Sergio-Alberto Abreo-Carrillo, Ana B. Ramirez, Oscar Reyes, David-Leonardo Abreo-Carrillo, Herling González-Alvarez
{"title":"A practical implementation of acoustic full waveform inversion on graphical processing units","authors":"Sergio-Alberto Abreo-Carrillo, Ana B. Ramirez, Oscar Reyes, David-Leonardo Abreo-Carrillo, Herling González-Alvarez","doi":"10.29047/01225383.16","DOIUrl":null,"url":null,"abstract":"Recientemente, la inversion de onda completa (FWI, por sus siglas en ingles) ha ganado una mayor atencion en la comunidad de exploracion geofisica como un metodo de ajuste de datos que provee modelos de velocidades sismicas de gran resolucion. Algunos de los componentes esenciales de la FWI corresponden a una funcion de costo para medir la diferencia entre los datos observados y los datos modelados, un propagador de onda para obtener los datos modelados y un modelo de velocidad inicial que es actualizado iterativamente hasta llegar a un valor deseado de la funcion de costo. Como la FWI es un metodo basado en la ecuacion de onda, el costo computacional de su implementacion es elevado. En este documento presentamos una implementacion rapida de la FWI 2D acustica en tiempo sobre una unidad de procesamiento grafico (GPU, por sus siglas en ingles). Esta implementacion usa la ecuacion de onda acustica para modelar la propagacion y actualiza el modelo de velocidades usando el gradiente de la funcion de costo, el cual es calculado eficientemente usando el Metodo del Estado Adjunto. La implementacion paralela propuesta es probada usando el modelo de velocidades Marmousi. El desempeno de la implementacion propuesta es evaluado usando una GPU NVIDIA GeForce GTX 860 y comparado con una implementacion serial sobre un procesador, en terminos de tiempo de ejecucion. Adicionalmente, se evalua la cantidad de recursos usados por la GPU y se analizan los requerimientos de memoria de la implementacion. Las pruebas muestran que la implementacion sobre GPU puede alcanzar un indice de aceleracion de 26.89 veces si se compara con la implementacion serial sobre el procesador.","PeriodicalId":10235,"journal":{"name":"Ciencia Tecnologia y Futuro","volume":null,"pages":null},"PeriodicalIF":0.0000,"publicationDate":"2015-12-01","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"7","resultStr":null,"platform":"Semanticscholar","paperid":null,"PeriodicalName":"Ciencia Tecnologia y Futuro","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.29047/01225383.16","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}
引用次数: 7
Abstract
Recientemente, la inversion de onda completa (FWI, por sus siglas en ingles) ha ganado una mayor atencion en la comunidad de exploracion geofisica como un metodo de ajuste de datos que provee modelos de velocidades sismicas de gran resolucion. Algunos de los componentes esenciales de la FWI corresponden a una funcion de costo para medir la diferencia entre los datos observados y los datos modelados, un propagador de onda para obtener los datos modelados y un modelo de velocidad inicial que es actualizado iterativamente hasta llegar a un valor deseado de la funcion de costo. Como la FWI es un metodo basado en la ecuacion de onda, el costo computacional de su implementacion es elevado. En este documento presentamos una implementacion rapida de la FWI 2D acustica en tiempo sobre una unidad de procesamiento grafico (GPU, por sus siglas en ingles). Esta implementacion usa la ecuacion de onda acustica para modelar la propagacion y actualiza el modelo de velocidades usando el gradiente de la funcion de costo, el cual es calculado eficientemente usando el Metodo del Estado Adjunto. La implementacion paralela propuesta es probada usando el modelo de velocidades Marmousi. El desempeno de la implementacion propuesta es evaluado usando una GPU NVIDIA GeForce GTX 860 y comparado con una implementacion serial sobre un procesador, en terminos de tiempo de ejecucion. Adicionalmente, se evalua la cantidad de recursos usados por la GPU y se analizan los requerimientos de memoria de la implementacion. Las pruebas muestran que la implementacion sobre GPU puede alcanzar un indice de aceleracion de 26.89 veces si se compara con la implementacion serial sobre el procesador.