栅元有效共振积分的CUDA算法设计与实现

J4 ›› 2016, Vol. 38 ›› Issue (02): 224-230.

栅元有效共振积分的CUDA算法设计与实现

任成磊1,蒲鹏2,韩定定1

（1.华东师范大学多维度信息处理重点实验室,上海 200241；
2.华东师范大学信息科学技术学院,上海 200241）

收稿日期:2015-02-28 修回日期:2015-05-21 出版日期:2016-02-25 发布日期:2016-02-25

Design and implementation of CUDA algorithm
for calculating effective resonance integral

REN Chenglei1,PU Peng2,HAN Dingding1

(1.Shanghai Key Laboratory of Multidimensional Information Processing,East China Normal University,Shanghai 200241;
2.School of Information Science and Technology,East China Normal University,Shanghai 200241,China)

Received:2015-02-28 Revised:2015-05-21 Online:2016-02-25 Published:2016-02-25

摘要/Abstract

摘要：

核反应堆中需要实时精确地计算堆芯和增殖材料的有效共振积分或群截面来实现反应堆的安全控制。整个计算过程因为涉及大量的积分运算和庞大的核素截面数据,采用常规的计算方法,计算时耗相当大。基于统一计算设备架构（CUDA）平台,利用图形处理器（GPU）的计算能力,对整个计算过程进行并行化分解,多线程同时运算,大幅度提升计算速度,降低时耗。实验结果表明,在GPU上并行计算所得结果与原始数据没有明显差异,且加速效果显著。

关键词: 慢化源递推公式, 有效共振积分, CUDA, 并行计算, GPU

Abstract:

Nucleon reactors need realtime accurate calculation of effective resonance integral or groupaveraged effective cross section to achieve the safety control of reactors. Because the whole calculation process involves a lot of integral operations and huge section data, the time consumption of conventional calculation methods is considerably huge . Based on the compute unified device architecture (CUDA) platform, the whole calculation process with multithreaded operations at the same time can greatly improve the computing speed and reduce the time consumption with the help of the computing power of the graphic processing unit (GPU). Experimental results show that the parallel computing results on the GPUs have no significant difference from the original data, and the proposal improves the speedup significantly.

Key words: moderated source recurrence formula;effective resonance integral;CUDA;parallel computing;GPU

任成磊1,蒲鹏2,韩定定1. 栅元有效共振积分的CUDA算法设计与实现[J]. J4, 2016, 38(02): 224-230.

REN Chenglei1,PU Peng2,HAN Dingding1. Design and implementation of CUDA algorithm
for calculating effective resonance integral [J]. J4, 2016, 38(02): 224-230.

[1]	苏丽，孙彦猛，张博为，杨先博，朱颖. 一种基于Hadoop+CUDA实现相关器的方法[J]. J4, 20160101, 38(01): 46-51.
[2]	罗婧, 叶志晟, 杨泽华, 傅天豪, 魏雄, 汪小林, 罗英伟, . 研发类GPU集群任务数据集的构建及分析[J]. 计算机工程与科学, 2024, 46(12): 2128-2137.
[3]	毛润泽, 吴子恒, 徐嘉阳, 章严, 陈帜, . DeepFlame：基于深度学习和高性能计算的反应流模拟开源平台[J]. 计算机工程与科学, 2024, 46(11): 1901-1907.
[4]	王宇华, 何俊飞, 张宇琪, 徐悦竹, 崔环宇. DRM:基于迭代归并策略的GPU并行SpMV存储格式[J]. 计算机工程与科学, 2024, 46(03): 381-394.
[5]	吴超, 卫谦, 周俊伟, 李会民, 孙广中. 基于异构计算平台的背景噪声预处理并行算法[J]. 计算机工程与科学, 2023, 45(10): 1711-1719.
[6]	王鑫, 彭健. 基于HYB格式SpMV在新一代申威架构上的实现与优化[J]. 计算机工程与科学, 2023, 45(10): 1754-1762.
[7]	刘屹成, 刘晓燕, 严馨. 并行平衡级联支持向量机[J]. 计算机工程与科学, 2023, 45(07): 1170-1177.
[8]	陈强, 谭林, 王云丽, 肖靖. 工业区块链中基于CUDA的数据并行处理方法[J]. 计算机工程与科学, 2022, 44(12): 2102-2110.
[9]	臧照虎, 李晨, 王耀华, 陈小文, 郭阳. 面向众核系统的层次化栅栏同步机制[J]. 计算机工程与科学, 2022, 44(11): 1901-1908.
[10]	张勇, 张曦, 万云博, 何先耀, 赵钟, 卢宇彤. 非结构有限体积CFD计算的网格重排序优化[J]. 计算机工程与科学, 2022, 44(10): 1721-1729.
[11]	朱浩, 周博洋, 卢雪山, 杜溢墨. OpenCL计算软件栈评估[J]. 计算机工程与科学, 2021, 43(12): 2105-2114.
[12]	范培勤, 过武宏, 韩梅, 唐帅, 张驰, . 水声环境特征参数并行预报方法研究[J]. 计算机工程与科学, 2021, 43(11): 1920-1925.
[13]	罗磊, 陈照云, 王俪璇. 用户QoS感知的GPU集群深度学习任务动态调度[J]. 计算机工程与科学, 2021, 43(08): 1331-1340.
[14]	龚昊, 刘莹, 冯建周, 赵仁良, 冷佳旭, . 基于GPU加速的脉冲多普勒雷达信号处理[J]. 计算机工程与科学, 2021, 43(07): 1141-1149.
[15]	焦育威, 王鹏, 辛罡, . 基于采样尺度自适应的多尺度量子谐振子优化算法并行化[J]. 计算机工程与科学, 2021, 43(07): 1200-1209.