<\/HEAD>
Tegenwoordig groeien data overal exponentieel, waardoor ze zo groot en complex worden dat het moeilijk wordt om die effectief te verwerken<\/SPAN> met traditionele computing en algoritmen, inclusief geospatiale data (GIS, remote sensing) en (u<\/SPAN>pstream)<\/SPAN> big d<\/SPAN>ata.<\/SPAN>
<\/SPAN><\/P>Big Data in E&P sector<\/SPAN><\/SPAN><\/P><\/P>De uitdagingen omvatten vastleggen, curatie, opslag, zoeken, delen, overdracht, analyse en visualisatie. <\/SPAN><\/P><\/P>Bijvoorbeeld, i<\/SPAN>n een olieveld zijn duizenden olieproductieputten uitgerust met vele sensoren die dagelijks enorme hoeveelheden informatie vastleggen over de stromingscondities van de put. Jaarlijks worden tientallen TB data verzameld en opgeslagen in datastores, die effectief verwerkt en geanalyseerd moeten worden.<\/SPAN><\/P>
Evenzo in het geospatiale domein, bij het omgaan met (honderden GB tot Terabytes aan hoge-resolutie) 'continue' beelddata, hebben de meeste CPU-gebaseerde algoritmen in onderzoek en ontwikkeling niet voldoende rekenkracht om traditionele beeldverwerkingstaken tijdig uit te voeren ('on-demand' of real-time), hoewel de nieuwste ontwikkelingen van GIS en remote sensing de capaciteit kunnen aantonen om real-time 'discrete' gebeurtenis-gebaseerde data /signaal /netwerk te verwerken, bijvoorbeeld door ArcGIS GeoEvent en ESRI GIS tools voor Hadoop. <\/SPAN> In de operatie kan daarom de verwerkingskracht van typische CPU desktop werkstations een ernstige bottleneck worden bij het bekijken en verbeteren van hoge resolutie beelddata, inclusief kleurbalancering, bundle adjustment, real-time veranderingdetectie, olievlekken, enz.<\/SPAN><\/P>
Al deze data-applicaties vereisen tijdige reacties voor snelle beslissingen, die afhankelijk zijn van real-time /near real-time prestaties van algoritmeanalyse en beeldverwerking (zoals kleurbalancering) in geavanceerde IT-omgevingen (d.w.z. GPUs cluster computing, 'Cloud' computing, MapReduce-enabled applicaties).<\/SPAN><\/P>
Deze on-demand systemen en applicaties kunnen sterk profiteren van high performance computing technieken en praktijken om dataverwerking en visualisatie te versnellen, hetzij nadat de data is verzameld en naar een grondstation op aarde is verzonden, of tijdens het dataverzamelingsproces aan boord van de sensor, in real-time modus. <\/SPAN><\/P><\/P>Parallelle en gedistribueerde computing faciliteiten en algoritmen evenals high-performance FPGA- en DSP-systemen zijn onmisbare hulpmiddelen geworden om de problemen aan te pakken van het verwerken van enorme stroom GIS-, remote sensing- en upstream big data (hieronder). Om deze faciliteiten en algoritmen goed te gebruiken bieden sommige oplossingsleveranciers <\/SPAN>de optimale tools zoals SAS4;<\/SUP> Grid Manager SAS Grid Manager | SAS<\/A> om dit te doen<\/SPAN>.<\/SPAN><\/P>
In recente jaren zijn GPUs geëvolueerd tot zeer parallelle many-core processors met enorme rekenkracht en hoge geheugendoorvoer om twee tot drie ordes van grootte sneller te zijn dan CPUs. Een kosteneffectieve GPU-computer is een betaalbaar alternatief geworden voor een dure CPU-computercluster voor veel ingenieurs en onderzoekers die diverse technische en wetenschappelijke toepassingen uitvoeren.
Vergelijking van Laptop Graphics Cards - NotebookCheck.net Tech<\/A> <\/SPAN><\/P><\/P>
In de praktijk worden veel geavanceerde high-performance computing algoritmen voor big data met SAS en R succesvol toegepast op olieproductie data-analyse. <\/SPAN>Echter staan onderzoek en oplossingontwikkeling in de remote sensing gemeenschap nog steeds voor innovatieve uitdagingen om te voldoen aan operationele eisen in real-time of MapReduce-enabled applicaties, vooral zoals automatisering van kleurbalancering en bundle adjustment, naast real-time detectie van veranderingen & olievlekken, enz.<\/SPAN><\/P><\/P>In de praktijk moeten we effectieve tools gebruiken om \/monitoren \/beheren \/diagnosticeren ‘high availability’ computing prestaties, vooral als een enkel computersysteem, zoals Parallel Processing en (load-balancing) cluster computing. <\/SPAN>Zoals bekend worden deze high performance architecturen meestal uitgevoerd als een enkel computersysteem, inclusief N nodes (CPU-GPU), gedeeld geheugen, en \/of virtuele machines, wat duidelijk anders is dan grid computing en cloud computing.<\/SPAN><\/P><\/P>Bijvoorbeeld is de eenvoudigste taak om te monitoren hoe goed \/slecht de geoprocessing tools van ArcGIS 10.3 en Pro 1.0 gebruik maken van meerdere cores en processors. <\/SPAN><\/P><\/P><\/P>+++++++++++++++++<\/P>
Linux and CUDA-enabled GPU Computing<\/STRONG><\/SPAN><\/P>
CUDA4;<\/SUP> is een parallel computing platform en programmeermodel uitgevonden door NVIDIA. Het maakt dramatische verhogingen in rekenprestaties mogelijk door gebruik te maken van de kracht van de graphics processing unit (GPU).<\/P>
Zie
Getting Started Linux :: CUDA Toolkit Documentation<\/A><\/P><\/P>
Windows and CUDA-enabled GPU Computing<\/STRONG> <\/><\/>\n<\/>\nVerwijs naar
Getting Started Windows :: CUDA Toolkit Documentation<\/>\n<\/>\n<\/>\nWebGL and the implementation of MPEG Dash<\/>\n –een streaming videostandaard die langzaam aan populariteit wint onder industrie spelers — in IE11<\/>\n<\/>\n\n
Microsoft (Eindelijk) Bevestigt WebGL Ondersteuning Voor Internet Explorer 11 | TechCrunch<\/>
