Tilbake til søkeresultatene

IKTPLUSS-IKT og digital innovasjon

GPU Ocean - heterogeneous computing of drift in the ocean

Alternativ tittel: GPU Hav

Tildelt: kr 9,0 mill.

Å kunne beregne driften til oljesøl, isfjell og andre flytende objekter i havet er viktig både av hensyn til miljø og sikkerhet. De numeriske sirkulasjonsmodellene vi har i dag har en god representasjon av de komplekse fysiske prossessene som driver havsirkulasjonen. Havstrømmene kan variere svært mye over kort tid og korte avstander, og små avvik i modellen vokser seg snart store. Modellene kan korrigeres med observasjoner, men en utstrakt mangel på havobservasjoner gjør at det ofte blir store usikkerheter i prognosene. Ved å benytte et modellensemble, det vil si mange samtidige simuleringer som alle har litt forskjellig startvilkår eller fysisk pådrag, kan man kvantifisere denne usikkerheten. Er det stor spredning i modellresultatene er resultatet usikkert og vice versa. Tradisjonelle sirkulasjonsmodeller krever store regneressurser og i praksis blir antallet samtidige simuleringer ofte for lite. I dette prosjektet skal vi lage ensembler med opptil tusenvis av samtidige simuleringer ved hjelp av forenklede havmodeller og avansert tungregneteknologi. Dette gjør oss i stand til få mer robuste estimater av usikkerhetene i prognosen, samt verdifull informasjon om hvilke fysiske prossesser som dominerer disse usikkerhetene. Med store ensembler kan vi også dra større nytte av observasjoner. Vi kan velge og vrake mellom alle våre simuleringer til vi finner noen som er dynamisk konsistente med de få observasjonene vi har, og på denne måten får vi mer nøyaktige prognoser for driften. For å legge til rette for rask utvikling har vi bygget et Pyhton-rammeverk som benytter seg av GPU-akselerering. Vi har utviklet et fungerende og komplett modellerings- og dataassimilasjonssystem. Dataassimileringsmetodene som er implementert er helt i forskningsfronten, noe som lar oss sammenligne forskjellige kombinasjoner av metoder for dataassimilering og modellensembler av ulike størrelser. I tillegg har vi bygget et sett med prototyper og eksempler som demonstrere bruk av kodebasen og utført eksperimenter med disse på flere forskjellige plattformer, fra laptoper til tungregneanlegg. For hver publikasjon i prosjektet blir tilhørende kodebase og data publisert. Siste versjon av kodebasen er alltid tilgjengelig på Github under en fri og åpen lisens. Prosjektet har et godt samarbeid med forskere ved Universitetet i Reading, som er internasjonalt ledende eksperter på dataassimilering.

The project has contributed to the knowledge and competency on simplified ocean models, data assimilation and drift trajectory models on massively data-parallel hardware, for both the project partners and the international collaborator. This has spurred a wider activity on GPU computing at the Norwegian Meteorological Institute, including a two-day short course on GPU computing with participants from all parts of the institute and procurement of GPU-accelerated nodes for the in-house HPC system. Furthermore, there are applications within the operational ocean forecasting in which the results from the project is ready to be applied, e.g., storm surge forecasting. The highly interdisciplinary nature of the project has brought together experts in many different scientific fields, and formed lasting collaborations and networks that has already resulted in a successful RCN proposal.

Numerical ocean models are used for oil spill tracking, search and rescue, and in costly offshore operations involving large floating structures. The natural variability in the ocean currents is large, and a major problem is the lack of ocean observations that can be used to constrain the ocean model. Ongoing efforts focus on exploiting advanced data assimilation techniques and devising efficient observation sampling strategies, but traditional ocean modeling systems are computationally demanding and the full range of forecasting uncertainties is rarely explored. We propose to complement the traditional ocean modeling systems with a massive ensemble of simplified ocean and drift models. These simplified models will be combined with fully non-linear data assimilation and the codes will be executed on massively parallel architectures. We aim to use simplified physical and mathematical models that are valid for the short predictive time scales necessary for operational oceanography, which is typically 1-3 days. These simplified models will be initialized from the traditional modeling system and hence provide incremental updates to the full description of the physical state of the ocean. The result is accurate ocean current predictions with detailed uncertainties.

Publikasjoner hentet fra Cristin

Ingen publikasjoner funnet

Budsjettformål:

IKTPLUSS-IKT og digital innovasjon