Use este identificador para citar ou linkar para este item: http://repositorio.utfpr.edu.br/jspui/handle/1/34159
Registro completo de metadados
Campo DCValorIdioma
dc.creatorGalera, André Peres-
dc.date.accessioned2024-07-23T15:23:29Z-
dc.date.available2024-07-23T15:23:29Z-
dc.date.issued2023-11-09-
dc.identifier.citationGALERA, André Peres. Implementação do algoritmo TFM em uma unidade de processamento gráfico utilizando bibliotecas CUDA. 2023. Trabalho de Conclusão de Curso (Engenharia Elétrica) - Universidade Tecnológica Federal do Paraná, Pato Branco, 2023.pt_BR
dc.identifier.urihttp://repositorio.utfpr.edu.br/jspui/handle/1/34159-
dc.description.abstractUltrasonic Non-Destructive Testing are widely used in industry as a quality control tool, whose main objective is to identify and characterize corrosion and flaws that may compromise the vitality and usability of the analyzed material. One of the main algorithms used for processing data obtained by ultrasonic testing is the Total Focusing Method (TFM), which allows the identification, localization and dimensioning of defects through the image reconstruction of the internal structure of the tested object. Despite its advantages, TFM demands a high computational power, culminating in a high execution time. Thus, this work aimed to optimize this algorithm by parallelizing it on a NVIDIA GeForce 1050 Ti graphics processing unit. Three different versions of TFM were developed using the PyCUDA, CuPy and Numba CUDA libraries integrated into the Python language. Each developed version was executed using acquired data from a homogeneous aluminum block and a toothed acrylic specimen. Data acquisition for each specimen was done both by simulation, using the software CIVA, and physically, using the Panther™ M2M acquisition system. The results obtained showed that the parallel versions presented lower execution time, that is, a significant speed-up in relation to the reference serial version of the algorithm, especially for large data sets.pt_BR
dc.languageporpt_BR
dc.publisherUniversidade Tecnológica Federal do Paranápt_BR
dc.rightsopenAccesspt_BR
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0/pt_BR
dc.subjectTestes não-destrutivospt_BR
dc.subjectProgramação paralela (Computação)pt_BR
dc.subjectLinguagem de programação (Computadores)pt_BR
dc.subjectNon-destructive testingpt_BR
dc.subjectParallel programming (Computer science)pt_BR
dc.subjectProgramming languages (Electronic computers)pt_BR
dc.titleImplementação do algoritmo TFM em uma unidade de processamento gráfico utilizando bibliotecas CUDApt_BR
dc.title.alternativeImplementation of the TFM algorithm in a graphics processing unit using CUDA librariespt_BR
dc.typebachelorThesispt_BR
dc.description.resumoOs Ensaios Não Destrutivos por ultrassom são amplamente utilizados na indústria como ferramentas de controle de qualidade, tendo por objetivo a identificação e caracterização de corrosões e falhas que possam comprometer a vitalidade e usabilidade do material analisado. Um dos principais algoritmos utilizado para o processamento dos dados obtidos por esse tipo de ensaio é o Total Focusing Method (TFM), o qual possibilita identificar, localizar e dimensionar defeitos por meio da reconstrução da imagem da estrutura interna dos corpos ensaiados. Apesar de suas vantagens, o TFM demanda um alto poder computacional, culminando em um alto tempo de execução. Dessa forma, este trabalho objetivou a otimização desse algoritmo por meio de sua paralelização em uma unidade de processamento gráfico NVIDIA GeForce 1050 Ti. Foram desenvolvidas três versões distintas do TFM com o uso das bibliotecas PyCUDA, CuPy e Numba CUDA integradas à linguagem Python. Cada versão desenvolvida foi executada utilizando dados de ensaio de um bloco homogêneo de alumínio e de uma peça dentada de acrílico. A aquisição dos dados de cada peça foi feita tanto por simulação, com uso do software CIVA, quanto fisicamente, com o sistema de aquisição M2M Panther™. Os resultados obtidos demonstraram que as versões paralelas apresentaram menor tempo de execução, ou seja, um speed-up significativo em relação a versão serial de referência do algoritmo, principalmente para grandes conjuntos de dados.pt_BR
dc.degree.localPato Brancopt_BR
dc.publisher.localPato Brancopt_BR
dc.contributor.advisor1Guarneri, Giovanni Alfredo-
dc.contributor.referee1Guarneri, Giovanni Alfredo-
dc.contributor.referee2Barros, André Macário-
dc.contributor.referee3Denardin, Gustavo Weber-
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentDepartamento Acadêmico de Elétricapt_BR
dc.publisher.programEngenharia Elétricapt_BR
dc.publisher.initialsUTFPRpt_BR
dc.subject.cnpqCNPQ::ENGENHARIAS::ENGENHARIA ELETRICApt_BR
Aparece nas coleções:PB - Engenharia Elétrica

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
tfmprocessamentograficocuda.pdf3,15 MBAdobe PDFThumbnail
Visualizar/Abrir


Este item está licenciada sob uma Licença Creative Commons Creative Commons