基于非结构化网格的2.5维时间域激发极化反演

针对我国西部山区起伏地形,提出通过Delaunay三角剖分生成非结构化三角网格,可以根据实际地形情况,较好地控制节点分布,从而降低初始模型的几何离散误差。在反演中对模型参数施加最小光滑和背景约束信息,从而提高反演的分辨率。通过在正演求解稀疏矩阵时采用稳定型双共轭梯度法和计算系数矩阵时利用电位互换等手段,可有效地提高反演计算速度。最后,为验证反演方法的有效性,编制了跨平台反演软件;并对2例地电模型和实测数据进行反演试算。计算结果表明:反演耗费时间少,仅迭代3次拟合差便趋于稳定,反演结果能较好地刻画异常体形态。     

拟极小残差法在GPU上的优化研究

随着GPU在高性能计算领域更多地用于科学计算,采用GPU技术对大型稀疏线性方程组进行计算,从而满足人们对计算速度和计算精度要求的提高。NVIDIA Fermi架构的开发,大大提升了GPU的双精度浮点运算能力。拟极小残差法(QMR)作为高性能计算领域中的重要迭代算法,基于求解稀疏代数方程组对ELL算法进行GPU优化。通过对不同规模线性方程组计算分析表明,QMR-GPU的性能提升为原始QMR的3.5倍,与传统的BICG法相比,QMR并行算法具有速度和存储优势,可获得良好的并行加速比。