Aceleração e desempenho do solver
Como tornar as simulações mais rápidas sem comprometer a física: backend, paralelismo, parâmetros e estratégias de modelagem.
O custo de uma simulação DEM cresce com o número de partículas, com a rigidez do contato (que força Δt pequeno) e com a frequência de saída. As estratégias abaixo atacam cada um desses eixos. Aplique-as de forma incremental e confirme que a física de interesse não muda.
27.1 Onde o tempo é gasto
A cada passo, o solver (1) localiza vizinhos, (2) resolve os contatos e (3) integra o movimento. A detecção de vizinhos e a resolução de contatos dominam o custo. Δt pequeno multiplica o número de passos; muitas partículas multiplicam o custo por passo.
27.2 Backend: CPU ou GPU
Escolha o backend em Setup › Backend de Execução (Capítulo 12.4). A regra prática:
| CENÁRIO | BACKEND | OBSERVAÇÃO |
|---|---|---|
| Validação, calibração, casos pequenos | CPU | O overhead de preparação/transferência da GPU não compensa em casos pequenos |
| Casos com muita geometria STL | CPU | Geometria complexa reduz a vantagem da GPU |
| Produção em larga escala (centenas de milhares a milhões de partículas) | GPU | A GPU domina quando há trabalho paralelo suficiente para amortizar o overhead |
27.3 Paralelismo em CPU
- Número de threads — aumente o nº de threads no Setup para usar todos os núcleos físicos. Ganho diminui após o nº de núcleos físicos (hyper-threading ajuda pouco em DEM);
- Busca de vizinhos Verlet (CPU) — ative-a: o solver reaproveita a lista de vizinhos por vários passos, reconstruindo-a só quando uma partícula se desloca além de metade da margem (skin). Reduz muito o custo da detecção de contatos;
- Margem (skin) — uma margem maior reconstrói a lista com menos frequência (mais rápido por passo), mas examina mais candidatos. O valor padrão (~½ do raio máximo) é um bom equilíbrio.
27.4 Aceleração específica de GPU
- Precisão mista — contatos em FP32 e lista Verlet ativada automaticamente. O ganho depende da GPU, do caso e dos modelos ativos. Desligue para calibração e comparação CPU×GPU; valide grandezas de interesse com a mesma condição inicial.
- Vizinhança Verlet na GPU — lista de vizinhos pré-computada reconstruída a cada K passos, em vez de refazer a cell-list todo passo;
27.5 Reduzir o custo físico do caso
| ESTRATÉGIA | GANHO | CUIDADO |
|---|---|---|
| Reduzir o módulo de Young E | Δt maior → menos passos | Verifique sobreposição e resposta calibrada; em quebra/DWT, mantenha coerência com partículas e paredes (10.7) |
| Coarse-graining (CGF) | k³ menos partículas; Δt ~k× maior | Reescale corretamente; valide contra o caso fino (Capítulo 10.7) |
| Menos snapshots (Save Count) | Menos I/O e disco | Não perca a resolução temporal de eventos rápidos |
| Domínio justo ao problema | Menos células vazias na busca | Não corte regiões onde há partículas |
| Polidispersão moderada | Células de busca mais uniformes | Razões de tamanho extremas encarecem a busca de vizinhos |
27.6 Matriz de hardware sugerida
Pontos de partida por tamanho de caso (a contagem exata depende de raio, rigidez e modelos ativos):
| TAMANHO DO CASO | PARTÍCULAS (ordem) | HARDWARE / BACKEND SUGERIDO |
|---|---|---|
| Didático / validação | até ~50 mil | CPU 4–8 núcleos, 8–16 GB RAM, Verlet ligado |
| Engenharia média | ~50 mil a ~500 mil | CPU 8–16 núcleos, 16–32 GB RAM; avaliar GPU |
| Produção grande | ~500 mil a alguns milhões | GPU NVIDIA dedicada, 32–64 GB RAM; precisão mista |
| Muito grande / paramétrico | milhões | GPU de alto desempenho + coarse-graining; lotes em fila |
