The purpose of this paper is to present a methodology for obtaining granular models from a GPU parallel implementation of the geometric separation particle packing strategy. This methodology is suitable for the generation of large-scale granular models used in discontinuous media simulations. The proposed approach uses disk-shaped particles (two-dimensional approach) and parallelization mechanisms that consider different computational environments, with a focus on GPUs. The methodology is divided into three macro-steps: (a) definition of an input set of particles; (b) geometric separation; and (c) removal of spurious particles. The set of input particles uses data related to the particle size distribution and the domain filling rate, defining arbitrary positions for the particles. The other steps are used to eliminate overlaps between particles. Parallel computing is performed using the OpenCL programming API on compatible devices. Examples are presented to show the effectiveness of the proposed methodology. They show good time improvement and better memory efficiency in comparison with the original serial version of the strategy. The method is also validated by comparing the results with experimental and numerical data from the literature. The proposed methodology allows generating granular models with a parallel GPU particle packing method. It turns possible the achievement of bigger models in a smaller amount of time, without compromising the strategy efficiency and accuracy. It also presents mechanisms to avoid information exchange between GPU and CPU.

本文的目的是提出一种从几何分离粒子堆积策略的GPU并行实现中获取粒度模型的方法。此方法适用于不连续媒体模拟中使用的大规模粒度模型的生成。所提出的方法使用盘状粒子（二维方法）和并行化机制，这些机制考虑了不同的计算环境，重点是GPU。该方法分为三个宏观步骤：（a）定义一组粒子输入；（b）几何分离；（c）去除杂散颗粒。输入粒子集使用与粒度分布和域填充率有关的数据，从而定义粒子的任意位置。其他步骤用于消除粒子之间的重叠。使用OpenCL编程API在兼容设备上执行并行计算。举例说明了所提出方法的有效性。与该策略的原始串行版本相比，它们显示出良好的时间改进和更好的内存效率。通过将结果与文献中的实验数据和数值数据进行比较，也验证了该方法的有效性。所提出的方法允许使用并行GPU粒子填充方法生成粒度模型。从而有可能在更短的时间内完成更大的模型，而不会影响策略的效率和准确性。它还提出了避免在GPU和CPU之间交换信息的机制。举例说明了所提出方法的有效性。与该策略的原始串行版本相比，它们显示出良好的时间改进和更好的内存效率。通过将结果与文献中的实验数据和数值数据进行比较，也验证了该方法的有效性。所提出的方法允许使用并行GPU粒子填充方法生成粒度模型。从而有可能在更短的时间内完成更大的模型，而不会影响策略的效率和准确性。它还提出了避免在GPU和CPU之间交换信息的机制。举例说明了所提出方法的有效性。与该策略的原始串行版本相比，它们显示出良好的时间改进和更好的内存效率。通过将结果与文献中的实验数据和数值数据进行比较，也验证了该方法的有效性。所提出的方法允许使用并行GPU粒子填充方法生成粒度模型。从而有可能在更短的时间内完成更大的模型，而不会影响策略的效率和准确性。它还提出了避免在GPU和CPU之间交换信息的机制。通过将结果与文献中的实验数据和数值数据进行比较，也验证了该方法的有效性。所提出的方法允许使用并行GPU粒子填充方法生成粒度模型。从而有可能在更短的时间内完成更大的模型，而不会影响策略的效率和准确性。它还提出了避免在GPU和CPU之间交换信息的机制。通过将结果与文献中的实验数据和数值数据进行比较，也验证了该方法的有效性。所提出的方法允许使用并行GPU粒子填充方法生成粒度模型。从而有可能在更短的时间内完成更大的模型，而不会影响策略的效率和准确性。它还提出了避免在GPU和CPU之间交换信息的机制。