Defesa de Mestrado – Victor Hugo Rodrigues Machado

Aluno: Victor Hugo Rodrigues Machado

Programa: Programa de Pós-Graduação em Engenharia Elétrica e Informática Industrial (CPGEI)

Título: Ranqueamento de bibliotecas Python em GPU para simulação de ondas acústicas

Orientador: Dr. Daniel Rodrigues Pipa

Banca:
– Dr. Daniel Rodrigues Pipa – Presidente – UTFPR
– Dr. André Eugênio Lazzaretti – UTFPR
– Dr. Hector Lise De Moura – Immer Messen

Data: 02/07/2026 às 09:00h

Local: Sala Multimeios (CI-003)

Online: https://meet.google.com/awo-eksi-hnz

Resumo: Métodos de diferenças finitas no domínio do tempo são amplamente utilizados para simular a propagação de ondas acústicas em aplicações como imageamento sísmico e testes não destrutivos por ultrassom. As crescentes demandas computacionais de problemas de grande escala, particularmente na inversão de forma de onda completa, tornaram a aceleração por GPU um requisito fundamental. Paralelamente, diversas bibliotecas de GPU baseadas em Python surgiram, cada uma oferecendo diferentes vantagens e desvantagens em termos de desempenho, consumo de memória, portabilidade e facilidade de implementação. No entanto, comparações sistemáticas e quantitativas dessas bibliotecas sob uma formulação numérica unificada ainda são limitadas. Este trabalho propõe uma metodologia abrangente de avaliação comparativa e classificação para avaliar bibliotecas de GPU em Python para simulação de ondas acústicas usando modelos físicos e numéricos consistentes. Formulações de primeira e segunda ordem da equação de onda acústica bidimensional foram implementadas usando esquemas de staggered grid com integração temporal leapfrog e camadas convolucionais perfeitamente casadas (CPML). Os simuladores são avaliados em configurações padronizadas com tamanhos variáveis de região de interesse e a precisão numérica é verificada em relação a soluções analíticas derivadas de funções de Green. As métricas de desempenho incluem tempo de execução, uso de memória gráfica, utilização de processamento da GPU, energia refletida na fronteira e facilidade de implementação. Uma abordagem de tomada de decisão multicritério baseada no Processo Analítico Hierárquico (AHP) e na Técnica para Ordenação por Preferência de Similaridade à Solução Ideal (TOPSIS) é utilizada para obter uma classificação geral. Os resultados indicam que a biblioteca Taichi Lang oferece o melhor desempenho geral, atingindo tempos médios de execução abaixo de 11 segundos para uma grade de 5000² pixels com uso de memória inferior a 3,25 GB. As implementações usando convolução da biblioteca CuPy também apresentam desempenho competitivo, combinando boa eficiência com alta simplicidade de implementação. Esses resultados destacam o Taichi Lang e o CuPy como as bibliotecas Python mais adequadas para simulações acústicas aceleradas por GPU em larga escala.