GP100显卡对ansys apdl加速效果的测试

GP100显卡对ANSYS APDL加权效果的深度分析：硬件配置与结构模拟性能评测

摘要：

本文旨在深入探讨GP100显卡对ANSYS APDL（ANSYS Parametric Design Language）在特定加权效果下的加速作用及其影响因素。实验以影驰 B460M主板、i510400F（6核）CPU、32GB 2666MHz内存以及配套的NVIDIA GP100显卡的硬件配置为基础，结合实际应用的ANSYS有限元分析模型进行详实的性能测试。实验结果对连接(性能)、存储(数据加载模式)和GPUCPU协同应用的影响进行评估，提出了实施数值解析策略的优化建议。

1. 硬件配置概述




主板：影驰 B460M 提供了稳定、高效的平台基础。


CPU：英特尔i510400F 6核处理器，具备高性能多线程处理能力。


内存：32GB 2666MHz DDR4内存，确保数据高速传输与缓存效能。


显卡：NVIDIA GP100，作为高性能渲染计算的核心部件。


硬盘：西部数码E2000L，选择固态硬盘以减少数据加载延迟。


2. 结构模拟概述

实验采用的标准有限元模型在模型底部增设固定约束，在顶部施加均匀压力，单元类型设为具有边中节点特征的SOLID186形式。此类模型适用于多种材料和结构类型分析，能够准确模拟其在不同工作状态下的响应。

3. 求解器选择与分析

采用系数矩阵直接求解器作为数值解析的核心算法，以确保计算结果的准确性和稳定性，同时优化求解过程的计算效率。

4. 测试方法与结果


测试一：在6核+GPU、incore模式下求解，实验时间：161秒。


测试二：6核CPU环境下，outcore模式下的实验，时间为166秒。


测试三：同样为6核+GPU，但采用outcore模式，耗时为142秒。


测试四：6核+GPU组合，incore模式的实验结果显示耗时为135秒。


测试五：6核CPU加GPU，incore模式的最终实验时间记录为126秒。


5. 结论与讨论

总体来看，实验数据揭示的发散性表明，性能的提升受多种因素影响，包括连接优化、数据存储优化（incore与outcore模式）以及GPU与CPU协同效率。测试结果显示，GPU与CPU性能之间的相互影响表现中等，甚至在特定场景下GPU的存在对性能的正向提升效应并不显著。

尽管GPU与CPU的组合通常被认为是提升计算效率的关键，但在当前的测试场景中，GPU加速的效果可能受限于硬解析过程（例如单元刚度矩阵的构建），单纯依赖计算加速策略（例如使用GPU）并不在因子模型构建的核心阶段，故对整体求解时间的影响相对较小。

然而，incore模式相较于outcore模式，更倾向于加快整体求解时间，这说明基于内存空间的优化对于数值模拟任务有显著的性能增益。