در تحقيق حاضر از روش بولتزمن شبكه اي، به واسطه مزايايي كه براي حل جريان غيرنيوتوني و پردازش موازي دارد، استفاده شده است تا بر روي پردازنده گرافيكي Gtx580 پياده سازي شود. براي گسسته سازي معادله بولتزمن از مدل شبكه D3Q19 استفاده ميشود و براي مرحله برخورد در آن از مدل زمان آرامش منفرد استفاده ميگردد. از مدل تواني براي سيال غيرنيوتوني استفاده شده است. سعي شده است تا از حافظه shared در پردازنده گرافيكي به صورتي استفاده شود تا باعث افزايش كارايي پردازنده شود. نتايج نشان دهنده دقت و كارايي بالاي روش شبكه بولتزمن در مدلسازي جريان غيرنيوتوني است و اين كه نوع سيال تواني تاثير زيادي روي الگوي جريان دارد. در نهايت پردازنده گرافيكي افزايش سرعتي تا سقف 82.43 برابر نسبت به Cpu و خروجي حافظه اي تا سقف 82% حالت ايده آل را نشان داد
پياده سازي روش بولتزمن شبكه اي بر روي پردازنده گرافيكي براي شبيه سازي جريان سيال غيرنيوتوني
در تحقيق حاضر از روش بولتزمن شبكه اي، به واسطه مزايايي كه براي حل جريان غيرنيوتوني و پردازش موازي دارد، استفاده شده است تا بر روي پردازنده گرافيكي Gtx580 پياده سازي شود. براي گسسته سازي معادله بولتزمن از مدل شبكه D3Q19 استفاده ميشود و براي مرحله برخورد در آن از مدل زمان آرامش منفرد استفاده ميگردد. از مدل تواني براي سيال غيرنيوتوني استفاده شده است. سعي شده است تا از حافظه shared در پردازنده گرافيكي به صورتي استفاده شود تا باعث افزايش كارايي پردازنده شود. نتايج نشان دهنده دقت و كارايي بالاي روش شبكه بولتزمن در مدلسازي جريان غيرنيوتوني است و اين كه نوع سيال تواني تاثير زيادي روي الگوي جريان دارد. در نهايت پردازنده گرافيكي افزايش سرعتي تا سقف 82.43 برابر نسبت به Cpu و خروجي حافظه اي تا سقف 82% حالت ايده آل را نشان داد