CN107783184B - 一种基于多流优化的gpu逆时偏移方法及*** - Google Patents
一种基于多流优化的gpu逆时偏移方法及*** Download PDFInfo
- Publication number
- CN107783184B CN107783184B CN201610798688.1A CN201610798688A CN107783184B CN 107783184 B CN107783184 B CN 107783184B CN 201610798688 A CN201610798688 A CN 201610798688A CN 107783184 B CN107783184 B CN 107783184B
- Authority
- CN
- China
- Prior art keywords
- kernel function
- data
- seismic data
- imaging
- calculation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013508 migration Methods 0.000 title claims abstract description 37
- 230000005012 migration Effects 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 20
- 238000003384 imaging method Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 40
- 238000004364 calculation method Methods 0.000 claims abstract description 38
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于多流优化的GPU逆时偏移方法及***,涉及地球物理勘探领域。本发明涉及以下步骤:获取地震数据;对地震数据进行逆时成像处理,并对处理过程中的数据加载核函数、子波反传核函数和数据反传核函数采用一级并发计算方式进行计算;对地震数据进行逆时成像处理过程中的成像条件核函数以及噪音滤波核函数采用二级并发计算方式进行计算;根据计算结果获得成像结果,生成成像剖面。通过采用多流并行优化策略加速实现了地震数据的叠前逆时偏移计算,该方法不仅可以处理超大规模地震数据,而且还可以提高偏移处理的效率。
Description
技术领域
本发明涉及地球物理勘探领域。
背景技术
叠前逆时偏移是目前最实用的偏移成像方法之一,它是一种高精度的偏移成像方法,能够适应于复杂构造,能够对回折波、多次波、棱柱波等成像,且没有倾角限制。但是逆时偏移也有自己的固有缺点,由于逆时偏移中需要进行大量的有限差分计算,因此逆时偏移算法具有高密集计算的缺陷。
如今,基于图形处理器(GPU)的高性能计算正成为快速发展的一门技术,它正在广泛的应用于地震成像和地震反演等高密集计算应用中,以期减小由于大量计算所带来的能源消耗和计算等待时间。许多研究人员已经开发出基于GPU的叠前逆时偏移应用,并取得了良好的加速效果。最新的Kepler架构与以前的Fermi架构相比,具有多种新特性,可以显著提高计算性能,如动态并行(Dynamic Parallelism)、Hyper-Q等。这些新特性可以引入到地球物理应用中,以期进一步优化现有GPU算法,获得更好的加速效果。
发明内容
本发明提供一种基于多流优化的GPU逆时偏移方法及***,并将其应用在最新的Kepler架构GPU上以实现基于多流并行的GPU逆时偏移。
本发明解决上述技术问题的技术方案如下:一种基于多流优化的GPU逆时偏移方法,它是由以下过程实现:
S1、获取地震数据;
S2、对地震数据进行逆时成像处理,并对处理过程中的数据加载核函数、子波反传核函数和数据反传核函数采用一级并发计算方式进行计算;
S3、对地震数据进行逆时成像处理,并对处理过程中的成像条件核函数以及噪音滤波核函数采用二级并发计算方式进行计算;
S4、根据S2和S3的计算结果获得成像结果,生成成像剖面。
本发明的有益效果是:通过采用多流并行优化策略加速实现了地震数据的叠前逆时偏移计算,该方法不仅可以处理超大规模地震数据,而且还可以提高偏移处理的效率。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述S1中获取地震数据的具体过程为:将野外采集的原始地震数据进行预处理,获得高信噪比共炮点道集数据和对应的地下介质速度模型数据。
进一步,所述S2具体实现的过程为
S21、采用OpenMP产生多个CPU线程;
S22、将产生的每一个CPU线程通过CUDA流对应到相应的数据加载核函数、子波反传核函数和数据反传核函数。
采用上述进一步方案的有益效果是:采用了GPU计算,处理相同规模的地震数据,所消耗的电能相对于CPU设备,将显著减少,有效节约了资源和成本,同时实现了多个CPU线程共享同一个GPU设备,提高了计算的并行度,减少了计算时间。
进一步,所述S3具体实现的过程为:
S31、采用区域分解方法将计算区域分解到多个流中;
S32、多流同时执行区域分解处理完后的成像条件核函数。
采用上述进一步方案的有益效果是:通过多流同时并发计算,提高了计算的效率。
一种基于多流优化的GPU逆时偏移***,该***包括:
数据获取模块,用于获取地震数据;
一级并发计算模块,用于对地震数据进行逆时成像处理,并对处理过程中的数据加载核函数、子波反传核函数和数据反传核函数采用一级并发计算方式进行计算;
二级并发计算模块,用于对地震数据进行逆时成像处理,并对处理过程中的成像条件核函数以及噪音滤波核函数采用二级并发计算方式进行计算;
偏移结果生成模块,用于根据一级并发计算和二级并发计算的计算结果获得成像结果,生成成像剖面。
本发明的有益效果是:通过采用多流并行优化策略加速实现了地震数据的叠前逆时偏移计算,该方法不仅可以处理超大规模地震数据,而且还可以提高偏移处理的效率。
附图说明
图1为本发明实施例所述的基于多流优化的GPU逆时偏移方法的流程图;
图2为本发明实施例所述的单炮叠前逆时偏移计算的流程图;
图3为本发明实施例所述的基于多流优化的GPU逆时偏移***的原理示意图。
附图中,各标号所代表的部件列表如下:
1、数据获取模块,2、一级并发计算模块,3、二级并发计算模块,4、偏移结果生成模块。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1
如图1所示,本实施例提出了一种基于多流优化的GPU逆时偏移方法,它是由以下过程实现:
S1、将野外采集的原始地震数据进行预处理,获得高信噪比共炮点道集数据和对应的地下介质速度模型数据。
S2、对地震数据进行逆时成像处理,并对处理过程中的数据加载核函数、子波反传核函数和数据反传核函数采用一级并发计算方式进行计算;采用OpenMP产生多个CPU线程,将产生的每一个CPU线程通过CUDA流对应到相应的数据加载核函数、子波反传核函数和数据反传核函数。
S3、对地震数据进行逆时成像处理过程中的成像条件核函数以及噪音滤波核函数采用二级并发计算方式进行计算;采用区域分解方法将计算区域分解到多个流中,多流同时执行区域分解处理完后的成像条件核函数。
S4、根据S2和S3的计算结果获得成像结果,生成成像剖面。
实施例2
如图2所示,本实施例提出一种基于多流优化的GPU逆时偏移***,该***包括:
数据获取模块1,用于获取地震数据;
一级并发计算模块2,用于对地震数据进行逆时成像处理,并对处理过程中的数据加载核函数、子波反传核函数和数据反传核函数采用一级并发计算方式进行计算
二级并发计算模块3,用于对地震数据进行逆时成像处理过程中的成像条件核函数以及噪音滤波核函数采用二级并发计算方式进行计算;
偏移结果生成模块4,用于根据一级并发计算和二级并发计算的计算结果获得成像结果,生成成像剖面。
优选的,所述数据获取模块1中获取地震数据的具体过程为:将野外采集的原始地震数据进行预处理,获得高信噪比共炮点道集数据和对应的地下介质速度模型数据。
优选的,所述一级并发计算模块2包括:
线程生成模块,用于采用OpenMP产生多个CPU线程;
函数对应模块,用于将产生的每一个CPU线程通过CUDA流对应到相应的数据加载核函数、子波反传核函数和数据反传核函数。
优选的,所述二级并发计算模块3包括:
区域分解模块,用于采用区域分解方法将计算区域分解到多个流中;
并发计算模块,多流同时执行区域分解处理完后的成像条件核函数。
本实施例提出了一种全新的多流并行优化策略,并将其应用在最新的Kepler架构GPU上以实现基于多流并行的GPU逆时偏移。有效的利用了Kepler架构的Hpyer-Q特性。通过Hyper-Q技术,产生多个GPU硬件流,并将其对应于CUDA的多流,从而实现不同流之间的核函数并发,从而可以有效的分发以及运行大量的细粒度GPU作业。
综上,多流优化叠前逆时便宜计算是基于CPU/GPU异构集群并行实现的,过程包括以下步骤:
将每个数据节点中的地震数据从CPU拷贝到GPU中;
在GPU中进行炮集逆时偏移计算,得到计算结果;
将计算结果传输到CPU中,构成临时成像结果。
具体过程如图2所示:
(1)对野外采集的原始地震资料进行静校正、反褶积、去噪等一系列预处理后,得到的高信噪比共炮点道集(CSG道集)和对应的介质速度模型构成了输入的地震数据;
(2)进行单炮逆时偏移计算;
(2.1)对单炮数据读取核函数、子波加载核函数、子波波场反传核函数以及记录波场反传核函数采用一级并发计算方式,即用OpenMP方式采用多个CPU核心产生多个CPU线程,并使每一个线程可以调用对应的单个CUDA流进程中的单个核函数;
(2.2)对成像条件核函数以及噪音滤波核函数采用二级并发计算方式,即用区域分解方法将计算区域分解到多个流中,多流同时并发计算该核函数;
(3)最后,根据处理目标和要求,对成像道集进行切除和叠加处理,获得最终成像剖面。
本发明所述的方法通过数值算例,取得了较好的结果,通过对本发明的测试分析,多流优化方法的GPU叠前逆时偏移地震数据处理方法处理效率相较于传统CPU叠前逆时偏移地震数据处理方法有25至30倍的效率提升。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种基于多流优化的GPU逆时偏移方法,其特征在于,它是由以下过程实现:
S1、获取地震数据;
S2、对地震数据进行逆时成像处理,并对处理过程中的数据加载核函数、子波反传核函数和数据反传核函数采用一级并发计算方式进行计算;
S3、对地震数据进行逆时成像处理,并对处理过程中的成像条件核函数以及噪音滤波核函数采用二级并发计算方式进行计算;
S4、根据S2和S3的计算结果获得成像结果,生成成像剖面;
步骤S2具体包括:
S21、采用OpenMP产生多个CPU线程;
S22、将产生的每一个CPU线程通过CUDA流对应到相应的数据加载核函数、子波反传核函数和数据反传核函数;
步骤S3具体包括:
S31、采用区域分解方法将计算区域分解到多个流中;
S32、多流同时执行区域分解处理完后的成像条件核函数。
2.根据权利要求1所述的一种基于多流优化的GPU逆时偏移方法,其特征在于,所述S1中获取地震数据的具体过程为:将野外采集的原始地震数据进行预处理,获得高信噪比共炮点道集数据和对应的地下介质速度模型数据。
3.一种基于多流优化的GPU逆时偏移***,其特征在于,它包括:
数据获取模块(1),用于获取地震数据;
一级并发计算模块(2),用于对地震数据进行逆时成像处理,并对处理过程中的数据加载核函数、子波反传核函数和数据反传核函数采用一级并发计算方式进行计算
二级并发计算模块(3),用于对地震数据进行逆时成像处理,并对处理过程中的成像条件核函数以及噪音滤波核函数采用二级并发计算方式进行计算;
偏移结果生成模块(4),用于根据一级并发计算和二级并发计算的计算结果获得成像结果,生成成像剖面;
所述一级并发计算模块(2)包括:
线程生成模块,用于采用OpenMP产生多个CPU线程;
函数对应模块,用于将产生的每一个CPU线程通过CUDA流对应到相应的数据加载核函数、子波反传核函数和数据反传核函数;
所述二级并发计算模块(3)包括:
区域分解模块,用于采用区域分解方法将计算区域分解到多个流中;
并发计算模块,多流同时执行区域分解处理完后的成像条件核函数。
4.根据权利要求3所述的一种基于多流优化的GPU逆时偏移***,其特征在于,所述数据获取模块(1)中获取地震数据的具体过程为:将野外采集的原始地震数据进行预处理,获得高信噪比共炮点道集数据和对应的地下介质速度模型数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610798688.1A CN107783184B (zh) | 2016-08-31 | 2016-08-31 | 一种基于多流优化的gpu逆时偏移方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610798688.1A CN107783184B (zh) | 2016-08-31 | 2016-08-31 | 一种基于多流优化的gpu逆时偏移方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107783184A CN107783184A (zh) | 2018-03-09 |
CN107783184B true CN107783184B (zh) | 2020-01-21 |
Family
ID=61451857
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610798688.1A Expired - Fee Related CN107783184B (zh) | 2016-08-31 | 2016-08-31 | 一种基于多流优化的gpu逆时偏移方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107783184B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102253919A (zh) * | 2011-05-25 | 2011-11-23 | 中国石油集团川庆钻探工程有限公司 | 基于gpu和cpu协同运算的并行数值模拟方法和*** |
CN103675895A (zh) * | 2012-08-30 | 2014-03-26 | 中国石油化工股份有限公司 | 一种利用gpu提高波场延拓计算效率的方法 |
US8972234B2 (en) * | 2011-02-09 | 2015-03-03 | Advanced Geophysical Technology Inc. | Method and system to reduce: memory requirements, device-to-host transfer bandwidth requirements, and setup time, for seismic modeling on graphics processing units |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090164756A1 (en) * | 2005-10-18 | 2009-06-25 | Tor Dokken | Geological Response Data Imaging With Stream Processors |
-
2016
- 2016-08-31 CN CN201610798688.1A patent/CN107783184B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8972234B2 (en) * | 2011-02-09 | 2015-03-03 | Advanced Geophysical Technology Inc. | Method and system to reduce: memory requirements, device-to-host transfer bandwidth requirements, and setup time, for seismic modeling on graphics processing units |
CN102253919A (zh) * | 2011-05-25 | 2011-11-23 | 中国石油集团川庆钻探工程有限公司 | 基于gpu和cpu协同运算的并行数值模拟方法和*** |
CN103675895A (zh) * | 2012-08-30 | 2014-03-26 | 中国石油化工股份有限公司 | 一种利用gpu提高波场延拓计算效率的方法 |
Non-Patent Citations (2)
Title |
---|
唐祥功,等.多GPU协同三维叠前逆时偏移方法研究与应用.《石油地球物理勘探》.2013,910-914. * |
多GPU协同三维叠前逆时偏移方法研究与应用;唐祥功,等;《石油地球物理勘探》;20131231;910-914 * |
Also Published As
Publication number | Publication date |
---|---|
CN107783184A (zh) | 2018-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Seismic trace interpolation for irregularly spatial sampled data using convolutional autoencoder | |
Stantchev et al. | Fast parallel particle-to-grid interpolation for plasma PIC simulations on the GPU | |
Namikawa | CMB internal delensing with general optimal estimator for higher-order correlations | |
Li et al. | A method of using GPU to accelerate seismic pre‐stack time migration | |
Mu et al. | Rapid earthquake detection through GPU-Based template matching | |
CN105467443A (zh) | 一种三维各向异性弹性波数值模拟方法及*** | |
Rizvandi et al. | MapReduce implementation of prestack Kirchhoff time migration (PKTM) on seismic data | |
CN112415574B (zh) | 一种地震数据的非规则优化采集方法、装置、设备及介质 | |
Xue et al. | An efficient GPU implementation for locating micro-seismic sources using 3D elastic wave time-reversal imaging | |
CN116774292B (zh) | 一种地震波走时确定方法、***、电子设备及存储介质 | |
Sun et al. | Seismic random noise attenuation via self-supervised transfer learning | |
Xu et al. | An efficient implementation of 3D high-resolution imaging for large-scale seismic data with GPU/CPU heterogeneous parallel computing | |
CN114839673A (zh) | 多震源高效采集波场分离方法、分离***及计算机设备 | |
Hou et al. | Full tensor gravity gradiometry data inversion: Performance analysis of parallel computing algorithms | |
Panetta et al. | Accelerating Kirchhoff migration by CPU and GPU cooperation | |
CN106662665B (zh) | 用于更快速的交错网格处理的重新排序的插值和卷积 | |
CN107783184B (zh) | 一种基于多流优化的gpu逆时偏移方法及*** | |
WO2013033651A1 (en) | Full elastic wave equation for 3d data processing on gpgpu | |
CN111123361B (zh) | 垂直地震剖面地震数据规则化重建方法及装置、存储介质 | |
US20230095632A1 (en) | Interpretive-guided velocity modeling seismic imaging method and system, medium and device | |
Suh et al. | Expanding domain methods in GPU based TTI reverse time migration | |
CN115511004A (zh) | 一种五维地震资料低秩约束重建方法、***、介质及设备 | |
Liu et al. | LSRB-CSR: A low overhead storage format for SpMV on the GPU systems | |
Tomas et al. | Acceleration of the anisotropic PSPI imaging algorithm with Dataflow Engines | |
Pallipuram et al. | A multi-node GPGPU implementation of non-linear anisotropic diffusion filter |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200121 Termination date: 20200831 |
|
CF01 | Termination of patent right due to non-payment of annual fee |