SoSo CAD
Bilimsel makalePDF2023

Veri Merkezi Hava Akışı Organizasyonu için Yapay Zekâ Tabanlı Sıcaklık İkizleme ve Ön Kontrol

Özgün başlık Artificial Intelligence-Based Temperature Twinning and Pre-Control for Data Center Airflow Organization

Energies (MDPI AG) · Na Huang, Xiang Li ve diğerleri

Kapalı mikro modüllerden oluşan 200 kabinlik bir salon için LSTM ile besleme, dönüş, soğuk koridor ve sıcak koridor sıcaklıklarını tahmin eden ve Deep Q-Network ile klima çıkışını sıcak nokta oluşmadan ayarlayan veriye dayalı bir ısıl ikiz.

Belgeyi okuİndir (PDF, 3,6 MB)Özgün kaynağa git

CC BY 4.0 — atıf vererek paylaşabilirsiniz

Bu sayfada

Özet

Çalışma, sıcak noktaları oluşmadan önlemek ve enerji verimliliğini artırmak için yapay zekâ tabanlı sıcaklık tahmini ve klima kontrolünün nasıl kurulabileceğini soruyor. Test odası: 5,4 m yükseklik, 1,0 m yükseltilmiş zemin, her biri 40 kabinli (toplam 200, 2,2 m yüksekliğinde, kabin başına 5 kW) beş kapalı mikro modül ve %70 açık zemin karosu. Yan klima odalarında her biri 25.000 m³/sa'lik on dört adet 100 kW'lık ünite (her yanda 5 görev + 2 yedek) var. Oda 15 dakikada bir örneklenen 728 sensör noktasına ve -10 ile +50 °C aralığında ±0,5 °C sıcaklık doğruluğuna sahip.

LSTM, son 15 zaman adımının sıcaklık ve ekipman gücünden besleme, dönüş, soğuk koridor ve sıcak koridor sıcaklıklarını tahmin ediyor. Ardından DQN denetleyicisi, tahmin edilen sıcak noktalar oluşmayacak şekilde klima çıkışını ayarlıyor. Kullanılan ayar noktaları: besleme havası 26 ± 1 °C, dönüş havası 39 ± 1 °C ve soğuk koridor 27 ± 1 °C; hedef tahmin hatası ±0,4 °C veya daha az.

Sonuçlar: LSTM ortalama mutlak hataları besleme havası için 0,32 °C, dönüş havası için 0,21 °C, soğuk koridor için 0,36 °C ve sıcak koridor için 0,19 °C; kabin gücü ±2 kW içinde tahmin edildi. DQN denetleyicisi bir yıl boyunca PUE'yi ortalama %2,6, WUE'yi %2,5 düşürdü.

Sınırlar: bina yapısı değiştirilemediği için nesne sınırlı, seçilen soğutma ve klima besleme türü basit ve yalnızca belirli yapay zekâ doğrulaması yapılmış. Bu bir CFD vekili değil, öğrenilmiş, sensör tabanlı bir model olduğundan işletme ikizlerinin ihtiyaç duyduğu enstrümantasyonu gösteriyor.

Öne çıkan noktalar

  1. Test odası: 5,4 m yükseklik, 1,0 m yükseltilmiş zemin, 40 kabinli beş kapalı mikro modül (toplam 200 kabin, kabin başına 5 kW, 2,2 m), %70 açık zemin karosu; yan klima odalarında her biri 25.000 m³/sa'lik on dört adet 100 kW'lık ünite (5 görev + 2 yedek / yan).
  2. Oda 728 sensör noktasına sahip, 15 dakikada bir örnekleniyor; sıcaklık doğruluğu -10 ile +50 °C aralığında ±0,5 °C.
  3. Ayar noktaları: besleme havası 26 ± 1 °C, dönüş havası 39 ± 1 °C, soğuk koridor 27 ± 1 °C; hedef tahmin hatası en fazla ±0,4 °C.
  4. LSTM ortalama mutlak hataları: besleme havası 0,32 °C, dönüş havası 0,21 °C, soğuk koridor 0,36 °C, sıcak koridor 0,19 °C; kabin gücü ±2 kW içinde tahmin edildi.
  5. DQN denetleyicisi bir yıl boyunca PUE'yi ortalama %2,6, WUE'yi %2,5 azalttı.

Tasarımda kullanımı

  • Operasyonel ısıl ikiz için besleme, dönüş, soğuk koridor ve sıcak koridor sıcaklıklarını ve ekipman gücünü içeren yeterli sensör yoğunluğu (bu çalışmada 728 nokta, 15 dakikalık örnekleme) tanımlayın.
  • Tahmin hatası hedefini (±0,4 °C) ve ayar noktalarını (besleme 26 °C, dönüş 39 °C, soğuk koridor 27 °C) ikiz doğrulama kriteri olarak belirleyin.
  • Klima kontrolünü sıcak nokta oluşmadan önce müdahale eden ön kontrol olarak tasarlayın ve PUE/WUE kazancını (yaklaşık %2,5) sensör ve kontrol yatırımıyla karşılaştırın.

Aylık bülten · ücretsiz

Referans listeniz güncel kalsın

Ayda bir: yeni eklenen kaynaklar, Türkiye mevzuatındaki değişiklikler ve yaklaşan veri merkezi etkinlikleri.

SoSo CAD

Soğutma kapasitenizi tasarımla birlikte kontrol edin

SoSo CAD’de zonların ısı yükünü, kullanılabilir kapasitesini ve en büyük ünite kaybındaki kapasite dengesini inceleyin.

Demo iste
SoSo CAD soğutma çalışma alanında zon yükleri ve kapasite dengesi

Kimler okumalı

Veri merkezi soğutma kontrolü ve operasyonel ikiz geliştiren mühendisler ve araştırmacılar.

Belgenin bölümleri

  1. 1. Giriş
  2. 2. Malzeme ve yöntemler
  3. 3. Dijital ikiz (simülasyon) modülü (3.1 Veri merkezi soğutma sistemlerinde dijital ikiz teknolojisinin uygulanması, 3.2 Zaman serisi tabanlı sıcaklık tahmin modeli)
  4. 4. Optimal kontrol modülü: sıcak nokta ve arıza ön kontrolü ve grup kontrolü (4.1 Sıcak nokta ve arıza ön kontrolü, 4.2 Grup kontrolü için optimize edilmiş kontrol modülü)
  5. 5. Deneyler (5.1 Veri merkezi simülasyon platformu, 5.2 Deneysel veri, 5.3 Deney kurulumu, 5.4 Veri merkezi görev tahmini deneyleri ve veri analizi)
  6. 6. Sonuçlar

İlgili standartlar

  • ASHRAE TC 9.9 Thermal Guidelines for Data Processing Environments
  • ISO/IEC 30134-2 (PUE)
  • ISO/IEC 30134-9 (WUE)

Belgeyi okuyun

ai-temperature-twinning-airflow-2023.pdf

PDF · 3,6 MB · İngilizce

CC BY 4.0 — atıf vererek paylaşabilirsiniz

İndir (PDF, 3,6 MB)Tarayıcıda aç

Belge, lisansı yeniden dağıtıma izin verdiği için özgün haliyle ve değiştirilmeden sunulmaktadır.

Yayın bilgileri

Yazarlar
Na Huang; Xiang Li; Quanming Xu; Ronghao Chen; Huidong Chen; Aidong Chen
Yayıncı
Energies (MDPI AG)
Yıl
2023
Cilt
16
Sayı
16
Sayfalar
6063
Belge dili
İngilizce
Kaynak türü
Bilimsel yayın
Erişim
Açık lisans — indirilebilir
Lisans
CC BY 4.0 — atıf vererek paylaşabilirsiniz
Lisans kanıtı
www.mdpi.com
Özgün lisans notu (İngilizce)

PDF p.1: open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license.

Künye

Na Huang; Xiang Li; Quanming Xu; Ronghao Chen; Huidong Chen; Aidong Chen (2023). Artificial Intelligence-Based Temperature Twinning and Pre-Control for Data Center Airflow Organization. Energies (MDPI AG). 16(16), 6063. https://doi.org/10.3390/en16166063

Hava akışıİşletmeSoğutma

Konuyla ilgili etkinlikler

Etkinlik takvimini inceleyin

İçerik ve tüm hakları eser sahiplerine aittir. SoSo CAD yalnızca künye, kendi hazırladığı özet ve kaynağa bağlantı sunar; kaynakların içeriğinden sorumlu değildir.