[pt] Ray-Casting é uma técnica muito usada em visualizção volumétrica para a criação de imagens médicas, a partir de dados obtidos por ressonância magnética (MRI) e tomografias computadorizadas (CT). No entanto, ray- casting tem um alto custo computacional que resulta em um processo de visualização lento, o que compromete a interatividade necessária para uma boa compreensão do conjunto de dados tri-dimensionais.Este trabalho propõe estratégias para a otimização do algoritmo de ray-casting e para melhorar sua eficiência. Além disso, esta tese investiga o uso em um ambiente de computação distribuída, através de um protocolo de comunicação entre estações de trabalho heterogêneas e não dedicadas, conectadas em uma rede local.As idéias propostas foram implementadas em duas versões do algoritmo, uma sequencial e uma paralela. Os resultados obtidos com essas implementações em conjuntos de dados reais mostram que é possível obter tempo interativo com as máquinas disponíveis atualmente e em condições normais de uso da rede local por outros usuários. / [en] Ray-Casting is a useful volume visualization technique applied to medical images such as computer tomography (CT) and magnetic resonance image (MRI). It has, however, a high computational cost that results in a slow rendering process, which compromises the interactivity that is necessary for a good comprehension of the three-dimensional data set. This work proposes optimization strategies to the ray- casting algorithm to improve its effciency. To enhance, even further, the thesis investigates the use of a distributed computer environment through a communication protocol between heterogeneous and non- dedicate LAN-connected workstations. The ideas proposed here were implemented in two versions of the algorithm, one se- quential and one parallel. Test results, obtained with these implementations and real data sets, show that it is possible to obtain interactive time with the current available machines.

[pt] Métodos computacionais em engenharia são usados na solução de problemas físicos que não possuem solução analítica ou sua perfeita representação matemática é inviável. Técnicas de métodos numéricos, incluindo o amplamente usado método dos elementos finitos, podem exigir a solução de sistemas lineares com centenas de milhares de equações, demandando altos recursos computacionais (memória e tempo). Nesta tese, nós apresentamos um sistema baseado em plugins para análise numérica em larga escala. O sistema é usado como uma ferramenta original na solução de problemas de otimização topológica usando o método dos elementos finitos com milhões de elementos. Nossa estratégia utiliza uma técnica elemento-por-elemento para implementar um código altamente paralelo para um solver iterativo com baixo consumo de memória. Além disso, a abordagem de plugin proporciona um ambiente completamente flexível e fácil de estender, onde diferentes aplicações, exigindo diferentes tipos de elementos finitos, materiais, solvers lineares e formulações podem ser desenvolvidos e melhorados. O kernel do sistema é mínimo, com apenas um módulo gerenciador de plugin, responsável por carregar os plugins desejados em tempo real usando um arquivo de configuração de entrada. Todas as funcionalidades necessárias para uma determinada aplicação são definidas dentro dos plugins, sem a necessidade de mudar o kernel. Plugins podem disponibilizar ou exigir interfaces adicionais especializadas, onde outros plugins podem ser conectados para compor um sistema mais complexo e completo. Nós apresentamos resultados para uma análise estrutural estática linear elástica e para uma análise estrutural de otimização topológica. As simulações utilizam elementos Q4, hexagonal (Brick8) e prisma hexagonal (Honeycomb), com solvers diretos e iterativos usando computação sequencial, paralela e distribuída. Nós investigamos o desempenho com relação ao uso de memória e escalabilidade da solução para problemas com diferentes tamanhos, de exemplos pequenos a muito grandes em apenas uma máquina e em um cluster. Foi simulado um exemplo de análise estática linear elástica com 500 milhões de elementos em 300 máquinas. / [en] Computational methods in engineering are used to solve physical problems that do not have analytical solution or their perfect mathematical representation is unfeasible. Numerical techniques, including the largely used finite element method, require the solution of linear systems with hundreds of thousands equations, demanding high computational resources (memory and time). In this thesis, we present a plugin-based framework for large-scale numerical analysis. The framework is used as an original tool to solve topology optimization problems using the finite element method with millions of elements. Our strategy uses an element-by-element technique to implement a highly parallel code for an iterative solver with low memory consumption. Besides, the plugin approach provides a fully flexible and easy to extend environment, where different types of applications, requiring different types of finite elements, materials, linear solvers, and formulations, can be developed and improved. The kernel of the framework is minimum with only a plugin manager module, responsible to load the desired plugins during runtime using an input configuration file. All the features required for a specific application are defined inside plugins, with no need to change the kernel. Plugins may provide or require additional specialized interfaces, where other plugins may be connected to compose a more complex and complete system. We present results for a structural linear elastic static analysis and for a structural topology optimization analysis. The simulations use elements Q4, hexahedron (Brick8), and hexagonal prism (Honeycomb), with direct and iterative solvers using sequential, parallel and distributed computing. We investigate the performance regarding the use of memory and the scalability of the solution for problems with different sizes, from small to very large examples on a single machine and on a cluster. We simulated a linear elastic static example with 500 million elements on 300 machines.