Simulation numérique des écoulements en roches poreuses utilisant de grandes masses de données expérimentales: enjeux, stratégies et perspectives Philippe Poncet Equipe Méthodes Numériques et Fluides Complexes Lab. de Mathématiques et leurs Applications (LMAP, UMR CNRS 5142) Institut Pluridisciplinaire de Recherches Appliquées (IPRA) Université de Pau et des Pays de l’Adour (UPPA) Groupe de travail Milieux Poreux (LMAP) : Brahim Amaziane, Etienne Ahusborde, Laurène Hume (doctorante), Mustapha El Ossmani, Philippe Poncet, Charles Pierre Tomographie (LFC-R, D-MEX) : Fabrice Guerton, Peter Moonen, Pascale Sénéchal Associés : Robin Chatelin (LTDS St Etienne), David Sanchez (IMT Toulouse) HPC : High-Performance-Computing • Plusieurs aspects du HPC: – – – – Différents objectifs, Différents moyens de calcul, Différents volumes de calcul et de données, Différentes échelles de temps de calcul, • Choix Algorithme vs Architecture, une efficacité très variable: HPC : High-Performance-Computing Suivant le contexte, on a affaire à plusieurs types de HPC: • Many-Task-Computing (MTC): Grandes architectures distibuées – Développements souvent dédiés à l’optimisation des communications (MPI, …) – Exemple: Planification de tâches, équilibrage de charge, topologie de réseaux, – Exemple applicatif: Décomposition de domaine, solveur de systèmes linéaires, … • High-Throughput-Computing (HTC): Grands volumes de calcul – Peu de communication en many-core-architectures, runs longs – Exemple: Optimisation stochastique, sensibilité, différentiation, … – Exemple du projet peta-scale 2008 : Climatologie et météo, astrophysique, … • High-Density-Computing (HDC): Grands flux de données – Tâches courtes, threads et mapping, – Souvent en mémoire partagée, GPU, Accélérateurs, calcul hybride, – Gestion RAM proche vs RAM lointaine pour une haute performance. Big Data pour le Calcul Scientifique Code « commercial » INPUT Masse de données (Big Data) Déploiement // MTC Code « recherche » Modélisation Méthodes numériques Algorithmique : - Optimisation RAM - Complexité TCPU - Scalabilité OUTPUT Masse de données (Big Data) MTC GPU Accélérateurs Postprocessing Ecoulements à l’échelle des pores Ecoulement 10243 en 30 minutes Front d’invasion, 3.5m par itération Masse de données par tomographie RX Masse de données pertinentes en input à exploiter à D-MEX (UMS UPPA CNRS Total) : 8.2 Po/an 20003 voxels par acquisition Perspectives Calcul d’incertitudes Rhéologie hétérogène (inclusions, micro-émulsion) Chimie di- et tri-phasique Cursus Master en Ingénierie Mathématique et Informatique Une autre voie pour le métier d’ingénieur • • Un parcours d’excellence en 5 ans à l’Université activités de mise en situation débouchant sur le métier d’ingénieur • Construit sur le modèle international du « master of engineering » • • • Formation à la recherche des étudiants 25% de projets et stages – 5 stages durant le cursus, dont 2 en laboratoire de Des enseignements d’ouverture sociétale, économique et culturelle Soutenu par le milieu économique local – – recherche et 3 en industriel Adossé aux laboratoires de recherche – Une pédagogie laissant une large part aux – humaines, communication, juridique, … TOTAL, Safran-Turboméca, AVENIA, Hélioparc • Licence Mathématiques et Informatique Master Big Data Master MMS 20% du cursus sur économie, ressources Une ouverture internationale – 1 semestre minimum à l’étranger Master MSID reseau-figure.fr [email protected]