Simulation numérique des écoulements en roches

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]