CAPÍTULO 27

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
GPU nem sempre é mais rápida — Em casos pequenos ou com muita geometria STL, a GPU pode ficar mais lenta que a CPU por causa do overhead de transferência e preparação. Meça antes de assumir: rode o mesmo caso nos dois backends e compare o tempo de parede.

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
Roteiro de aceleração — (1) ative a busca Verlet e use todos os núcleos; (2) reduza E mantendo a sobreposição < 1 %; (3) ajuste o Save Count ao necessário; (4) avalie coarse-graining para casos enormes; (5) só então migre para GPU — e confirme o ganho medindo o tempo de parede nos dois backends.