HPC piemēri modelēšanā
Vēja slodzes ietekmes modelēšana
Tipiski HPC izmantošanas piemēri ir saistīti ar vēja slodžu, gaisa un ūdens plūsmu ap objektiem modelēšanu, izmantojot skaitlisko hidrodinamiku (angl. Computational Fluid Dynamics).
Analītiskās vēja slodzes novērtēšanas metodes bieži vien ir nepraktiskas, projektējot neregulāras formas konstrukcijas vai konstrukcijas, kas novietotas neparastā vidē. Tas pats attiecas uz elementu (fasādes elementu) projektēšanu, kur vēja slodze var būt noteicošais faktors.
Blakus redzamajā attēlā tiek modelēta vēja plūsma ap divām blakus esošām augstceltnēm. Modelēšanas rezultāti labi parāda, kā vide var ietekmēt vēja slodzi uz konstrukciju. Tā kā vējš ir stohastisks process, ir nepieciešams simulēt ilgāku laika periodu, lai iegūtu statistiskās vērtības (vidējo, maksimālo), ko var izmantot konstrukciju projektēšanai. Novērtējot vēja slodzes projektēšanas nolūkos, nepieciešams nomodelēt aptuveni 10 reālā laika minūtes. Vēja radītas slodzes uz augstceltnēm novērtējums prasa liela mēroga un sarežģītas simulācijas, kuru veikšanai ir nepieciešami HPC resursi, lai iegūtu precīzus rezultātus saprātīgā laikā.
Ēku iekšējā klimata pārvaldības prognozes
Mūsdienās cilvēki lielāko daļu sava laika pavada dažāda veida ēkās. Līdz ar to apstākļi ēkās būtiski ietekmē viņu dzīves kvalitāti. Papildus tam ēku energoefektivitāte var ietekmēt gan ekonomiku, gan klimatu. Zinātniskos pētījumos ir noskaidrots, ka ēkas rada 39% no kopējām siltumnīcefekta gāzu emisijām un patērē aptuveni 40% no kopējās globālās enerģijas.
Iekštelpu klimata prognozēšanai var izmantot, piemēram, mākslīgo intelektu, tādējādi optimizējot un automatizējot pieejamo resursu izmantošanu. HPC resursi nodrošina grafiskā procesora (GPU) aprēķinus neironu tīkla apmācīšanai. Lai sekmīgi apmācītu neironu tīklu, ir nepieciešams pēc iespējas vairāk kvalitatīvu datu. Iekštelpu klimata monitoringam datus iegūst no dažādiem ēkā izvietotiem sensoriem, piemēram, termometriem, gaisa mitruma sensoriem u.c.
Blakus esošajā attēlā ir parādītas istabas temperatūras izmaiņas laikā. Ar zilas krāsas līniju ir attēlota ar sensoriem nomērītā temperatūra. Izmantojot šos datus neironu tīkla apmācīšanai, ieguva oranžās krāsas līniju, kas atbilst turpmākās temperatūras prognozei laikā. Redzams, ka tā visnotaļ labi atbilst reāli nomērītai temperatūrai, kas parādīta ar melnu, punktotu līniju.
Pagaidām komentāru nav.
būt pirmajam, kas atstāj komentāru.