-
公开(公告)号：CN119356626A
公开(公告)日：2025-01-24
申请号：CN202411959130.8
申请日：2024-12-30
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F3/06
Abstract: 本申请公开了一种作业静态感知条带优化方法、装置、存储设备及介质，涉及计算机优化技术领域，先对离线数据分析，筛选出涉及写操作的作业，统计每条作业在各个OST上的写I/O数据量并进行降序排列，求和得到每条作业的写I/O数据总量，对作业添加属性，标记为待条带化作业，按照应用进行条带化设置，对应用的作业数目进行判断，若应用的作业数目不小于第四阈值则进行子目录条带化设置。针对超级计算机优化作业OST中瞬时负载极不平衡的问题，通过将条带技术应用于存储系统中，通过对作业I/O模式的探索分析，确定可条带优化的作业，此外提出了静态感知文件条带化，能够快速有效的判定可条带化的作业，以适应不同用户的作业分布情况。
-
公开(公告)号：CN116996359B
公开(公告)日：2023-12-12
申请号：CN202311248286.0
申请日：2023-09-26
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: H04L41/04 , H04L41/12 , H04L49/25 , H04L49/356
Abstract: 本发明涉及超级计算机技术领域，公开了一种超级计算机的网络拓扑构建方法及装置，该方法，将计算结点划分成组、将I/O转发结点分组放置，并改变I/O转发方式，使得计算结点只能共享使用本组内的I/O转发结点。本发明解决了现有技术存在的以下问题：在二维网络中产生大量聚集的通信数据包，造成通信阻塞，严重影响了互连通信系统的运行稳定性，并影响了I/O效率等。
-
公开(公告)号：CN116246039B
公开(公告)日：2023-07-14
申请号：CN202310534154.8
申请日：2023-05-12
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
Abstract: 本发明公开了一种基于深度学习的三维流场网格分类分割方法，所述方法包括如下步骤：S1：三维网格模型数据预处理；以三维网格模型数据中局部曲面作为基本处理单元，数据预处理为将局部曲面的特征分为三维的空间特征和十六维的结构特征；S2：三维网格分类模型构建；融合生成对抗网络和协同注意力网络完成三维网格分类模型构建；S3：模型训练；引入三元组损失和DCCA损失对步骤S2获得的三维网格分类模型构建的子空间特征分布进行语义对齐，使得模型构建的子空间中语义相关的特征数据对所对应的语义分布距离靠近，同时使语义不相关的特征数据对所对应的分布距离远离；S4：基于步骤S3训练完成的模型完成三维流场网格分类分割。
-
公开(公告)号：CN111414720B
公开(公告)日：2023-01-20
申请号：CN202010097688.5
申请日：2020-02-17
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/28 , G06T3/60 , G06N3/04 , G06N3/08 , G06F113/08
Abstract: 本发明一种基于神经网络的流场旋涡检测方法，先对流场内所有物理网格点打标签，标记其是否属于旋涡区域，得到标签数据，对涡量场进行网格转换，将物理网格中的网格点一一映射到计算网格的网格点，抛弃物理坐标信息，得到计算网格下的涡量场。根据计算网格下的的涡量场，将每个网格上的涡量值减去涡量场的均值后除以标准差，得到归一化后的涡量场；对得到的归一化后的涡量场和标签数据同时随机采样，采样后对区域内的网格点对应的标签进行判断，构建神经网络，使用随机采样得到的带标签局部涡量场数据训练该神经网络，固定神经网络参数，得到固定参数的神经网络；利用第五步得到的固定参数的神经网络，对待检测涡区的流场进行涡区检测。
-
公开(公告)号：CN113381940B
公开(公告)日：2022-12-27
申请号：CN202110448696.4
申请日：2021-04-25
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
Abstract: 本申请公开了一种二维胖树网络拓扑的设计方法及装置，该方法包括：分别计算预设的初始二维胖树网络中的行数、列数和I/O转发结点的第一数目；根据所述行数、所述列数以及第一数目将所述初始二维胖树网络中的I/O转发结点均匀分配到所述初始二维胖树网络的每一行或每一列得到新的二维胖树网络；设置所述新的二维胖树网络中任一行的I/O转发结点仅服务所述任一行的计算结点，或任一列的I/O转发结点仅服务所述任一列的计算结点。本申请解决了现有技术中部分I/O转发结点的I/O效率较低以及影响大规模并行程序的整体性能的技术问题。
-
Patent Agency Ranking
公开(公告)号：CN111814246B
公开(公告)日：2022-09-27
申请号：CN202010530568.X
申请日：2020-06-11
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/15 , G06F30/27 , G06F30/28 , G06F113/08 , G06F119/14
Abstract: 一种基于生成对抗网络的翼型反设计方法，包括步骤如下：步骤1：构建翼型‑气动曲线数据库；步骤2：设计从压力系数曲线坐标到翼型坐标的生成对抗网络；步骤3：将步骤1中得到的N组数据对送入步骤2中设计的生成对抗网络中，并采用迭代训练的方式迭代优化生成器和判别器，达到纳什均衡后，保留生成器Gtrain，丢弃判别器；步骤4：将测试气动曲线送入步骤3中训练得到的生成器Gtrain中，得到预测的翼型以及对应的马赫数、雷诺数和攻角；步骤5：对步骤4中得到的翼型坐标进行曲线平滑，得到光滑的翼型表面。本发明通过压力系数曲线直接推导出翼型形状，同时推导出当前压力系数曲线对应的马赫数、雷诺数及攻角，更高效，更精确。
-
公开(公告)号：CN111625901B
公开(公告)日：2022-05-31
申请号：CN202010376465.2
申请日：2020-05-07
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/15 , G06F30/27 , G06N3/08 , G06F113/08 , G06F119/14
Abstract: 本发明提供了一种面向翼型的压力系数曲线智能生成方法，包括以下步骤：步骤1、根据已有翼型库进行数据扩充得到翼型数据库，包含每个翼型对应的翼型坐标；步骤2、对每个翼型采用不同的来流条件组合计算对应的压力系数曲线，构建若干包含该翼型的翼型坐标、来流条件组合及来流条件组合对应的压力系数曲线坐标的数据对。步骤3、构建生成对抗网络模型；步骤4、利用每个翼型的所有数据对生成对抗网络进行训练得到生成网络模型；步骤5、将翼型、来流条件输入生成网络模型，输出该翼型的压力系数曲线。采用该方法无需迭代训练，大大减少计算量，较传统CFD方法速度更快，可以达到10‑100倍的加速比。
-
公开(公告)号：CN114169651B
公开(公告)日：2022-04-19
申请号：CN202210132077.9
申请日：2022-02-14
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
Abstract: 本发明公开了一种基于应用相似性的超级计算机作业失败主动预测方法，属于超级计算机领域，包括步骤：S1，从作业日志中提取特征数据，并加入作业路径数据后一起作预处理，然后作为机器学习算法模型的输入特征；S2，在机器学习算法模型对输入特征数据进行处理后，实现主动预测作业失败状态。本发明挖掘出了能够准确描述作业应用属性的特征，具有很好的预测提升效果；采用机器学习算法寻找作业失败预测方法，提升预测模型的鲁棒性，尤其适应非线性数据；对作业应用属性的聚类方法，显著降低聚类计算开销，降低误差；实现预测效率高，能够实际应用于大型超级计算机。
-
公开(公告)号：CN114169651A
公开(公告)日：2022-03-11
申请号：CN202210132077.9
申请日：2022-02-14
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
Abstract: 本发明公开了一种基于应用相似性的超级计算机作业失败主动预测方法，属于超级计算机领域，包括步骤：S1，从作业日志中提取特征数据，并加入作业路径数据后一起作预处理，然后作为机器学习算法模型的输入特征；S2，在机器学习算法模型对输入特征数据进行处理后，实现主动预测作业失败状态。本发明挖掘出了能够准确描述作业应用属性的特征，具有很好的预测提升效果；采用机器学习算法寻找作业失败预测方法，提升预测模型的鲁棒性，尤其适应非线性数据；对作业应用属性的聚类方法，显著降低聚类计算开销，降低误差；实现预测效率高，能够实际应用于大型超级计算机。
-
公开(公告)号：CN113688578A
公开(公告)日：2021-11-23
申请号：CN202110787112.6
申请日：2021-07-13
Applicant: 中国空气动力研究与发展中心计算空气动力研究所
IPC: G06F30/28 , G06F30/27 , G06K9/62 , G06N3/04 , G06F113/08 , G06F119/14
Abstract: 本发明公开了一种基于多变量融合的流场关键时间步提取与重构方法，所述流场关键时间步提取与重构方法包括：S1：非定常流场数据的获取和预处理；S2：针对步骤S1获得的非定常流场数据，完成基于数据融合的多变量物理流场关键时间步的提取；S3：对多变量非定常流场进行时空信息重构。通过本发明方法实现了快速准确的对多个时间步的流场进行关键时间步选取的目的。
-
-
-
-
-
-
-
-
-
Search Results
39
records
(took 0.07 seconds)
