Ansys Fluent용 GPU의 전체 성능 활용, 파트 1

퇴근길, 뉴욕에서 런던으로 가는 비행기, 회사에서 아직 업그레이드하지 않은 오래된 커피 메이커... 전산유체역학(CFD) 시뮬레이션과 마찬가지로 이 모든 것이 속도 향상의 이점을 누릴 수 있습니다.

수년간 CFD 시뮬레이션을 가속화하는 핵심 요소 중 하나는 고성능 컴퓨팅(HPC)이었고 최근에는 그래픽 처리 장치(GPU)로 확장되었습니다.

CFD 세계에서 GPU를 활용하는 것은 새로운 개념이 아닙니다. GPU는 꽤 오랫동안(2014년부터Ansys Fluent를 포함하여) CFD 가속기로 사용되었습니다. 그러나 국지 가속은 문제에 따라 다릅니다. 결국 GPU에 최적화되지 않은 코드 부분은 전반적인 속도 향상을 제한합니다. 따라서 CFD 시뮬레이션이 여러 GPU에서 기본적으로 실행될 때 GPU가 가질 수 있는 잠재력을 보여드리고자 합니다.

이것은 GPU가 시뮬레이션 시간, 하드웨어 비용 및 전력 소비를 줄이는 데 어떻게 도움이 되는지 소개할 블로그 시리즈 "Ansys Fluent용 GPU의 전체 성능 활용"의 첫 번째 기사입니다. 이 첫 번째 기사에서는 몇 가지 층류 및 난류 흐름 문제를 다룰 것입니다. 시리즈가 진행됨에 따라 물리학 모델링 기능도 논의하겠습니다.

자동차 외부 공기역학을 위한 32배 속도 향상

첫 번째 예로, 자동차 외부 공기역학 시뮬레이션을 살펴보겠습니다. 이 시뮬레이션은 일반적으로 3억 셀을 초과하여 매우 빠르게 커질 수 있습니다. 이 크기의 시뮬레이션을 실행하려면 수천 개의 코어와 며칠(때로는 몇 주)의 컴퓨팅 시간이 필요합니다. 시뮬레이션 시간을 몇 주에서 며칠 또는 며칠에서 몇 시간으로 단축하는 동시에 전력 소비량도 크게 줄일 수 있는 방법이 있다면 어떨까요? 그 방법은 GPU에서 이러한 시뮬레이션을 완전히 실행하는 것입니다.

지속 가능성은 자동차 산업의 핵심 관심사이며 전 세계의 정부 기관에서는 엄격한 규제를 시행하고 있습니다. 자동차 회사가 이러한 규정을 충족하거나 능가하기 위해 평가해 온 일부 영역은 다음과 같습니다.

• 공기역학 개선
• 배기가스 감소
• 대체 연료 사용
• 하이브리드 및 전기 파워트레인 옵션 개발

그러나 지속 가능성 노력은 최종 제품(이 경우 자동차)의 작동에만 국한되어서는 안 됩니다. 이러한 노력은 제품의 설계 프로세스에도 확장되어야 합니다. 여기에는 시뮬레이션이 포함되며, Ansys는 시뮬레이션 중에 소비되는 전력량을 줄이고자 합니다.

표시된 시뮬레이션의 경우 Fluent를 사용하여 다양한 CPU 및 GPU 구성에서 벤치마크 DrivAer 모델을 실행하고 성능을 비교했습니다. 결과에 따르면 NVIDIA A100 GPU 하나가 80개의 Intel® Xeon® Platinum 8380 코어를 사용하는 클러스터보다 5배 이상 뛰어난 성능을 달성했습니다. 최대 8개의 NVIDIA A100 GPU로 확장하면 시뮬레이션 속도를 30배 이상 높일 수 있습니다.

짧은 시간에 결과를 얻는 것은 고객의 효율성을 향상시키지만, 여기서 그치지 않고 그러한 시뮬레이션을 실행하는 데 필요한 전력을 크게 줄임으로써 전기 요금을 줄이고 지구를 도울 수 있습니다.

1024개의 Intel® Xeon® Gold 6242 코어가 장착된 CPU 클러스터의 전력 소비량을 살펴본 결과 9600W의 전력 소비량을 확인했습니다. 동일한 성능을 제공하는 6개의 NVIDIA® V100 GPU 서버의 전력 소비량과 비교할 때, 전력 소비량은 2400W로 4분의 1까지 감소했습니다.

이러한 벤치마크 결과는 6개의 NVIDIA® V100 GPU 서버를 선택하는 기업들이 동급의 HPC 클러스터에 비해 전력 소비를 4분의 1까지 줄일 수 있음을 보여줍니다. 이는 서버실을 시원하게 유지하기 위한 냉각 비용 절감도 고려하지 않은 것입니다.

네이티브 GPU 솔버에서 시뮬레이션을 실행하면 회사의 지속 가능성 노력과 결과 대기 시간 단축에 즉각적이고 막대한 영향을 미칠 수 있습니다. 단순한 결과가 아니라 신뢰할 수 있는 결과입니다. 지난 40여년간 Fluent는 광범위한 응용 분야에서 폭넓게 검증되었으며 업계 최고의 정확도로 유명합니다. Fluent 내에서 사용 가능한 CPU 및 다중 GPU 솔버는 모두 동일한 이산화 및 수치 방법을 기반으로 하여 사용자에게 사실상 동일한 결과를 제공합니다.

아래의 두 가지 표준 사례는 층류 및 난류 영역의 기본 사항을 시뮬레이션하는 잘 확립된 CFD 검증입니다. 두 경우 모두 GPU에서 기본적으로 해결할 때 사용자가 얻을 수 있는 정확도를 자세히 설명합니다.

구 위의 층류

구 위의 흐름에 대한 실험적 및 수치적 연구가 풍부한 문헌은 외부 공기역학 검증을 위한 기본 벤치마크 역할을 합니다. 이 첫 번째 테스트를 위해 레이놀드 수가 100이고 유체가 구를 돌고 실린더 뒤에서 시불변 와류 구조를 형성할 것으로 예상되는 층류 조건을 선택했습니다. CFD 결과와 실험 데이터를 비교하기 위해 문헌에서 제안된 드래그 상관 관계가 사용됩니다.

표 1에서 볼 수 있듯이 네이티브 GPU 구현은 -0.252%의 오류 비율로 드래그 계수를 매우 정확하게 계산합니다.

후방 계단

후방 계단은 난류 모델 구현을 테스트하는 데 사용되는 표준 문제입니다. 겉보기에 단순한 구성이지만 풍부한 물리학을 보여줍니다. 이 테스트를 위해 2.3176m/s의 속도 유입구로 Vogel과 Eaton²가 설정한 실험을 재현했습니다. CFD 코드는 채널 길이를 따라 다른 평면의 속도 프로파일을 발표된 실험 데이터와 비교하여 테스트합니다. 

CPU에서 해결할 때 Fluent는 실험 결과^3,4와 함께 좋은 유효성 검사를 보여줍니다. Fluent에서 사용 가능한 CPU 및 GPU 솔버는 모두 동일한 이산화 및 수치 방법을 기반으로 구축되기 때문에 네이티브 다중 GPU 솔버로 이 동일한 문제를 해결하면 다음과 같이 사용자에게 사실상 동일한 결과를 제공합니다.

모든 메시 유형을 수용하는 비정형 유한 볼륨 Navier-Stokes 솔버의 이 네이티브 다중 GPU 구현은 정말 새로운 것이며 CFD의 새로운 표준을 수립하여 정확도를 타협하지 않습니다. GPU의 잠재력을 활용하여 문제를 해결할 수 있는 엄청난 속도 향상에 관심이 있으시다면 지금 문의하세요.

참고 문헌

1. Turton, R.; and Levenspiel, O., A short note on the drag correlation for spheres, Powder Technol., 47, 83-86, 1986
2. Vogel J.C., and Eaton, J. K. (1985) Combined heat transfer and fluid dynamic measurements downstream of a backwards-facing step. J. Heat Transfer 107, 922-929.
3. Smirnov, Evgueni & Smirnovsky, Alexander & Shchur, Nikolai & Zaitsev, Dmitri & Smirnov, P. (2018). Comparison of RANS and IDDES solutions for turbulent flow and heat transfer past a backward-facing step. Heat and Mass Transfer. 54. 10.1007/s00231-017-2207-0
4. Banait H., Bais A., Khondekar K., Choudhary R., Bhambere M.B. (2020). Numerical Simulation of Fluid Flow over a Modified Backward Facing Step using CFD. International Research Journal of Engineering and Technology. Volume 7, Issue 9