Re-Engineering Forest Fire Spread Simulator to consider Urgent and Green Computing

Resumen

Los simuladores de propagación de incendios forestales han demostrado ser unas herramientas realmente útiles en la lucha contra los incendios forestales. Debido a la necesidad de conseguir predicciones realistas de la propagación del fuego en tiempo casi real, el tiempo para simular su evolución es limitado. A la hora de realizar la predicción de la futura evolución del incendio forestal, hay dos consideraciones principales: la precisión de la predicción y el tiempo de cómputo. En el campo de los incendios forestales, gran parte del error en la predicción es debido a la incertidumbre de los datos de entrada. Para reducir el impacto de esta incertidumbre, se han desarrollado diferentes estrategias. Una de estas estrategias consiste en introducir una nueva etapa intermedia en la que los parámetros de entrada del simulador se ajustan en función de la evolución real del incendio. Para optimizar esta etapa de ajuste se utiliza un Algoritmo Genético (AG). Esta estrategia de calibración es muy intensiva desde el punto de vista computacional y requiere mucho tiempo. Teniendo en cuenta la urgencia en la predicción de la propagación de incendios forestales, es necesario mantener un equilibrio entre la precisión y el tiempo necesario para calibrar los parámetros de entrada. En esta tesis, seguimos tres estrategias diferentes para mejorar la calidad de la predicción de la propagación de incendios forestales y reducir el tiempo de ejecución.

La primera estrategia consiste en implementar la metodología de precisión mixta al simulador de propagación de incendios forestales. La mayoría de los códigos científicos han exagerado la precisión numérica necesaria para obtener resultados fiables. Por lo tanto, existe la posibilidad de obtener aumentos de velocidad sustanciales si se emplea una elección más adecuada de la precisión de algunas variables. Proponemos usar un enfoque de precisión mixta para acelerar la simulación de cada individuo sin sacrificar precisión en la predicción. Dado que el AG es una metodología iterativa, cuantas más iteraciones podamos hacer, mejor será la solución que encontremos. Sin embargo, la predicción de la propagación del incendio tiene que ser obtenida antes de la evolución del fuego real; esto implica que el número de individuos por generación del AG está determinado por el tiempo de respuesta. Si se reduce el tiempo de ejecución para simular un individuo, podremos aumentar el número de generaciones y el número de individuos por generación, por lo que la calidad de la predicción obtenida mejorará. Nuestro trabajo ha concluido que el uso del enfoque de precisión mixta puede acelerar todo el sistema de predicción evolutiva.

La segunda estrategia consiste en aplicar una paralelización de grano fino (fine-grain parallelization) para aumentar la precisión del simulador de propagación de incendios forestales sin aumentar excesivamente el tiempo de ejecución. Para aplicar eficazmente esta paralelización de grano fino, se aprovechan las capacidades computacionales de las GPU (Unidades de Procesamiento Gráfico). La mayoría de los estudios realizados hasta el momento con GPUs utilizan simuladores de propagación de incendios forestales basados en Autómatas Celulares (AC) porque son más sencillos de paralelizar, pero este tipo de simuladores adolecen de una baja precisión. Un enfoque alternativo a la estrategia de propagación CA es el esquema basado en la Propagación de Onda Elíptica (EWP). Se ha demostrado que el enfoque EWP proporciona resultados más precisos que CA, pero requiere tiempos de ejecución mayores. Además, la complejidad del enfoque EWP hace que su paralelización sea un problema complejo. Nuestra propuesta consiste en implementar una paralelización en GPUs para reducir el tiempo de ejecución necesario para simular la evolución de un incendio forestal que, a su vez, permita mejorar la precisión de los resultados. Para poder analizar adecuadamente la mejora del rendimiento obtenido al utilizar el esquema EWP paralelo propuesto, comparamos nuestra implementación en la GPU con una paralelización en OpenMP utilizando un incendio real. Los resultados obtenidos ponen de manifiesto que el esquema EWP paralelo propuesto reduce el tiempo de ejecución empleado en la ejecución de la simulación de la propagación de un incendio forestal y permite obtener los resultados con mayor resolución, lo que se traduce en resultados más precisos al aplicar este esquema paralelo en escenarios reales.

La última estrategia fomenta el uso de nuevas plataformas para ayudar a recoger parámetros del incendio en tiempo real en la misma zona donde se está produciendo, lo que puede reducir considerablemente la incertidumbre de los datos de entrada. Sin embargo, si el lugar donde se produce el incendio tiene una baja conectividad, estos datos no pueden ser enviados, por lo que es de suma importancia disponer de una plataforma para realizar la simulación de propagación forestal \textit{in situ}. El sistema integrado resultante sería más eficiente para predecir el comportamiento futuro del fuego en tiempo real, cerca de donde el fuego está ardiendo. El objetivo principal consiste en aplicar nuestra implementación de la GPU EWP con una GPU de bajo consumo para conseguir los requisitos de tiempo de ejecución sin perder precisión en las simulaciones de la propagación del fuego para ser utilizadas en escenarios reales. Para lograr este objetivo, presentamos un análisis cuantitativo de la ejecución de un simulador de propagación de incendios forestales en un sistema integrado con una GPU de bajo consumo y comparamos su rendimiento con el de una GPU de escritorio. Además, dado que los sistemas embebidos tienen diferentes configuraciones de potencia, se prueban los distintos modos de energía usando un incendio forestal real. Los resultados ponen de manifiesto que la utilización del sistema embebido permite realizar la previsión de incendios \textit{in situ}, con una alta resolución en tiempo casi real. Los resultados obtenidos de este estudio pueden extrapolarse a otro tipo de modelos computacionales, teniendo en cuenta sus particularidades específicas.

Fecha de lectura	1 abr 2022
Idioma original	Inglés
Supervisor	Tomàs Margalef (Codirector/a) & Antonio Miguel Espinosa Morales (Codirector/a)