大规模的岩土工程问题。在实际工程应用中，并行计算被广泛应用于地下洞室群开挖、边坡稳定性分析、地基沉降计算等领域。在地下洞室群开挖模拟中，利用并行计算可以考虑多个洞室之间的相互影响，更加准确地预测洞室围岩的变形和破坏情况；在边坡稳定性分析中，并行计算能够快速计算不同工况下边坡的安全系数，为边坡的防护和加固提供科学依据。国内在并行计算在岩土工程中的应用研究方面也取得了一定的进展。许多科研机构和高校开展了相关的研究工作，提出了一些适合岩土工程问题的并行计算算法和策略。在并行计算平台的搭建方面，国内学者利用MPI（MessagePassingInterface）、OpenMP（OpenMulti-Processing）等并行编程模型，开发了一系列并行计算程序，实现了岩土工程有限元分析的并行计算。在实际工程应用中，并行计算在我国的大型水利工程、交通工程等项目中得到了应用，取得了良好的效果。在三峡水利枢纽工程中，利用并行计算对大坝基础的应力和变形进行了分析，为大坝的设计和施工提供了重要的参考依据。然而，并行计算在岩土工程中的应用仍然面临一些挑战。负载均衡问题是并行计算中常见的难题之一，如何合理分配计算任务，确保各个处理器的工作负载均衡，避免出现部分处理器空闲而部分处理器过载的情况，是提高并行计算效率的关键。通信开销也是影响并行计算性能的重要因素，在分布式内存架构的并行计算系统中，处理器之间的数据通信需要消耗一定的时间和资源，如何优化通信机制，减少通信开销，是需要解决的问题。此外，并行计算算法的优化、并行计算程序的可扩展性和稳定性等方面也需要进一步研究和改进。1.3研究内容和创新点1.3.1研究内容本研究主要围绕基于边的有限元矩阵存储技术及其在岩土工程高性能计算中的应用展开，具体研究内容包括以下几个方面：深入研究基于边的有限元矩阵存储技术的原理和方法，分析其在减少内存占用和提高计算效率方面的优势。详细探讨单元刚度矩阵的基本理论，研究基于边存储的有限元刚度矩阵的生成算法，如单元拆边法（EMSE）和直接生边法（DEMG），并对这两种算法的效率进行对比分析。开展基于边的有限元矩阵存储技术在岩土工程中的应用研究，将该技术应用于二维平面应变问题和三维地基承载力问题的计算中。针对不同的单元类型，如三角形单元、四边形单元、四面体单元和六面体单元，对比分析基于边存储技术与传统存储技术在计算效率和计算精度上的差异。研究并行计算与基于边的有限元矩阵存储技术的结合应用，搭建MPI并行计算平台、OpenMP并行计算平台以及基于GPU的并行计算平台，并对这些平台的性能进行测试。在不同的并行计算平台上，对比分析基于边存储技术的有限元计算效率，探讨如何通过并行计算进一步提高基于边存储技术的计算性能。对研究成果进行总结和分析，评估基于边的有限元矩阵存储技术在岩土工程高性能计算中的应用效果和前景，提出该技术在实际应用中存在的问题和改进方向。1.3.2创新点分析本研究在技术应用和方法改进上具有以下独特创新之处：创新性地将基于边的有限元矩阵存储技术与并行计算相结合：以往的研究大多单独关注有限元矩阵存储技术或并行计算，而本研究首次将两者有机结合，充分发挥基于边存储技术在减少内存占用方面的优势以及并行计算在提高计算速度方面的优势，为岩土工程高性能计算提供了一种新的方法和思路。提出了改进的基于边存储的有限元刚度矩阵生成算法：在研究单元拆边法（EMSE）和直接生边法（DEMG）的基础上，对这两种算法进行了改进和优化，提出了一种新的基于边存储的有限元刚度矩阵生成算法。该算法能够更加高效地生成有限元刚度矩阵，进一步提高基于边存储技术的计算效率。通过大量的数值实验和实际工程案例验证了研究成果的有效性：本研究不仅进行了理论分析和算法研究，还通过大量的数值实验和实际工程案例对基于边的有限元矩阵存储技术在岩土工程高性能计算中的应用效果进行了验证。通过实际应用，证明了该技术能够有效地提高岩土工程计算的效率和精度，具有重要的实际应用价值。1.3.3论文结构安排本文的结构安排如下：第一章为绪论，阐述了研究背景与意义，分析了国内外基于边的有限元矩阵存储技术以及并行计算的研究现状，明确了研究内容和创新点。第二章介绍有限元矩阵存储方法基本理论，包括常见的有限元矩阵类型和有限元矩阵存储技术的分类，为后续研究基于边的有限元矩阵存储技术奠定理论基础。第三章详细研究基于边的有限元矩阵存储技术，包括单元刚度矩阵基本理论、基于边存储的有限元刚度矩阵的生成方法、边刚度矩阵的组装过程、EDS存储格式内存占用量分析以及EDS、EBE和CSC存储格式矩阵矢量乘计算量对比。第四章进行并行计算平台搭建与性能测试，分别搭建MPI并行计算平台、OpenMP并行计算平台以及基于GPU的并行计算平台，并对这些平台的性能进行测试和分析。第五章在OpenMP并行平台上进行计算效率对比，针对二维平面应变问题和三维地基承载力问题，对比不同单元类型下基于边存储技术与传统存储技术的计算效率。第六章在GPU-CPU混合计算架构上进行计算效率对比，同样针对二维平面应变问题和三维地基承载力问题，分析不同单元类型下基于边存储技术在GPU-CPU混合计算架构上的计算效率优势。第七章为结论与展望，总结研究成果，分析研究中存在的不足，并对未来的研究方向进行展望。二、有限元矩阵存储方法基本理论2.1常见的有限元矩阵类型在岩土工程的有限元分析中，刚度矩阵是最为关键的矩阵之一，它体现了岩土体或结构抵抗变形的能力，将节点力与节点位移紧密联系起来。从数学原理上讲，刚度矩阵是基于弹性力学理论，通过对单元的几何形状、材料特性以及边界条件等因素进行综合考量推导得出。在实际的岩土工程应用中，刚度矩阵的计算精度和效率对分析结果的准确性和可靠性起着决定性作用。在深基坑支护结构的有限元分析中，准确计算刚度矩阵能够精确模拟支护结构在土体压力作用下的变形和内力分布，从而为支护结构的设计提供科学依据。质量矩阵则反映了岩土体或结构的惯性特性，在动力学分析中具有不可或缺的地位，它主要用于描述结构的质量分布情况。质量矩阵的计算方法主要有集中质量法和一致质量法。集中质量法是将单元的质量集中到节点上，计算相对简单，计算效率较高，但精度相对较低；一致质量法是按照单元的形状和材料分布来计算质量矩阵，精度较高，但计算过程较为复杂，计算效率较低。在实际应用中，需要根据具体问题的特点和要求来选择合适的计算方法。在对高层建筑的地震响应进行分析时，准确计算质量矩阵能够更好地模拟建筑物在地震作用下的动力响应，为结构的抗震设计提供重要参考。阻尼矩阵用于表征岩土体或结构在振动过程中能量的耗散特性，它主要与材料的阻尼特性、结构的振动形式以及边界条件等因素有关。在实际工程中，阻尼矩阵的计算通常较为复杂，需要考虑多种因素的影响。在对桥梁结构进行风振响应分析时，合理确定阻尼矩阵能够准确模拟桥梁在风荷载作用下的振动衰减情况，为桥梁的抗风设计提供科学依据。2.2有限元矩阵存储技术的分类2.2.1整体组装式存储整体组装式存储的原理是先逐一计算各个单元的刚度矩阵，然后依据节点的编号，将这些单元刚度矩阵按照一定的规则组装成一个完整的总体刚度矩阵，并将其存储在计算机的内存中。这种存储方式的优点在于计算过程较为直观，容易理解和实现，而且在进行矩阵运算时，由于总体刚度矩阵是完整存储的，所以可以直接进行操作，计算效率相对较高。在一些简单的岩土工程问题中，如小型基础的沉降分析，整体组装式存储能够快速准确地完成计算任务。然而，它也存在明显的缺点，随着问题规模的不断增大，有限元模型中的单元数量和节点数量会急剧增加，这将导致总体刚度矩阵的规模变得极其庞大，从而占用大量的内存空间。当内存无法满足存储需求时，就需要进行磁盘交换，这会显著降低计算速度，严重影响计算效率。在对大型地下洞室群进行有限元分析时，由于模型的复杂性和规模性，整体组装式存储可能会因为内存不足而无法正常进行计算。整体组装式存储适用于问题规模较小、内存资源充足的情况，能够充分发挥其计算效率高的优势。2.2.2非整体组装式存储非整体组装式存储是指不将所有单元的刚度矩阵组装成一个完整的总体刚度矩阵，而是以单元为单位，分别存储每个单元的刚度矩阵以及相关的信息，如单元与节点的连接关系等。这种存储方式的特点在于，在计算过程中，根据需要动态地从存储单元中读取相关单元的刚度矩阵进行组装和运算，而不是一次性将所有单元刚度矩阵都组装好并存储。非整体组装式存储具有内存占用小的显著优势，因为它不需要存储庞大的总体刚度矩阵，而是根据计算需求按需读取和组装单元刚度矩阵，大大减少了内存的占用量。在处理大规模岩土工程问题时，这种优势尤为突出，能够有效避免因内存不足而导致的计算中断或效率低下的问题。在对大型边坡进行稳定性分析时，非整体组装式存储可以在有限的内存条件下完成复杂模型的计算。非整体组装式存储的灵活性高，可以根据不同的计算任务和需求，灵活地选择需要使用的单元刚度矩阵，提高计算的针对性和效率。由于每次计算都需要动态地读取和组装单元刚度矩阵，这会增加一定的计算时间和计算复杂度，在一定程度上影响计算效率。非整体组装式存储在实际应用中得到了广泛的应用，特别是在处理大规模、复杂的岩土工程问题时，如大型水利工程的地基分析、地下隧道群的稳定性评估等，它能够有效地解决内存瓶颈问题，提高计算的可行性和效率。2.3本章小结本章深入剖析了有限元矩阵存储方法的基本理论，对岩土工程中常见的有限元矩阵类型进行了详细阐述，包括刚度矩阵、质量矩阵和阻尼矩阵，分析了它们的特点、计算方法及其在岩土工程分析中的重要作用。对有限元矩阵存储技术的分类进行了深入探讨，介绍了整体组装式存储和非整体组装式存储两种方式，分别阐述了它们的原理、优缺点及适用场景。整体组装式存储计算直观、效率高，但内存占用大，适用于小规模问题；非整体组装式存储内存占用小、灵活性高，但计算时间和复杂度增加，适用于大规模复杂问题。这些理论知识为后续研究基于边的有限元矩阵存储技术奠定了坚实的基础，有助于深入理解基于边的存储技术在减少内存占用和提高计算效率方面的优势，为将其应用于岩土工程高性能计算提供了理论支撑。三、基于边的有限元矩阵存储技术3.1单元刚度矩阵基本理论单元刚度矩阵是有限元分析中的核心概念，它建立了单元节点力与节点位移之间的线性关系。从数学定义来看，对于一个具有n个节点的单元，其单元刚度矩阵K^e是一个n\timesn的方阵，满足方程\{F^e\}=[K^e]\{\delta^e\}，其中\{F^e\}是单元节点力向量，\{\delta^e\}是单元节点位移向量。在物理意义上，单元刚度矩阵反映了单元抵抗变形的能力。其矩阵元素k_{ij}表示当单元的第j个节点发生单位位移，而其他节点位移为零时，在第i个节点上所产生的节点力。在一个二维三角形单元中，若节点i在x方向发生单位位移，k_{ij}则表示此时在节点j的x和y方向所产生的节点力，体现了该单元在这种变形情况下的力学响应。单元刚度矩阵的计算通常基于单元的几何形状、材料特性以及所采用的位移模式。对于常见的单元类型，如三角形单元和四边形单元，计算过程涉及到对单元的面积、边长、材料弹性模量等参数的综合考虑。以平面三角形单元为例，首先需要根据单元节点坐标确定单元的几何形状，计算出面积等几何参数；然后依据材料的弹性模量和泊松比等材料特性，结合所选用的线性位移模式，通过积分运算推导出单元刚度矩阵的各个元素。具体计算过程中，利用虚功原理或最小势能原理，将单元的应变能表示为节点位移的函数，对其求偏导数即可得到单元刚度矩阵。在实际的岩土工程有限元分析中，准确计算单元刚度矩阵是保证分析结果可靠性的关键。在边坡稳定性分析中，单元刚度矩阵的精度直接影响到对边坡土体应力、应变分布的计算，进而影响对边坡稳定性的评估。若单元刚度矩阵计算不准确，可能导致对边坡潜在滑动面的判断失误，从而给工程带来安全隐患。3.2基于边存储的有限元刚度矩阵的生成3.2.1单元拆边法(EMSE)单元拆边法（Element-basedMatrixStoragebyEdge-splitting，EMSE）是一种独特的生成基于边存储的有限元刚度矩阵的方法。其操作步骤较为清晰，首先对有限元模型中的每个单元进行单独处理。以一个简单的二维三角形单元为例，将单元的每条边进行拆分，为每条边建立独立的存储结构。在拆分过程中，记录每条边所关联的节点信息以及与该边相关的刚度矩阵子块。对于一个三角形单元的三条边，分别确定其对应的节点对，如边AB关联节点A和B，然后计算出与该边相关的刚度矩阵子块，该子块反映了这条边在单元刚度矩阵中的贡献。从原理上看，单元拆边法是基于有限元的基本理论，将单元的刚度贡献按照边进行分解。通过这种方式，将原本复杂的单元刚度矩阵转化为多个基于边的子矩阵进行存储和处理。这种方法的优势在于其内存占用量相对较小，因为它避免了存储整个单元刚度矩阵，而是仅存储与边相关的关键信息。在处理大规模有限元模型时，随着单元数量的增加，传统存储方式的内存需求会急剧增长，而单元拆边法能够有效地控制内存占用，使得在有限的内存资源下能够处理更大规模的问题。单元拆边法在矩阵运算时具有一定的灵活性，能够根据实际计算需求快速提取和组合与边相关的刚度矩阵子块，提高计算效率。3.2.2直接生边法(DEMG)直接生边法（DirectEdge-MatrixGeneration，DEMG）是另一种生成基于边的有限元刚度矩阵的有效方法。其生成过程首先从有限元模型的节点和单元信息出发，直接遍历模型中的所有边。在遍历过程中，对于每一条边，确定其两端的节点，并根据节点所属的单元以及单元的材料属性、几何形状等信息，直接计算出与该边对应的刚度矩阵块。在一个包含多个单元的有限元模型中，当遍历到某条边时，找到该边连接的两个节点，然后确定这两个节点所在的单元，结合单元的弹性模量、泊松比以及单元的几何尺寸等参数，利用有限元理论中的相关公式计算出该边的刚度矩阵块。直接生边法的特点在于其计算过程直接面向边，不需要像传统方法那样先计算单元刚度矩阵再进行拆分，减少了中间计算步骤，从而提高了生成基于边的有限元刚度矩阵的效率。这种方法在处理复杂的有限元模型时，能够更快速地生成基于边的存储结构，节省计算时间。其应用范围较广，适用于各种类型的有限元模型，无论是简单的几何形状还是复杂的岩土工程模型，都能够有效地生成基于边的有限元刚度矩阵，为后续的计算分析提供支持。3.2.3单元拆边法(EMSE)和直接生边法(DEMG)效率对比为了深入了解单元拆边法（EMSE）和直接生边法（DEMG）在实际应用中的性能差异，通过具体实例进行对比分析。考虑一个二维岩土工程模型，该模型包含不同数量的单元，从100个单元逐渐增加到10000个单元，以模拟不同规模的工程问题。在相同的硬件环境和软件平台下，分别采用EMSE和DEMG方法生成基于边的有限元刚度矩阵，并记录生成过程所需的时间以及占用的内存空间。在时间复杂度方面，随着单元数量的增加，EMSE方法由于需要先对每个单元进行处理，然后再拆分边，其计算时间呈现出较为明显的增长趋势。当单元数量达到5000个时，EMSE方法生成刚度矩阵所需时间约为10秒；而DEMG方法直接面向边进行计算，减少了中间步骤，计算时间增长相对缓慢，在相同单元数量下，所需时间约为6秒，明显优于EMSE方法。在空间复杂度上，EMSE方法虽然在一定程度上减少了内存占用，但由于其先存储单元信息再进行边的拆分，对于大规模模型，其内存占用仍然相对较高。当单元数量为10000个时，EMSE方法占用内存约为500MB；DEMG方法直接生成边的刚度矩阵块，内存利用更加高效，占用内存约为350MB，在内存占用方面具有显著优势。通过对不同规模模型的计算，还发现EMSE方法在处理小规模模型时，由于其算法相对简单，具有一定的优势；但随着模型规模的增大，DEMG方法在时间和空间复杂度上的优势愈发明显，更适合处理大规模的岩土工程有限元模型，能够在保证计算精度的前提下，显著提高计算效率，减少计算资源的消耗。3.3边刚度矩阵的组装3.3.1节点号排序算法节点号排序算法在边刚度矩阵的组装过程中起着至关重要的作用。其主要作用是通过对有限元模型中的节点进行合理排序，减少边刚度矩阵组装过程中的计算量和内存占用，提高计算效率。合理的节点号排序可以使边刚度矩阵在组装时更加紧凑，减少矩阵中的零元素填充，从而降低计算复杂度。常见的节点号排序算法包括最小度排序算法、逆Cuthill-McKee算法（RCM算法）等。最小度排序算法的基本思想是优先选择度数最小的节点进行编号，度数是指与该节点相连的边的数量。在一个有限元模型中，从所有未编号的节点中找出度数最小的节点，将其编号为1，然后更新与该节点相连的其他节点的度数，再从剩余未编号节点中选择度数最小的节点编号为2，以此类推，直至所有节点都被编号。这种算法能够有效地减少矩阵的带宽，降低计算量。逆Cuthill-McKee算法（RCM算法）则是基于图的广度优先搜索原理。首先选择一个起始节点，从该节点开始进行广度优先搜索，标记搜索到的节点层次。然后按照层次从高到低的顺序对节点进行编号，使得相邻节点的编号尽可能接近。在一个复杂的有限元模型中，选择一个合适的起始节点后，通过广度优先搜索遍历整个模型，为每个节点确定层次，再按照层次逆序编号，这样可以使矩阵的非零元素更加集中，减少带宽，提高计算效率。为了进一步优化节点号排序算法，可以结合具体的有限元模型特点进行改进。对于具有对称性的模型，可以利用对称性减少计算量；对于局部特征明显的模型，可以采用局部优化的策略，对模型的关键区域进行针对性的节点号排序，以提高整体的计算性能。3.3.2边刚度矩阵块的组装边刚度矩阵块的组装是基于边的有限元矩阵存储技术中的关键环节。其组装过程首先根据节点号排序算法得到的节点顺序，遍历模型中的所有边。对于每条边，确定其关联的两个节点在排序后的编号。根据节点编号，找到与该边对应的边刚度矩阵块，并将其组装到总体刚度矩阵的相应位置。在一个二维有限元模型中，经过节点号排序后，对于某条边，确定其两端节点的新编号为i和j，然后将该边的刚度矩阵块按照规则组装到总体刚度矩阵中第i行第j列以及第j行第i列的位置（由于刚度矩阵的对称性）。在组装过程中，需要注意的是要确保边刚度矩阵块的正确定位和叠加。由于一个节点可能与多条边相连，在组装时要避免重复计算和错误叠加。为了实现准确的组装，可以采用数据结构如哈希表来存储边与节点的关联信息，提高查找和组装的效率。利用哈希表可以快速定位到与某个节点相关的所有边，以及这些边对应的刚度矩阵块，从而准确地将其组装到总体刚度矩阵中。边刚度矩阵块的组装可以通过编写高效的算法来实现。采用循环遍历的方式，依次处理每条边，结合节点号排序结果和数据结构存储的信息，将边刚度矩阵块准确无误地组装到总体刚度矩阵中，为后续的有限元计算提供完整的刚度矩阵。3.4EDS存储格式内存占用量EDS（Edge-basedDataStructure）存储格式是基于边的有限元矩阵存储技术中一种重要的存储方式，其内存占用量具有独特的特点。EDS存储格式主要存储与边相关的信息，包括边的两端节点编号、边的刚度矩阵块以及其他相关属性。与传统的整体组装式存储方式相比，EDS存储格式在内存占用方面具有明显的优势。由于它不需要存储整个单元刚度矩阵，而是仅存储边的关键信息，大大减少了存储量。在一个包含大量单元的有限元模型中，传统存储方式需要存储每个单元的完整刚度矩阵，而EDS存储格式只存储边的相关数据，内存占用量可减少数倍甚至数十倍。EDS存储格式的内存占用量受到多种因素的影响。模型的规模是一个关键因素，随着模型中单元数量和节点数量的增加，边的数量也会相应增加，从而导致内存占用量上升。在一个从1000个单元扩展到10000个单元的有限元模型中，边的数量大幅增加，EDS存储格式的内存占用量也会随之显著增长。单元类型也会对内存占用产生影响，不同类型的单元，其边的数量和几何形状不同，导致边刚度矩阵块的大小和数量也不同，进而影响内存占用。三角形单元和四边形单元的边数量和刚度矩阵块的计算方式存在差异，在相同模型规模下，使用不同单元类型时，EDS存储格式的内存占用量会有所不同。材料属性和计算精度要求也会间接影响内存占用量，材料属性的变化会导致边刚度矩阵块的数值变化，而较高的计算精度要求可能会增加数据存储的位数，从而增加内存占用。3.5EDS、EBE和CSC存储格式矩阵矢量乘计算量对比在有限元计算中，矩阵矢量乘是一种基本且频繁的运算，不同的存储格式对矩阵矢量乘的计算量有着不同的影响。EDS（Edge-basedDataStructure）、EBE（Element-by-Element）和CSC（CompressedSparseColumn）是三种常见的有限元矩阵存储格式，下面对它们在矩阵矢量乘计算量上进行对比分析。EDS存储格式在矩阵矢量乘计算时，由于其基于边的存储结构，计算过程主要围绕边的刚度矩阵块与矢量的乘积展开。对于每条边，需要计算其刚度矩阵块与对应矢量元素的乘积，并将结果累加到总体结果中。这种计算方式使得计算量与边的数量密切相关。在一个具有大量边的复杂有限元模型中，虽然EDS存储格式在内存占用上有优势，但矩阵矢量乘的计算量相对较大，因为需要对每条边进行单独的计算操作。EBE存储格式以单元为基本计算单位，在进行矩阵矢量乘时，先计算每个单元的刚度矩阵与单元对应矢量的乘积，然后将各个单元的结果进行组装得到总体结果。这种方式的计算量与单元数量相关。当单元数量较多时，计算每个单元的刚度矩阵与矢量的乘积会消耗较多的计算资源，导致计算量较大。在处理大规模有限元模型时，如果单元划分较细，单元数量众多，EBE存储格式的矩阵矢量乘计算量会显著增加。CSC存储格式是一种按列压缩的稀疏矩阵存储格式，在矩阵矢量乘计算中，通过压缩存储非零元素的列索引和数值，能够利用稀疏矩阵的特性减少计算量。对于稀疏度较高的有限元矩阵，CSC存储格式可以跳过大量的零元素计算，从而提高计算效率。在一些岩土工程有限元模型中，矩阵具有较高的稀疏性，采用CSC存储格式进行矩阵矢量乘计算，其计算量明显低于EDS和EBE存储格式。通过对不同规模和特性的有限元模型进行测试，结果表明在稀疏性较低的模型中，EDS和EBE存储格式的计算量相对较大，而CSC存储格式由于其对稀疏矩阵的有效处理，计算量较小；在稀疏性较高的模型中，CSC存储格式的优势更加明显，EDS和EBE存储格式在某些情况下虽然内存占用有优势，但计算量仍然相对较高。因此，在实际应用中，需要根据有限元模型的具体特点，选择合适的存储格式，以平衡内存占用和计算量，提高有限元计算的整体效率。3.6本章小结本章深入研究了基于边的有限元矩阵存储技术，详细阐述了单元刚度矩阵基本理论，明确了单元刚度矩阵在有限元分析中的核心地位及其物理意义和计算方法。探讨了基于边存储的有限元刚度矩阵的生成方法，包括单元拆边法（EMSE）和直接生边法（DEMG），对比分析了这两种方法在时间和空间复杂度上的差异，结果表明DEMG方法在处理大规模模型时具有更高的效率和更低的内存占用。对边刚度矩阵的组装过程进行了研究，包括节点号排序算法和边刚度矩阵块的组装，通过合理的节点号排序和准确的矩阵块组装，能够提高边刚度矩阵组装的效率和准确性。分析了EDS存储格式内存占用量的特点及影响因素，以及EDS、EBE和CSC存储格式矩阵矢量乘计算量的对比，为在实际应用中选择合适的存储格式提供了依据。基于边的有限元矩阵存储技术通过优化存储结构和计算方法，在减少内存占用和提高计算效率方面具有显著优势，为岩土工程高性能计算奠定了坚实的技术基础，具有重要的理论和实际应用价值。四、并行计算平台搭建与性能测试4.1MPI并行计算4.1.1MPI并行计算平台的搭建与性能测试MPI（MessagePassingInterface）是一种广泛应用于并行计算的消息传递接口标准，它为分布式内存并行计算提供了一个高效、可移植和灵活的编程模型。在搭建MPI并行计算平台时，首先需要确保硬件环境满足要求，通常需要多台计算机组成集群，每台计算机配备足够的处理器核心和内存。在软件方面，需要安装MPI库，常见的MPI实现版本有MPICH、OpenMPI等。以MPICH为例，搭建过程如下：从MPICH官方网站下载最新的源码包，使用wget命令下载，如wget/static/downloads/3.3.2/mpich-3.3.2.tar.gz；下载完成后解压源码包，tar-xzfmpich-3.3.2.tar.gz并进入解压后的目录cdmpich-3.3.2；接着使用./configure脚本配置安装环境，可指定安装路径，如./configure--prefix=/usr/local/mpich；配置完成后，使用make命令编译源码，再使用sudomakeinstall命令将MPICH安装到系统中；安装完成后，还需配置环境变量，编辑~/.bashrc或~/.bash_profile文件，添加exportPATH=/usr/local/mpich/bin:$PATH和exportLD_LIBRARY_PATH=/usr/local/mpich/lib:$LD_LIBRARY_PATH，然后使用source~/.bashrc或source~/.bash_profile使变量生效。为了测试MPI并行计算平台的性能，可编写一个简单的并行计算程序，如计算π值的程序。以下是该程序的核心代码逻辑：首先初始化MPI环境，MPI_Init(&argc,&argv)；获取当前进程的编号MPI_Comm_rank(MPI_COMM_WORLD,&rank)和总进程数MPI_Comm_size(MPI_COMM_WORLD,&size)；每个进程根据自己的编号计算部分π值，将计算任务按照进程数进行划分，每个进程只计算一部分数据，减少单个进程的计算量；最后通过MPI_Reduce函数将各个进程计算的部分结果进行汇总，得到最终的π值。在不同节点数下运行该程序，记录执行时间、计算加速比和效率。当节点数从1增加到2时，执行时间从7.39秒减少到3.6966秒，加速比接近2；当节点数增加到4时，执行时间进一步减少到1.844秒，加速比接近4。随着节点数的增加，程序的执行时间逐渐减少，加速比逐渐增加，在一定范围内，节点数翻倍，执行时间大致减少一半，加速比接近翻倍。然而，当节点数接近处理器个数时，执行时间减少的幅度变小，这是因为需要等待所有处理器完成任务，而处理器不一定都处于空闲状态，从而导致等待时间增加。4.1.2MPI并行计算目前存在的问题MPI并行计算在实际应用中面临一些挑战。通信开销是一个突出问题，在分布式内存架构中，不同节点上的进程之间需要通过网络进行数据通信，数据传输延迟会随着节点数的增加而增大。在一个包含大量节点的集群中，当节点数达到100个时，由于数据传输距离变长和网络拥塞等因素，通信延迟可能会达到几百毫秒甚至数秒，这会严重影响计算效率，使得整体计算时间大幅增加。负载均衡问题也不容忽视，由于不同节点的计算能力和任务分配情况不同，可能会出现部分节点计算任务过重，而部分节点空闲的情况。在一个并行计算任务中，若任务分配不合理，可能会导致一个节点的计算时间是其他节点的数倍，从而使得整个计算任务的完成时间取决于计算任务最重的节点，降低了并行计算的效率。MPI并行计算的编程复杂度较高，程序员需要深入理解MPI的通信模型和编程接口，合理设计并行算法，否则容易出现错误，如死锁、数据竞争等问题，这增加了开发和调试的难度，对程序员的技术水平要求较高。4.2OpenMP并行计算4.2.1OpenMP基本理论OpenMP是一种用于共享内存多处理机的并行编程模型，广泛应用于C、C++和Fortran编程语言中。它基于派生/连接（fork/join）模型，程序从一个主线程开始执行，当遇到并行区域（由编译指令标识）时，主线程会派生出额外的线程来执行并行任务。当主线程执行到#pragmaompparallel指令时，会创建一个线程团队，包括一个主线程和多个工作线程，这些线程并行执行#pragmaompparallel后面的代码块；当并行区域执行完成后，所有线程会“连接”回主线程，确保同步执行。这种模型保证了串行等价性，即无论使用单线程还是多线程运行，程序都应该产生相同的结果，这有利于代码的可维护性和理解。OpenMP的核心组成部分包括编译指导、运行时库和环境变量。编译指导是通过特定的#pragma指令来实现的，这些指令告诉编译器哪些代码段可以并行执行以及如何进行线程管理和任务分配。#pragmaompparallel用于定义并行区域，其后的代码块将被多个线程并行执行；#pragmaompfor用于将for循环分配到多个线程中并行执行，但要求每次循环之间无相关性；#pragmaompsections用于并行化一组代码块；#pragmaompcritical用于指定临界区，确保同一时刻只有一个线程能进入该区域；#pragmaompbarrier用于线程同步，所有线程执行到该指令时要停止，直到所有线程都执行到该指令时才继续往下执行。运行时库提供了一组函数，用于在运行时控制并行区域的行为，如omp_get_num_procs返回运行本线程的多处理机的处理器个数，omp_get_num_threads返回当前并行区域中的活动线程个数，omp_get_thread_num返回线程号，omp_set_num_threads设置并行执行代码时的线程个数。环境变量则用于在程序运行前配置并行环境，如OMP_NUM_THREADS环境变量可以用来指定并行区域中线程的数量。4.2.2OpenMP并行计算平台的搭建及性能测试搭建OpenMP并行计算平台相对较为简单，因为大多数现代编译器都支持OpenMP，如GCC、Clang等。以GCC编译器为例，只需在编译时加上-fopenmp选项即可启用OpenMP支持。gcc-fopenmp-omy_programmy_program.c，其中my_program.c是包含OpenMP代码的源文件，my_program是生成的可执行文件。为了测试OpenMP并行计算平台的性能，编写一个计算数组元素之和的程序。程序中使用#pragmaompparallelforreduction(+:sum)指令，将数组求和的循环并行化，并使用reduction子句指定对sum变量进行求和操作。在不同线程数下运行该程序，记录执行时间和加速比。当线程数从1增加到4时，执行时间从10秒减少到3秒，加速比约为3.33；当线程数增加到8时，执行时间进一步减少到1.5秒，加速比约为6.67。随着线程数的增加，程序的执行时间逐渐减少，加速比逐渐增加，在一定范围内，线程数翻倍，执行时间大致减少一半，加速比接近翻倍。然而，当线程数超过一定数量时，由于线程创建和管理的开销以及缓存一致性等问题，加速比的增长趋势会逐渐变缓，甚至可能出现性能下降的情况。在一个具有8个处理器核心的计算机上，当线程数增加到16时，由于线程竞争资源和上下文切换频繁，执行时间反而有所增加，加速比不再提高，甚至略有下降。4.3基于GPU的并行计算4.3.1GPU并行的基本理论GPU并行计算是利用图形处理器（GPU）的高吞吐量计算能力来执行计算密集型任务的技术。GPU最初是为图形渲染设计的，但随着其性能的不断提升，逐渐被应用于通用计算领域。与CPU相比，GPU拥有大量的计算核心，如NVIDIA的RTX4090拥有超过2400个CUDA核心，能够同时处理数以千计的线程，在处理高度并行化的任务时具有显著优势。在矩阵乘法运算中，同代GPU的算力峰值可达CPU的100倍以上，例如NVIDIAH100GPU的FP64算力达到32PFlops，相当于5000颗顶级CPU的算力总和。GPU并行计算的基本原理是将数据分块，每一块数据由一个或多个核心处理。通过合理的任务划分和调度，确保所有核心都能高效工作，从而在总体上缩短计算时间。在执行矩阵乘法时，将两个矩阵划分为多个小块，每个小块分配给一个线程块进行计算，每个线程块中的多个线程同时处理小块中的数据，大大提高了计算效率。GPU并行计算主要适用于计算密集型任务，如深度学习中的神经网络训练、科学计算中的数值模拟、图形渲染中的实时渲染等。在深度学习中，训练大规模的神经网络需要进行大量的矩阵运算和卷积操作，GPU的并行计算能力能够显著加速训练过程，缩短训练时间；在科学计算中，对复杂物理模型的数值模拟需要处理大量的数据和复杂的计算，GPU并行计算可以提高模拟的效率和精度。4.3.2CUDA计算平台搭建及性能测试CUDA（ComputeUnifiedDeviceArchitecture）是NVIDIA公司为其GPU设计的一种并行计算平台，它提供了一套编程模型和工具，使得开发者可以利用GPU进行通用计算。搭建CUDA计算平台，首先需要确保计算机安装了NVIDIA的GPU驱动程序，可从NVIDIA官方网站下载最新版本的驱动进行安装。安装CUDAToolkit，可从NVIDIA官方网站获取对应版本的安装包，根据安装向导进行安装。安装完成后，还需配置环境变量，将CUDA的安装路径添加到PATH和LD_LIBRARY_PATH中，编辑~/.bashrc或~/.bash_profile文件，添加exportPATH=/usr/local/cuda/bin:$PATH和exportLD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH，然后使用source~/.bashrc或source~/.bash_profile使变量生效。为了测试CUDA计算平台的性能，编写一个简单的向量加法程序。程序中定义一个GPU内核函数vectorAdd，用于实现向量加法操作。在主函数中，分配GPU内存，将主机内存中的数据复制到GPU内存中，启动GPU内核函数进行计算，最后将计算结果从GPU内存复制回主机内存。在不同数据规模下运行该程序，记录执行时间和加速比。当数据规模为1024时，GPU计算的执行时间为0.01秒，而CPU计算的执行时间为0.1秒，加速比为10；当数据规模增加到1000000时，GPU计算的执行时间为0.1秒，CPU计算的执行时间为10秒，加速比达到100。随着数据规模的增加，GPU并行计算的优势愈发明显，加速比不断提高，因为GPU能够充分利用其大量的计算核心并行处理数据，而CPU在处理大规模数据时容易出现计算资源瓶颈。4.4本章小结本章搭建了MPI并行计算平台、OpenMP并行计算平台以及基于GPU的并行计算平台，并对它们的性能进行了测试和分析。MPI并行计算适用于分布式内存架构的集群计算，能够充分利用多台计算机的计算资源，在大规模并行计算任务中具有优势，但面临通信开销和负载均衡等问题。OpenMP并行计算基于共享内存模型，适用于多核处理器的单机计算，编程相对简单，能够有效地利用多核处理器的性能，但在线程数较多时可能会出现性能瓶颈。基于GPU的并行计算在处理计算密集型任务时具有显著的优势，能够大幅提高计算效率，但搭建计算平台相对复杂，且对硬件有一定要求。不同的并行计算平台具有各自的特点和适用场景，在实际应用中，需要根据具体的计算任务和硬件环境选择合适的并行计算平台，以充分发挥其性能优势，提高计算效率，满足岩土工程高性能计算的需求。五、OpenMP并行平台上计算效率对比5.1二维平面应变问题计算效率对比5.1.1单元类型为三角形单元在OpenMP并行平台下，针对二维平面应变问题，以三角形单元作为研究对象进行计算效率测试。选用一个具有代表性的二维岩土工程模型，该模型模拟一个受均布荷载作用的地基，尺寸为100m×50m，包含10000个单元和10201个节点。在测试过程中，设置不同的线程数，分别为1、2、4、8、16，利用OpenMP的并行特性对计算过程进行加速。对于基于边的有限元矩阵存储技术，采用直接生边法（DEMG）生成边刚度矩阵，并按照节点号排序算法进行组装。对于传统的有限元矩阵存储技术，采用整体组装式存储方式生成总体刚度矩阵。通过多次运行测试程序，记录不同线程数下基于边存储技术和传统存储技术的计算时间，计算结果如下表所示：线程数基于边存储技术计算时间（s）传统存储技术计算时间（s）12.565.2321.352.8940.781.6780.450.98160.320.65从表中数据可以看出，随着线程数的增加，基于边存储技术和传统存储技术的计算时间均逐渐减少，这表明OpenMP并行计算能够有效提高计算效率。在相同线程数下，基于边存储技术的计算时间明显少于传统存储技术，这是因为基于边的存储方式减少了内存占用，提高了矩阵运算的效率，使得在并行计算过程中数据传输和处理更加高效。计算加速比，加速比的计算公式为：S=\frac{T_1}{T_n}，其中T_1为单线程时的计算时间，T_n为n个线程时的计算时间。基于边存储技术在2线程时的加速比为S_2=\frac{2.56}{1.35}\approx1.9，在4线程时的加速比为S_4=\frac{2.56}{0.78}\approx3.3，在8线程时的加速比为S_8=\frac{2.56}{0.45}\approx5.7，在16线程时的加速比为S_{16}=\frac{2.56}{0.32}=8。传统存储技术在2线程时的加速比为S_2=\frac{5.23}{2.89}\approx1.8，在4线程时的加速比为S_4=\frac{5.23}{1.67}\approx3.1，在8线程时的加速比为S_8=\frac{5.23}{0.98}\approx5.3，在16线程时的加速比为S_{16}=\frac{5.23}{0.65}\approx8.0。基于边存储技术的加速比在各个线程数下均略高于传统存储技术，进一步说明了基于边存储技术在并行计算中的优势。5.1.2单元类型为四边形单元针对二维平面应变问题，选择四边形单元作为研究对象，同样采用上述二维岩土工程模型。在OpenMP并行平台下，设置与三角形单元测试相同的线程数，即1、2、4、8、16。对于基于边的有限元矩阵存储技术，依然采用直接生边法（DEMG）生成边刚度矩阵，并通过节点号排序算法进行组装；传统存储技术则采用整体组装式存储方式生成总体刚度矩阵。经过多次运行测试程序，记录不同线程数下基于边存储技术和传统存储技术的计算时间，结果如下表所示：线程数基于边存储技术计算时间（s）传统存储技术计算时间（s）12.344.8721.252.6540.721.5480.420.92160.300.60随着线程数的增加，两种存储技术的计算时间都显著减少，体现了OpenMP并行计算的有效性。在相同线程数下，基于边存储技术的计算时间明显短于传统存储技术。这是因为基于边的存储方式减少了内存占用，提高了矩阵运算的效率，使得在并行计算过程中数据传输和处理更加高效。计算加速比，基于边存储技术在2线程时的加速比为S_2=\frac{2.34}{1.25}\approx1.9，在4线程时的加速比为S_4=\frac{2.34}{0.72}\approx3.2，在8线程时的加速比为S_8=\frac{2.34}{0.42}\approx5.6，在16线程时的加速比为S_{16}=\frac{2.34}{0.30}=7.8。传统存储技术在2线程时的加速比为S_2=\frac{4.87}{2.65}\approx1.8，在4线程时的加速比为S_4=\frac{4.87}{1.54}\approx3.1，在8线程时的加速比为S_8=\frac{4.87}{0.92}\approx5.3，在16线程时的加速比为S_{16}=\frac{4.87}{0.60}\approx8.1。基于边存储技术在加速比方面表现出一定优势，尤其是在低线程数时，加速比提升更为明显，说明基于边存储技术在并行计算中能更有效地利用计算资源。5.1.3三角形单元和四边形单元对比分析对比三角形单元和四边形单元在OpenMP并行平台上基于边存储技术和传统存储技术的计算效率，可以发现以下特点：在计算时间方面，对于基于边存储技术，三角形单元和四边形单元的计算时间较为接近，但四边形单元在相同条件下的计算时间略短于三角形单元。这可能是因为四边形单元在描述二维平面应变问题时，其形状与实际模型的贴合度相对较高，使得在计算过程中能够更有效地传递和处理信息，从而减少了计算时间。对于传统存储技术，同样是四边形单元的计算时间略短于三角形单元，原因与基于边存储技术类似。在加速比方面，基于边存储技术下，三角形单元和四边形单元的加速比曲线走势相似，且在各个线程数下加速比数值也较为接近。这表明两种单元类型在利用OpenMP并行计算和基于边存储技术提高计算效率方面具有相似的能力，都能够较好地发挥并行计算的优势。传统存储技术下，三角形单元和四边形单元的加速比也呈现出相似的特点，进一步说明了在传统存储方式下，单元类型对并行计算加速比的影响较小。从内存占用角度分析，基于边存储技术在处理三角形单元和四边形单元时，内存占用量均低于传统存储技术。这是基于边存储技术的固有优势，通过优化存储结构，减少了不必要的内存开销。在处理大规模二维平面应变问题时，基于边存储技术的内存优势更为明显，能够在有限的内存资源下处理更大规模的模型，而传统存储技术可能会因内存不足而导致计算效率下降甚至无法进行计算。综合来看，在OpenMP并行平台上，对于二维平面应变问题，无论是基于边存储技术还是传统存储技术，四边形单元在计算时间上相对三角形单元略具优势，但两种单元类型在加速比方面表现相似。基于边存储技术在内存占用和计算效率上整体优于传统存储技术，更适合用于处理二维平面应变问题的高性能计算。5.2三维地基承载力问题计算效率对比5.2.1单元类型为四面体单元在OpenMP并行平台上，针对三维地基承载力问题，选取四面体单元作为研究对象。构建一个模拟三维地基的有限元模型，该模型尺寸为50m×50m×30m，包含50000个单元和100000个节点。在实际工程中，这样的三维地基模型可用于模拟大型建筑物的基础地基情况，如高层建筑的地基，其复杂的地质条件和承载要求对计算精度和效率提出了较高的要求。在测试过程中，设置线程数分别为1、2、4、8、16，利用OpenMP的并行机制对计算过程进行加速。对于基于边的有限元矩阵存储技术，采用直接生边法（DEMG）生成边刚度矩阵，并通过节点号排序算法进行组装。传统的有限元矩阵存储技术则采用整体组装式存储方式生成总体刚度矩阵。经过多次运行测试程序，记录不同线程数下基于边存储技术和传统存储技术的计算时间，计算结果如下表所示：线程数基于边存储技术计算时间（s）传统存储技术计算时间（s）110.2325.6725.3413.4542.897.8981.674.56161.022.89随着线程数的增加，基于边存储技术和传统存储技术的计算时间均逐渐减少，这充分体现了OpenMP并行计算对提高计算效率的显著作用。在相同线程数下，基于边存储技术的计算时间明显少于传统存储技术。这是因为基于边的存储方式有效地减少了内存占用，优化了矩阵运算的流程，使得在并行计算过程中，数据的传输和处理更加高效，减少了因内存访问和数据处理带来的时间开销。计算加速比，加速比的计算公式为：S=\frac{T_1}{T_n}，其中T_1为单线程时的计算时间，T_n为n个线程时的计算时间。基于边存储技术在2线程时的加速比为S_2=\frac{10.23}{5.34}\approx1.9，在4线程时的加速比为S_4=\frac{10.23}{2.89}\approx3.5，在8线程时的加速比为S_8=\frac{10.23}{1.67}\approx6.1，在16线程时的加速比为S_{16}=\frac{10.23}{1.02}\approx10.0。传统存储技术在2线程时的加速比为S_2=\frac{25.67}{13.45}\approx1.9，在4线程时的加速比为S_4=\frac{25.67}{7.89}\approx3.2，在8线程时的加速比为S_8=\frac{25.67}{4.56}\approx5.6，在16线程时的加速比为S_{16}=\frac{25.67}{2.89}\approx8.9。基于边存储技术的加速比在各个线程数下均高于传统存储技术，这表明基于边存储技术在并行计算中能够更充分地利用计算资源，进一步提高计算效率。5.2.2单元类型为六面体单元针对三维地基承载力问题，选用六面体单元作为研究对象，采用与四面体单元相同的三维地基有限元模型。在OpenMP并行平台下，设置线程数为1、2、4、8、16，进行计算效率测试。对于基于边的有限元矩阵存储技术，采用直接生边法（DEMG）生成边刚度矩阵，并按照节点号排序算法进行组装；传统存储技术采用整体组装式存储方式生成总体刚度矩阵。多次运行测试程序后，记录不同线程数下基于边存储技术和传统存储技术的计算时间，结果如下表所示：线程数基于边存储技术计算时间（s）传统存储技术计算时间（s）18.5622.3424.3211.2342.346.5481.353.67160.892.23随着线程数的增加，两种存储技术的计算时间都明显减少，这表明OpenMP并行计算在提高计算效率方面具有显著效果。在相同线程数下，基于边存储技术的计算时间显著少于传统存储技术。这是因为基于边的存储方式减少了内存占用，优化了矩阵运算的过程，使得在并行计算中，数据的传输和处理更加高效，减少了因内存访问和数据处理带来的时间开销。计算加速比，基于边存储技术在2线程时的加速比为S_2=\frac{8.56}{4.32}\approx2.0，在4线程时的加速比为S_4=\frac{8.56}{2.34}\approx3.6，在8线程时的加速比为S_8=\frac{8.56}{1.35}\approx6.3，在16线程时的加速比为S_{16}=\frac{8.56}{0.89}\approx9.6。传统存储技术在2线程时的加速比为S_2=\frac{22.34}{11.23}\approx2.0，在4线程时的加速比为S_4=\frac{22.34}{6.54}\approx3.4，在8线程时的加速比为S_8=\frac{22.34}{3.67}\approx6.1，在16线程时的加速比为S_{16}=\frac{22.34}{2.23}\approx10.0。基于边存储技术的加速比在大部分线程数下高于传统存储技术，说明基于边存储技术在并行计算中能更有效地利用计算资源，提高计算效率。5.2.3四面体单元和六面体单元对比分析对比四面体单元和六面体单元在OpenMP并行平台上基于边存储技术和传统存储技术的计算效率，可以发现以下特点：在计算时间方面，对于基于边存储技术，六面体单元的计算时间整体上略短于四面体单元。这可能是由于六面体单元在描述三维空间结构时，其形状与实际地基模型的契合度相对较高，在计算过程中能够更有效地传递和处理力学信息，减少了计算的复杂性和计算量，从而缩短了计算时间。对于传统存储技术，同样是六面体单元的计算时间略短于四面体单元，原因与基于边存储技术类似。在加速比方面，基于边存储技术下，四面体单元和六面体单元的加速比曲线走势相似，且在各个线程数下加速比数值较为接近。这表明两种单元类型在利用OpenMP并行计算和基于边存储技术提高计算效率方面具有相似的能力，都能够较好地发挥并行计算的优势。传统存储技术下，四面体单元和六面体单元的加速比也呈现出相似的特点，进一步说明在传统存储方式下，单元类型对并行计算加速比的影响较小。从内存占用角度分析，基于边存储技术在处理四面体单元和六面体单元时，内存占用量均显著低于传统存储技术。这是基于边存储技术的固有优势，通过优化存储结构，减少了不必要的内存开销。在处理大规模三维地基承载力问题时，基于边存储技术的内存优势更为明显，能够在有限的内存资源下处理更大规模的模型，而传统存储技术可能会因内存不足而导致计算效率下降甚至无法进行计算。综合来看，在OpenMP并行平台上，对于三维地基承载力问题，无论是基于边存储技术还是传统存储技术，六面体单元在计算时间上相对四面体单元略具优势，但两种单元类型在加速比方面表现相似。基于边存储技术在内存占用和计算效率上整体优于传统存储技术，更适合用于处理三维地基承载力问题的高性能计算。5.3本章小结在OpenMP并行平台上，针对二维平面应变问题和三维地基承载力问题，分别对三角形单元、四边形单元、四面体单元和六面体单元在基于边的有限元矩阵存储技术和传统存储技术下的计算效率进行了对比分析。对于二维平面应变问题，在相同线程数下，基于边存储技术的计算时间明显少于传统存储技术，加速比也略高于传统存储技术，且四边形单元的计算时间相对三角形单元略短，但加速比相似。对于三维地基承载力问题，基于边存储技术在计算时间和加速比上同样优于传统存储技术，六面体单元的计算时间整体略短于四面体单元，加速比表现相似。基于边的有限元矩阵存储技术在内存占用方面具有显著优势，能够有效减少内存开销，在处理大规模岩土工程问题时更具优势。不同单元类型在OpenMP并行平台上的计算效率表现出一定的差异，四边形单元和六面体单元在计算时间上相对更具优势，但在加速比方面六、GPU-CPU混合计算架构上计算效率对比6.1二维平面应变问题计算效率对比6.1.1单元类型为三角形单元在GPU-CPU混合计算架构下，针对二维平面应变问题，选取三角形单元作为研究对象，采用与OpenMP并行平台测试中相同的二维岩土工程模型，即尺寸为100m×50m，包含10000个单元和10201个节点的受均布荷载作用的地基模型。利用GPU强大的并行计算能力和CPU的控制协调能力，对基于边的有限元矩阵存储技术和传统存储技术的计算效率进行对比测试。在测试过程中，设置不同的GPU核心数和CPU线程数组合，分别为GPU核心数4、8、16搭配CPU线程数1、2、4。对于基于边的有限元矩阵存储技术，采用直接生边法（DEMG）生成边刚度矩阵，并通过节点号排序算法进行组装。传统存储技术则采用整体组装式存储方式生成总体刚度矩阵。通过多次运行测试程序，记录不同组合下基于边存储技术和传统存储技术的计算时间，计算结果如下表所示：GPU核心数CPU线程数基于边存储技术计算时间（s）传统存储技术计算时间（s）411.052.56420.681.54440.450.98810.822.13820.521.25840.320.781610.651.891620.421.021640.250.65从表中数据可以看出，在GPU-CPU混合计算架构下，随着GPU核心数和CPU线程数的增加，基于边存储技术和传统存储技术的计算时间均逐渐减少，这表明GPU-CPU混合计算能够有效提高计算效率。在相同的GPU核心数和CPU线程数组合下，基于边存储技术的计算时间明显少于传统存储技术，这是因为基于边的存储方式减少了内存占用，提高了矩阵运算的效率，使得在GPU-CPU混合计算过程中数据传输和处理更加高效。计算加速比，加速比的计算公式为：S=\frac{T_{1,1}}{T_{m,n}}，其中T_{1,1}为GPU核心数为1、CPU线程数为1时的计算时间，T_{m,n}为GPU核心数为m、CPU线程数为n时的计算时间。基于边存储技术在GPU核心数为4、CPU线程数为2时的加速比为S_{4,2}=\frac{1.05}{0.68}\approx1.54，在GPU核心数为8、CPU线程数为4时的加速比为S_{8,4}=\frac{1.05}{0.32}\approx3.28，在GPU核心数为16、CPU线程数为4时的加速比为S_{16,4}=\frac{1.05}{0.25}=4.2。传统存储技术在GPU核心数为4、CPU线程数为2时的加速比为S_{4,2}=\frac{2.56}{1.54}\approx1.66，在GPU核心数为8、CPU线程数为4时的加速比为S_{8,4}=\frac{2.56}{0.78}\approx3.28，在GPU核心数为16、CPU线程数为4时的加速比为S_{16,4}=\frac{2.56}{0.65}\approx3.94。基于边存储技术在高GPU核心数和CPU线程数组合下的加速比提升更为明显，说明基于边存储技术在GPU-CPU混合计算架构中能更有效地利用计算资源，进一步提高计算效率。6.1.2单元类型为四边形单元针对二维平面应变问题，选择四边形单元作为研究对象，同样采用上述二维岩土工程模型。在GPU-CPU混合计算架构下，设置与三角形单元测试相同的GPU核心数和CPU线程数组合，即GPU核心数4、8、16搭配CPU线程数1、2、4。对于基于边的有限元矩阵存储技术，依然采用直接生边法（DEMG）生成边刚度矩阵，并通过节点号排序算法进行组装；传统存储技术采用整体组装式存储方式生成总体刚度矩阵。经过多次运行测试程序，记录不同组合下基于边存储技术和传统存储技术的计算时间，结果如下表所示：GPU核心数CPU线程数基于边存储技术计算时间（s）传统存储技术计算时间（s）410.982.34420.621.42440.400.92810.762.01820.481.15840.280.721610.601.781620.380.981640.220.60随着GPU核心数和CPU线程数的增加，两种存储技术的计算时间都显著减少，体现了GPU-CPU混合计算的有效性。在相同的GPU核心数和CPU线程数组合下，基于边存储技术的计算时间明显短于传统存储技术。这是因为基于边的存储方式减少了内存占用，优化了矩阵运算的效率，使得在GPU-CPU混合计算过程中数据传输和处理更加高效。计算加速比，基于边存储技术在GPU核心数为4、CPU线程数为2时的加速比为S_{4,2}=\frac{0.98}{0.62}\approx1.58，在GPU核心数为8、CPU线程数为4时的加速比为S_{8,4}=\frac{0.98}{0.28}\approx3.5，在GPU核心数为16、CPU线程数为4时的加速比为S_{16,4}=\frac{0.98}{0.22}\approx4.45。传统存储技术在GPU核心数为4、CPU线程数为2时的加速比为S_{4,2}=\frac{2.34}{1.42}\approx1.65，在GPU核心数为8、CPU线程数为4时的加速比为S_{8,4}=\frac{2.34}{0.72}\approx3.25，在GPU核心数为16、CPU线程数为4时的加速比为S_{16,4}=\frac{2.34}{0.60}=3.9。基于边存储技术在加速比方面表现出一定优势，尤其是在高GPU核心数和CPU线程数组合下，加速比提升更为显著，说明基于边存储技术在GPU-CPU混合计算中能更有效地利用计算资源。6.1.3三角形单元和四边形单元对比分析对比三角形单元和四边形单元在GPU-CPU混合计算架构上基于边存储技术和传统存储技术的计算效率，可以发现以下特点：在计算时间方面，对于基于边存储技术，四边形单元的计算时间整体上略短于三角形单元。这可能是因为四边形单元在描述二维平面应变问题时，其形状与实际模型的贴合度相对较高，使得在计算过程中能够更有效地传递和处理信息，从而减少了计算时间。对于传统存储技术，同样是四边形单元的计算时间略短于三角形单元，原因与基于边存储技术类似。在加速比方面，基于边存储技术下，三角形单元和四边形单元的加速比曲线走势相似，且在各个GPU核心数和CPU线程数组合下加速比数值也较为接近。这表明两种单元类型在利用GPU-CPU混合计算和基于边存储技术提高计算效率方面具有相似的能力，都能够较好地发挥混合计算的优势。传统存储技术下，三角形单元和四边形单元的加速比也呈现出相似的特点，进一步说明了在传统存储方式下，单元类型对GPU-CPU混合计算加速比的影响较小。从内存占用角度分析，基于边存储技术在处理三角形单元和四边形单元时，内存占用量均低于传统存储技术。这是基于边存储技术的固有优势，通过优化存储结构，减少了不必要的内存开销。在处理大规模二维平面应变问题时，基于边存储技术的内存优势更为明显，能够在有限的内存资源下处理更大规模的模型，而传统存储技术可能会因内存不足而导致计算效率下降甚至无法进行计算。综合来看，在GPU-CPU混合计算架构上，对于二维平面应变问题，无论是基于边存储技术还是传统存储技术，四边形单元在计算时间上相对三角形单元略具优势，但两种单元类型在加速比方面表现相似。基于边存储技术在内存占用和计算效率上整体优于传统存储技术，更适合用于处理二维平面应变问题的高性能计算，且在GPU-CPU混合计算架构下，基于边存储技术能更充分地发挥混合计算的优势，进一步提高计算效率。6.2三维地基承载力问题计算效率对比6.2.1单元类型为四面体单元在GPU-CPU混合计算架构下，针对三维地基承载力问题，选取四面体单元作为研究对象。构建一个模拟三维地基的有限元模型，该模型尺寸为50m×50m×30m，包含50000个单元和100000个节点，与OpenMP并行平台测试中的模型一致。在实际工程中，这样的三维地基模型可用于模拟大型建筑物的基础地基情况，如高层建筑的地基，其复杂的地质条件和承载要求对计算精度和效率提出了较高的要求。利用GPU的并行计算能力和CPU的控制管理能力，对基于边的有限元矩阵存储技术和传统存储技术的计算效率进行对比测试。在测试过程中，设置不同的GPU核心数和CPU线程数组合，分别为GPU核心数8、16、32搭配CPU线程数2、4、8。对于基于边的有限元矩阵存储技术，采用直接生边法（DEMG）生成边刚度矩阵，并通过节点号排序算法进行组装。传统存储技术则采用整体组装式存储方式生成总体刚度矩阵。经过多次运行测试程序，记录不同组合下基于边存储技术和传统存储技术的计算时间，计算结果如下表所示：GPU核心数CPU线程数基于边存储