Background. Physically-based snow simulation is computationally expensive and not yet applicable to real-time applications. Some of the prime factors for this cost are the complex physics, the large number of particles, and the small time step required for a high-quality and stable simulation.Simplified methods, such as height maps, are used instead to emulate snow accumulation. A way of improving performance is finding ways of doing less computations. In the field of computer graphics, adaptive methods have been developed to focus computation to where it is most needed. These works will serve as inspiration for this thesis. Objectives. This thesis aims to reduce the total particle workload of an existing Discrete Element Method (DEM) application, thereby improving performance. The aim consists of the following objectives. Integrate a spatial method, thereby lessening the total number of particles through particle merging and splitting, and implement a temporal method, thereby lessening the workload by freezing certain particles in time. The performance of both these techniques will then be tested and analyzed in multiple scenarios. Methods. Spatially and temporally adaptive methods were implemented in an existing snow simulator. The methods were both measured and compared using quantitative tests in three different scenes with varying particle counts. Results. Performance tests show that both the spatial and temporal adaptivity reduce the execution time compared to the base method. The improvements from temporal adaptivity are consistently around 1.25x while the spatial adaptivity shows a larger range of improvements between 1.23x and 2.86x. Combining both adaptive techniques provides an improvement of up to 3.58x. Conclusions. Both spatially and temporally adaptive techniques are viable ways to improve the performance of a DEM-based snow simulation. The current implementation has some issues with performance overhead and with the visual results while using spatial adaptivity, but there is a lot of potential for the future. / Bakgrund. Fysikbaserad snösimulering är beräkningsmässigt dyrt och ännu inte tillämpligt på realtidsapplikationer. Några av de viktigaste faktorerna för denna kostnad är den komplexa fysiken, stora mängden partiklar och det lilla tidssteg som krävs för en högkvalitativ och stabil simulering. Förenklade metoder, såsom höjdkartor, används istället för att efterlikna ansamlingen av snö. Ett sätt att förbättra prestandan är hitta sätt att göra färre beräkningar. Inom området datorgrafik har adaptiva metoder utvecklats för att fokusera beräkningen där den behövs som mest. Dessa verk kommer att användas som inspiration för detta arbete. Syfte. Detta examensarbete syftar till att minska den totala partikelbelastningen för en befintlig applikation baserat på Discrete Element Method (DEM), och därigenom förbättra prestandan. Målet består av följande mål. Integrera en rumslig metod, och därigenom minska det totala antalet partiklar genom partikelsammanslagning och -splittring, och implementera en tidsmässig metod, och därigenom minska arbetsbelastningen genom att frysa vissa partiklar i tiden. Båda dessa teknikers prestanda kommer sedan att testas och analyseras i flera scenarier. Metod. Metoder för rumslig- och tidsmässig adaptivitet implementerades i en befintlig snösimulator. Metoderna både mättes och jämfördes med hjälp av kvantitativa tester i tre olika scener med varierande partikelantal. Resultat. Prestandatester visar att både den rumsliga och tidsmässiga adaptiviteten minskar exekveringstiden jämfört med basmetoden. Förbättringarna från tidsmässig adaptivitet är konsekvent runt 1,25x medan den rumsliga adaptiviteten visar en större bredd av förbättringar mellan 1,23x och 2,86x. Kombinering av båda adaptiva teknikerna ger en förbättring på upp till 3,58x. Slutsatser. Både rumsligt och tidsmässigt adaptiva tekniker är användbara sätt att förbättra prestandan för en DEM-baserad snösimulering. Den nuvarande implementationen har vissa problem med prestanda och med de visuella resultaten vid användning av rumslig adaptivitet, men det finns mycket potential för framtiden.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:bth-24736 |
| Date | January 2023 |
| Creators | Andreasson, Simon, Östergaard, Linus |
| Publisher | Blekinge Tekniska Högskola, Institutionen för datavetenskap |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0018 seconds