Performance improvements applied in an electromagnetic inversion application focused on homogeneous and heterogeneous computational environments

Abstract

Physical oil exploration executed by the oil and gas industry usually requires amounts of money in the order of millions. This industry resorts to numerical and computational methods that help correctly map areas in the ocean with a higher probability of oil and gas incidence and avoid unnecessary drilling operations. One of such methods is the ma rine Controlled Source Electromagnetic (mCSEM), which uses maritime receivers fixed in a specific region on the seafloor to gather electromagnetic data from such region. An electromagnetic emitter linked to a ship emanates a low-frequency signal and move over this predetermined area. After the electromagnetic waves traverse the subsurface under the seabed and reflect, the receivers measure the field and store this data. We then need an inversion process to recover the resistivity imprinted by the underground materials. Once that oil and gas have known resistivity values, we can better estimate if the region has oil reservoirs and where they are placed. All these processes are computationally expansive, requiring that the application be as optimized as possible to deliver results as fast as possible. This work studies an inversion application that uses finite direct equa tions and the common mid-point technique to deal with data collected from the mCSEM method. This application has three main steps: forward, linear system solution, and cor rection, where the first is parallelized to deliver better performance. We found space for computational improvements in our application with a load imbalance analysis once we identified an issue from the original workload scheduling policy. We implement and eval uate load balancing heuristics to improve the scalability in different cluster configurations in homogeneous and heterogeneous environments. We improved 44% in homogeneous environments and 78% in heterogeneous environments with our implemented solutions compared against the original. Furthermore, we develop a capacity planning for this ap plication. We designed a tool that uses traces from previous controlled executions with a specific study case and predicts the application’s behavior to a set of given machine combinations. Such a tool helps in this planning by allowing users to manipulate this simulated data using interactive visualization.

A exploração física de petróleo executada pela indústria de petróleo e gás costuma deman dar valores da ordem de milhões de dólares. Esta indústria então recorre a métodos numéricos e computacionais para ajudar a mapear corretamente as áreas oceânicas com maior probabilidade de incidência de petróleo e gás e evitar operações de perfuração desnecessárias. Um desses métodos é o marine Controlled Source Electromagnetic (mCSEM), em Português, Método Eletromagnético Marinho de Fonte Controlada. Este método utiliza receptores marítimos fixados em uma região específica do fundo do mar para coletar dados eletromagnéticos dessa região. Um emissor eletromagnético ligado a um navio se move sob esses receptores e emana um sinal eletromagnético de baixa frequência. Depois que as ondas eletromagnéticas atravessam a subsuperfície sob o fundo do mar e refletem, os receptores medem o campo em questão e armazenam esses dados. Precisamos então de um processo de inversão de dados para recuperar a resistividade impressa pelos materiais subterrâneos. Uma vez que o petróleo e o gás possuem valores de resistividade conheci dos, podemos estimar melhor se a região possui reservatórios deste materiais e onde eles estão localizados. Todos esses processos são computacionalmente caros, exigindo que a aplicação seja o mais otimizada possível para entregar resultados o mais rápido possível. Este trabalho estuda uma aplicação de inversão de dados que utiliza equações diretas finitas e a técnica do ponto médio comum, do inglês Common Mid-Point, para lidar com dados coletados a partir do método mCSEM. Esta aplicação possui três etapas principais: modelagem direta, resolução do sistema linear e correção, onde a primeira é paralelizada para oferecer melhor desempenho. Encontramos espaço para melhorias computacionais em nossa aplicação com uma análise de desequilíbrio de carga, uma vez que identificamos um problema na política original de distribuição de carga. Implementamos e avaliamos heurísticas de balanceamento de carga para melhorar a escalabilidade em clusters ho mogêneos e heterogêneos. Melhoramos o tempo de execução da aplicação em 44% em ambientes homogêneos e em 78% em ambientes heterogêneos. Além disso, desenvolvemos um planejamento de capacidade de execução, do inglês capacity planning, para esta aplicação. Projetamos uma ferramenta que utiliza rastros de execuções controladas anteriores com um caso de estudo específico para prever o comportamento da aplicação para um conjunto determinado de combinações de máquinas. Tal ferramenta auxilia neste planejamento ao permitir que os usuários manipulem esses dados simulados utilizando uma visualização interativa.