Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/34159
Título: Implementação do algoritmo TFM em uma unidade de processamento gráfico utilizando bibliotecas CUDA
Título(s) alternativo(s): Implementation of the TFM algorithm in a graphics processing unit using CUDA libraries
Autor(es): Galera, André Peres
Orientador(es): Guarneri, Giovanni Alfredo
Palavras-chave: Testes não-destrutivos
Programação paralela (Computação)
Linguagem de programação (Computadores)
Non-destructive testing
Parallel programming (Computer science)
Programming languages (Electronic computers)
Data do documento: 9-Nov-2023
Editor: Universidade Tecnológica Federal do Paraná
Câmpus: Pato Branco
Citação: GALERA, André Peres. Implementação do algoritmo TFM em uma unidade de processamento gráfico utilizando bibliotecas CUDA. 2023. Trabalho de Conclusão de Curso (Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2023.
Resumo: Os Ensaios Não Destrutivos por ultrassom são amplamente utilizados na indústria como ferramentas de controle de qualidade, tendo por objetivo a identificação e caracterização de corrosões e falhas que possam comprometer a vitalidade e usabilidade do material analisado. Um dos principais algoritmos utilizado para o processamento dos dados obtidos por esse tipo de ensaio é o Total Focusing Method (TFM), o qual possibilita identificar, localizar e dimensionar defeitos por meio da reconstrução da imagem da estrutura interna dos corpos ensaiados. Apesar de suas vantagens, o TFM demanda um alto poder computacional, culminando em um alto tempo de execução. Dessa forma, este trabalho objetivou a otimização desse algoritmo por meio de sua paralelização em uma unidade de processamento gráfico NVIDIA GeForce 1050 Ti. Foram desenvolvidas três versões distintas do TFM com o uso das bibliotecas PyCUDA, CuPy e Numba CUDA integradas à linguagem Python. Cada versão desenvolvida foi executada utilizando dados de ensaio de um bloco homogêneo de alumínio e de uma peça dentada de acrílico. A aquisição dos dados de cada peça foi feita tanto por simulação, com uso do software CIVA, quanto fisicamente, com o sistema de aquisição M2M Panther™. Os resultados obtidos demonstraram que as versões paralelas apresentaram menor tempo de execução, ou seja, um speed-up significativo em relação a versão serial de referência do algoritmo, principalmente para grandes conjuntos de dados.
Abstract: Ultrasonic Non-Destructive Testing are widely used in industry as a quality control tool, whose main objective is to identify and characterize corrosion and flaws that may compromise the vitality and usability of the analyzed material. One of the main algorithms used for processing data obtained by ultrasonic testing is the Total Focusing Method (TFM), which allows the identification, localization and dimensioning of defects through the image reconstruction of the internal structure of the tested object. Despite its advantages, TFM demands a high computational power, culminating in a high execution time. Thus, this work aimed to optimize this algorithm by parallelizing it on a NVIDIA GeForce 1050 Ti graphics processing unit. Three different versions of TFM were developed using the PyCUDA, CuPy and Numba CUDA libraries integrated into the Python language. Each developed version was executed using acquired data from a homogeneous aluminum block and a toothed acrylic specimen. Data acquisition for each specimen was done both by simulation, using the software CIVA, and physically, using the Panther™ M2M acquisition system. The results obtained showed that the parallel versions presented lower execution time, that is, a significant speed-up in relation to the reference serial version of the algorithm, especially for large data sets.
URI: http://repositorio.utfpr.edu.br/jspui/handle/1/34159
Aparece nas coleções:PB - Engenharia Elétrica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tfmprocessamentograficocuda.pdf3,15 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons