Sürdürülebilir Yapay Zekâ Altyapısı: Belirsizlik Altında Su Ayak İzinin Senaryo Tabanlı Tahmini

Özet

Yapay zekâ ve bulut bilişimin hızlı genişlemesi küresel su kaynakları üzerinde önemli ama çoğu zaman gözden kaçan bir etki yaratıyor. Çalışma, yapay zekâ veri merkezlerinde tesisteki işletme suyunu, elektrik üretimiyle ilişkili harici su tüketimini ve donanım üretimi ile tedarik zincirlerine bağlı gömülü suyu ayırıyor. Toplam su, yerinde W_on = e(t) × WUE(t), artı harici W_off = e(t) × PUE(t) × EWIF(t), artı ekipman ömrüne bölünmüş gömülü su olarak modelleniyor; her parametre senaryoya özgü yıllık iyileşme oranıyla azalıyor.

Bayesyen yöntemlerden esinlenen Monte Carlo çerçevesi belirsiz sunucu enerjisini örnekliyor ve senaryo büyüme ve verimlilik iyileştirme oranları uyguluyor; mevcut durum (BAU), orta müdahale ve sürdürülebilir dönüşüm yolları için çalıştırılıyor. Ortalama öngörülen küresel veri merkezi su kullanımı (milyar L/gün) BAU'da 4,18 (2030) ve 28,11 (2050), orta müdahalede 3,06 ve 8,36, sürdürülebilir dönüşümde 1,86 ve 1,38. BAU altında su talebi 2030 ile 2050 arasında neredeyse yedi kat artıyor; WUE, EWIF ve gömülü su iyileştirmeleri 2050 kullanımını BAU'ya göre %95'e kadar azaltabilir.

Duyarlılık analizi hesaplama büyümesi, WUE ve EWIF'nin sonuca baskın olduğunu buluyor: 28,11 milyar L/gün'lük 2050 BAU temel değerine karşı WUE'de ±%20 kayma talebi 4,69 milyar L/gün (%16,7), EWIF 4,24 (%15,1) ve gömülü su 1,29 milyar L/gün değiştiriyor. Niteliksel karşılaştırma: buharlaşmalı soğutma yüksek su ve yüksek verim; hava tabanlı soğutma düşük su ve orta-düşük verim; doğrudan sıvı soğutma düşük su ve çok yüksek verim; daldırma çok düşük su ve çok yüksek verim.

Sınırlar: model küresel ölçekte çalışıyor, seyrek ampirik veri ve uzman bilgisine dayalı varsayımlar içeriyor. Yazarlar kapalı çevrim ve daldırma soğutma, standart su muhasebesi ve iklime duyarlı yer seçimi çağrısı yapıyor; bu yolun kaçınılmaz olmadığını, soğutma performansı, alternatif su kaynakları ve yer seçimi iyileştirmeleriyle talebin önemli ölçüde sınırlanabileceğini savunuyor.

Öne çıkan noktalar

1. Toplam su, yerinde W_on = e(t) × WUE(t), artı harici W_off = e(t) × PUE(t) × EWIF(t), artı ekipman ömrüne bölünmüş gömülü su olarak modelleniyor; her parametre senaryoya özgü yıllık iyileşme oranıyla azalıyor.
2. Ortalama öngörülen küresel veri merkezi su kullanımı (milyar L/gün): BAU'da 4,18 (2030) ve 28,11 (2050), orta müdahalede 3,06 ve 8,36, sürdürülebilir dönüşümde 1,86 ve 1,38.
3. BAU altında su talebi 2030 ile 2050 arasında neredeyse yedi kat artıyor; WUE, EWIF ve gömülü su iyileştirmeleri 2050 kullanımını BAU'ya göre %95'e kadar azaltabilir.
4. 28,11 milyar L/gün'lük 2050 BAU temel değerine karşı WUE'de ±%20 kayma talebi 4,69 milyar L/gün (%16,7), EWIF 4,24 (%15,1), gömülü su 1,29 milyar L/gün değiştiriyor.
5. Niteliksel karşılaştırma: buharlaşmalı soğutma yüksek su ve yüksek verim; hava tabanlı soğutma düşük su ve orta-düşük verim; doğrudan sıvı soğutma düşük su ve çok yüksek verim; daldırma çok düşük su ve çok yüksek verim.
6. Hesaplama büyümesi, WUE ve EWIF sonucu baskın belirleyen etkenler.

Tasarımda kullanımı

• Su ayak izi planlamasında yerinde (WUE), harici elektrik (PUE × EWIF) ve gömülü donanım suyunu ayrı kalemler olarak hesaplayın.
• Soğutma seçiminde su ve verim özelliklerini birlikte değerlendirin: buharlaşmalı soğutma yüksek su, kapalı çevrim ve daldırma düşük su; WUE ±%20 kayması 2050 BAU talebini %16,7 değiştiriyor.
• Yer seçimini bölgesel iklim ve şebeke EWIF'ine göre yapın ve su raporlamasında standart muhasebe kullanın.

Kimler okumalı

Yapay zekâ altyapısının su etkisini planlayan tasarımcılar, sürdürülebilirlik yöneticileri ve politika uzmanları.

Belgenin bölümleri

1. 1. Giriş
2. 2. Yapay zekâ veri merkezi su tüketiminin etkenleri (2.1 Yapay zekâ su ayak izi: ölçekte etki, 2.2 Nicelleştirme)
3. 3. Soğutma sistemleri ve işletme suyu tüketimindeki rolü (3.1 Hava tabanlı soğutma, 3.2 Buharlaşmalı soğutma kuleleri, 3.3 Sıvı ve daldırma soğutma, 3.4 Soğutma teknolojilerinin benimsenme oranı)
4. 4. Veri merkezi su tüketiminde bölgesel farklılıklar
5. 5. Olasılıksal senaryo tabanlı tahmin (5.1 Olasılıksal senaryo tabanlı tahmin, 5.2 Senaryo tabanlı simülasyonlardan olasılıksal senaryo projeksiyonları)
6. 6. Tartışma ve öneriler (6.2 Olasılıksal senaryo tabanlı çerçeve: güçlü yönler ve sınırlamalar, 6.3 Sonuçların yorumlanması ve politika çıkarımları)
7. 7. Sonuçlar

İlgili standartlar

• ISO/IEC 30134-9 (WUE)

Belgeyi okuyun

Yayın bilgileri

Yazarlar

Manuel Herrera; Xiang Xie; Andrea Menapace; Ariele Zanfei; Bruno M. Brentan

Yayıncı

Journal of Cleaner Production (Elsevier BV)

Yıl

2025

Cilt

526

Sayfalar

146528

Belge dili

İngilizce

Kaynak türü

Bilimsel yayın

Erişim

Açık lisans — indirilebilir

DOI

10.1016/j.jclepro.2025.146528

Lisans

CC BY 4.0 — atıf vererek paylaşabilirsiniz

Lisans kanıtı

eartharxiv.org

Künye