Use este identificador para citar ou linkar para este item:
http://repositorio.utfpr.edu.br/jspui/handle/1/40960| Título: | Ranqueamento de bibliotecas python em GPU para simulação de ondas acústicas |
| Título(s) alternativo(s): | Ranking of Python libraries on GPU for acoustic wave simulation |
| Autor(es): | Machado, Victor Hugo Rodrigues |
| Orientador(es): | Pipa, Daniel Rodrigues |
| Palavras-chave: | Engenharia acústica Ondas (Física) - Métodos de simulação Unidades de processamento gráfico Python (Linguagem de programação) Diferenças finitas Processo decisório por critério múltiplo Acoustical engineering Waves - Simulation methods Graphics processing units Python (Computer program language) Finite differences Multiple criteria decision making |
| Data do documento: | 2-Jul-2026 |
| Editor: | Universidade Tecnológica Federal do Paraná |
| Câmpus: | Curitiba |
| Citação: | MACHADO, Victor Hugo Rodrigues. Ranqueamento de bibliotecas Python em GPU para simulação de ondas acústicas. 2026. Dissertação (Mestrado em Engenharia Elétrica e Informática Industrial) - Universidade Tecnológica Federal do Paraná, Curitiba, 2026. |
| Resumo: | Métodos de diferenças finitas no domínio do tempo são amplamente utilizados para simular a propagação de ondas acústicas em aplicações como imageamento sísmico e testes não destrutivos por ultrassom. As crescentes demandas computacionais de problemas de grande escala, particularmente na inversão de forma de onda completa, tornaram a aceleração por GPU um requisito fundamental. Paralelamente, diversas bibliotecas de GPU baseadas em Python surgiram, cada uma oferecendo diferentes vantagens e desvantagens em termos de desempenho, consumo de memória, portabilidade e facilidade de implementação. No entanto, comparações sistemáticas e quantitativas dessas bibliotecas sob uma formulação numérica unificada ainda são limitadas. Este trabalho propõe uma metodologia abrangente de avaliação comparativa e classificação para avaliar bibliotecas de GPU em Python para simulação de ondas acústicas usando modelos físicos e numéricos consistentes. Formulações de primeira e segunda ordem da equação de onda acústica bidimensional foram implementadas usando esquemas de staggered grid com integração temporal leapfrog e camadas convolucionais perfeitamente casadas (CPML). Os simuladores são avaliados em configurações padronizadas com tamanhos variáveis de região de interesse e a precisão numérica é verificada em relação a soluções analíticas derivadas de funções de Green. As métricas de desempenho incluem tempo de execução, uso de memória gráfica, utilização de processamento da GPU, energia refletida na fronteira e facilidade de implementação. Uma abordagem de tomada de decisão multicritério baseada no Processo Analítico Hierárquico (AHP) e na Técnica para Ordenação por Preferência de Similaridade à Solução Ideal (TOPSIS) é utilizada para obter uma classificação geral. Os resultados indicam que a biblioteca Taichi Lang oferece o melhor desempenho geral, atingindo tempos médios de execução abaixo de 11 segundos para uma grade de 5000² pixels com uso de memória inferior a 3,25 GB. As implementações usando convolução da biblioteca CuPy também apresentam desempenho competitivo, combinando boa eficiência com alta simplicidade de implementação. Esses resultados destacam o Taichi Lang e o CuPy como as bibliotecas Python mais adequadas para simulações acústicas aceleradas por GPU em larga escala. |
| Abstract: | Finite-difference time-domain methods are extensively used to simulate acoustic wave propagation in applications such as seismic imaging and ultrasound non-destructive testing. The increasing computational demands of large-scale problems, particularly in Full Waveform Inversion, have made GPU acceleration a fundamental requirement. In parallel, several Python-based GPU frameworks have emerged, each offering distinct trade-offs in terms of performance, memory consumption, portability, and ease of implementation. However, systematic and quantitative comparisons of these frameworks under a unified numerical formulation remain limited. This work proposes a comprehensive benchmarking and ranking methodology to evaluate Python GPU libraries for acoustic wave simulation using consistent physical and numerical models. Split and unsplit formulations of the two-dimensional acoustic wave equation are implemented using staggered-grid schemes with leapfrog time integration and convolutional perfectly matched layers. The simulators are assessed under standardized setups with varying region-of-interest sizes, and numerical accuracy is verified against analytical solutions derived from Green’s functions. Performance metrics include runtime, graphics memory usage, GPU processing utilization, boundary reflected energy, and ease of implementation. A multi-criteria decision-making approach based on the Analytic Hierarchy Process and the Technique for Order Preference by Similarity to Ideal Solution is used to obtain an overall ranking. The results indicate that Taichi Lang framework provides the best overall performance, achieving mean execution times below 11 s for a 50002 grid with memory usage under 3.25 GB. The convolution implementations of the CuPy library also perform competitively, combining good efficiency with high implementation simplicity. These results highlight Taichi and CuPy as the most suitable Python backends for large-scale GPU-accelerated acoustic simulations. |
| URI: | http://repositorio.utfpr.edu.br/jspui/handle/1/40960 |
| Aparece nas coleções: | CT - Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial |
Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| ranqueamentobibliotecaspythonsimulacao.pdf | 1,72 MB | Adobe PDF |  Visualizar/Abrir |
Este item está licenciada sob uma Licença Creative Commons
