В статье рассматривается задача ускоренного формирования репрезентативных наборов данных численного моделирования, используемых при реконструкции магнитных характеристик материалов в информационно-измерительных системах для коротких образцов. В ранее разработанных измерительных решениях повышение чувствительности достигается, в том числе, введением параллельного магнитного шунта, однако интерпретация измерительной информации требует решения обратной задачи и построения моделей, привязанных к конкретной геометрии установки. При изменении геометрии или параметров магнитной системы возникает необходимость повторного расчета большого числа сценариев методом конечных элементов. Прямое распараллеливание решения одной конечно-элементной задачи затруднено вследствие глобальной связности разреженной системы линейных алгебраических уравнений и высокой стоимости межпроцессорных обменов, поэтому предлагается параллелизация на уровне независимых расчетных задач параметрического перебора. Предложена облачная микросервисная архитектура, реализующая полный автоматизированный цикл: генерация сетки, формирование постановки магнитостатической задачи, численное решение, централизованное хранение результатов и формирование обучающей выборки. Реализация выполнена в инфраструктуре Yandex Cloud. Экспериментально показано, что среднее время расчета одной точки составляет 22,78 секунды, из которых 3,64 секунды занимает генерация сетки, а 19,13 секунды – решение задачи. Время формирования выборки из 900 характеристик сокращается со 105 часов до 9 минут при увеличении числа параллельных контейнеров до 900, что подтверждает близкую к линейной масштабируемость предложенного подхода.
The problem of accelerated generation of representative numerical simulation datasets, used in the reconstruction of magnetic characteristics of materials in information-measuring systems for short samples, is considered. In previously developed measuring solutions, increased sensitivity is achieved, among other things, by introducing a parallel magnetic shunt. However, the interpretation of measurement data requires solving an inverse problem and constructing models tailored to the specific geometry of the setup. When the geometry or parameters of the magnetic system change, a large number of scenarios must be recalculated using the finite element method. Direct parallelization of solving a single finite element problem is challenging due to the global connectivity of the sparse system of linear algebraic equations and the high cost of interprocessor communications. Therefore, parallelization at the level of independent computational tasks during a parametric sweep is proposed. A cloud-based microservice architecture is proposed that implements a fully automated cycle: mesh generation, formulation of the magnetostatic problem, numerical solution, centralized storage of results, and generation of a training dataset. The implementation was carried out within the Yandex Cloud infrastructure. It is experimentally demonstrated that the average calculation time for a single point is 22.78 seconds, of which mesh generation takes 3.64 seconds and the problem solving takes 19.13 seconds. The time required to generate a dataset of 900 characteristics is reduced from 105 hours to 9 minutes when the number of parallel containers is increased to 900, confirming the near-linear scalability of the proposed approach.
The authors declare that there are no conflicts of interest present.