Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Salamanca Becerra, William AlexanderRamírez Silva, Ana BeatrizParra Prada, Dorfell Leonardo2024-03-0320162024-03-0320162016https://noesis.uis.edu.co/handle/20.500.14071/34201Conocer la estructura de la tierra es importante en varios campos de la industria y la academia. Para obtener una representación de la subsuperficie, datos sísmicos de las adquisiciones son procesados y analizados usando algoritmos complejos como la Migración Reversa en Tiempo (RTM), y la Inversión de Onda Completa (FWI). La etapa fundamental de estos algoritmos es el modelado sísmico. En el modelado sísmico la propagación de la energía en la subsuperficie es simulada usando la ecuación de la onda acística en términos del método FDTD. Debido a que el método FDTD es computacionalmente costoso, el uso de arquitecturas many-cores, (e.g. Unidades de Procesamiento Gráfico (GPU)), se ha vuelto atractivo para problemas the gran escala. El tiempo de ejecución de una implementación de GPU depende de las especificaciones de hardware, parámetros de la implementación, preferencias del usuario, y en el volumen de los datos de entrada entre otros. Para encontrar la configuración de parámetros que permita gastar el menor tiempo en la GPU, una estrategia tradicional consiste en comenzar con una implementación inicial y ejecutar varias pruebas cambiando los parámetros para encontrar el mejor conjunto de parámetros. Sin embargo, para implementaciones de gran escala (e.g. modelado sísmico) esta estrategia es inviable. En este trabajo, una implementación de el modelado sísmico en CPU y GPU es presentada. También se propone una metodología que permite adaptar el modelo analítico MWP-CWP para estimar el tiempo de ejecución de la implementación, así como el proceso de identificación de extracción de parámetros (i.e. binarios de CUDA, Micro-benchmarks, etc.). La validación del modelo compara el tiempo de ejecución estimado con el tiempo de ejecución medido de la implementación del modelado sísmico en una GPU Kepler K40 de NVIDIA.application/pdfspahttp://creativecommons.org/licenses/by/4.0/GpuModelado SísmicoModelo AnalíticoMicro-BenchmarkAnalytical model to estimate the execution time of a 3d acoustic wave equation implementation using fdtd in a gpuUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - MaestriaUniversidad Industrial de Santanderhttps://noesis.uis.edu.coKnowing the earth’s subsurface structure is important for several fields in both industry and academy. To obtain a representation of the subsurfaceseismic data acquired in surveys are processed and analyzed using complex algorithms such as the Reverse Time Migration (RTM) and the Full Wave Inversion (FWI). The fundamental stage of those algorithms is the seismic modelling. In the seismic modelling the energy propagation through the subsoil can be simulated using the FDTD acoustic wave equation. Because the FDTD method is a highly computationally expensive methodthe use of many-core architectures such as Graphic Processor Units (GPU) for large scale problems has become attractive. The execution time of GPU implementation depends on the hardware specificationsimplementation parametersuser preferences and input data volume. In order to find the parameters configuration that allows to spend the less time on the GPUa traditional strategy is to start from a scratch implementation and run several tests varying the parameters to figure out the best set of parameters. Howeverfor large scale implementations (e.g. seismic modelling) this strategy is infeasible. In this workan implementation of the seismic modelling in both CPU and GPU is presented. Alsoa methodology to adapt the MWP-CWP analytical model to estimate the execution time that implementation is proposedas well as the parameters identification and the extraction process (i.e. CUDA binariesmicro-benchmarksetc). The validation compares the estimated execution time with the measured execution time of the seismic modelling implementation on a NVIDIA Kepler K40 GPUGpu, Seismic Modelling, Analytical Model, Micro-Benchmarkinfo:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)