다면체영역분할을 이용한 SPH의 충돌 및 병렬해석

Abstract

본 연구에서는 SPH 해석을 위한 다면체영역분할 기법이 소개된다. SPH 기법은 유체 유동 모사를 위한 수치해석기법으로 무요소기법(meshless method) 중 하나이다. 유동성 지반 또는 고체-유체 상호작용 해석 등에 유용하게 쓰일 수 있다. SPH는 입자기반 해석이기 때문에 입자가 많을수록 결과의 정확도는 높아지지만 수치적 효율성은 떨어진다. 일반적으로 해석의 효율성을 높이기 위해 병렬 프로세싱 알고리즘과 함께 쓰이는데 직교좌표계 기반의 영역분할 기법이 대표적이다. 그러나 복잡한 기하학적 형태나 동적 경계조건에서 유동 모사 등을 병렬 해석하기 위해서는 직교좌표계 영역분할 방법이 적합하지 않다. 소개하는 다면체영역분할 기법은 이와 같은 문제에서 병렬효율성을 높일 수 있는 장점을 갖는다. 다양한 형태의 3차원 다면체 요소로 분할하여 문제에 적합하게 모델링할 수 있다. SPH 입자들의 물리적 값들은 smoothing 길이 이내의 주위 입자들 정보를 이용하여 계산된다. 영역분할 시 물리적으로 분리될 수 있는 입자정보들을 코어간 공유할 수 있는 방법과 병렬효율성이 떨어질 수 있는 cross-point에서의 정보공유 방법이 소개된다. 수치해석 예제를 통하여 제안된 방법의 병렬효율성은 12코어까지 95%에 근접하였다. 이후 코어가 증가할수록 코어간 공유되는 정보량이 많아져 병렬효율성이 떨어지는 문제가 발생되기도 하였다.

In this study, a polyhedral domain decomposition method for Smoothed Particle Hydrodynamics (SPH) analysis is introduced. SPH which is one of meshless methods is a numerical analysis method for fluid flow simulation. It can be useful for analyzing fluidic soil or fluid-structure interaction problems. SPH is a particle-based method, where increased particle count generally improves accuracy but diminishes numerical efficiency. To enhance numerical efficiency, parallel processing algorithms are commonly employed with the Cartesian coordinate-based domain decomposition method. However, for parallel analysis of complex geometric shapes or fluidic problems under dynamic boundary conditions, the Cartesian coordinate-based domain decomposition method may not be suitable. The introduced polyhedral domain decomposition technique offers advantages in enhancing parallel efficiency in such problems. It allows partitioning into various forms of 3D polyhedral elements to better fit the problem. Physical properties of SPH particles are calculated using information from neighboring particles within the smoothing length. Methods for sharing particle information physically separable at partitioning and sharing information at cross-points where parallel efficiency might diminish are presented. Through numerical analysis examples, the proposed method's parallel efficiency approached 95% for up to 12 cores. However, as the number of cores is increased, parallel efficiency is decreased due to increased information sharing among cores.