SoSo CAD
Bilimsel makaleÜcretsiz okunur2026

Yapay Zekâ Destekli, Termal Farkındalıklı Veri Merkezi Kapasite Planlaması

Özgün başlık AI-driven Thermal-aware Data Center Capacity Planning

arXiv preprint (Cadence Design Systems) · Yixing Li, Mark Fenton ve diğerleri

Cadence mühendislerinin, kabin giriş sıcaklığı alanını milisaniyelerde tahmin eden bir U-Net vekil modeli tanımladığı ve bu tahmini kapasite yerleştirmede kullandığı arXiv ön baskısı.

Özgün kaynağa git
Bu sayfada

Özet

Bu belge, Cadence Design Systems mühendisleri Yixing Li, Mark Fenton, Matthew Kaufeler, Ka Ming Leung, Xin Ai ve Zhiyu Zeng'in 2026 tarihli arXiv ön baskısıdır (arXiv:2610.02442). Reality DC (eski adıyla 6SigmaDCX) ekibi, tüm odayı değil yalnızca kabin giriş sıcaklığı alanını; kabin yerleşimi, BT yerleşimi ve gücü, ACU ayar noktaları ve fan hızlarından oluşan çok kanallı girdilerden tahmin eden bir U-Net vekil modeli tanımlar.

Model, betikle üretilen toplu CFD çalıştırmalarıyla eğitilir ve CFD'den çıkarılan kabin giriş sıcaklığı, hızı ve basıncı üzerinden öğrenir; giriş sıcaklığı operasyonel olarak en kritik çıktı olarak seçilmiştir. Pratik kılavuz olarak ilk veri kümesi yaklaşık on rastgele parametreli 500 simülasyon vakasıdır ve gerektiğinde genişletilir. Örnekte 10,8 m x 9 m x 4,5 m'lik, 4 sıralı (her biri 21 adet 2U ünite içeren 32 kabin), dört sıra sonu ACU'lu ve tam soğuk koridor kapatmalı yükseltilmiş döşemeli bir oda kullanılmıştır; BT ünite gücü 0-10 kW arasında örneklenmiş ve ACU fan hızı değiştirilmiştir.

Sonuçlar hız ve doğruluk açısından özetlenir: 1000 CFD vakası kullanılmış (yüzde 85/10/5 bölme, yaklaşık 5 saat eğitim), çıkarım vaka başına 9 ms sürmüş, tam CFD ise yaklaşık 25 dakikadır (yaklaşık 150.000 kat daha hızlı). Makale kabin giriş tahmini için ortalama mutlak hatanın 0,25 C'nin altında olduğunu öne sürer; ancak birkaç kabinde en yüksek giriş hatası yaklaşık 3 C'ye ulaşmış, buna karşılık kabinler arasındaki bağıl sıcaklık sıralaması korunmuştur. Yazarlar, daha önceki bir HPE 3D-CNN vekilinin birkaç derecelik maksimum mutlak hata bildirdiğini, bunun kabin girişlerine odaklanmayı motive ettiğini belirtir.

Sıralamanın korunması önemlidir, çünkü kapasite yerleştirme motoru yeni yük için kabin seçerken bu sıralamayı kullanır. Sınır, tek bir oda şablonuyla sınırlı bir örnek olmasıdır; sonuçlar yazarların kendi bildirimidir ve tek bir yapılandırma dışında genellenmemelidir. Bu nedenle yöntem, tam CFD'nin yerine değil, aday seçimini hızlandıran bir ön eleme aşaması olarak değerlendirilmelidir. Ayrıca sonuçlar yazarların kendi bildirimidir ve bağımsız bir doğrulamaya dayanmaz.

Öne çıkan noktalar

  1. Vekil model, CFD'den çıkarılan kabin giriş sıcaklığı, hızı ve basıncı üzerinde eğitilir; giriş sıcaklığı operasyonel olarak en kritik çıktı seçilmiştir.
  2. İlk veri kümesi için pratik kılavuz yaklaşık on rastgele parametreli yaklaşık 500 simülasyon vakasıdır.
  3. Yükseltilmiş döşeme örneği: 10,8 x 9 x 4,5 m oda, 4 sıra (32 kabin), dört sıra sonu ACU, tam soğuk koridor kapatma; BT ünite gücü 0-10 kW.
  4. 1000 CFD vakası (85/10/5 bölme, yaklaşık 5 saat eğitim); çıkarım vaka başına 9 ms, tam CFD yaklaşık 25 dakika (yaklaşık 150.000 kat hızlı).
  5. Kabin giriş tahmininde ortalama mutlak hata 0,25 C'nin altında iddia edilir; birkaç kabinde en yüksek hata yaklaşık 3 C, bağıl sıralama korunur.
  6. Daha önceki bir HPE 3D-CNN vekili birkaç derecelik maksimum mutlak hata bildirmişti; bu, kabin girişlerine odaklanmayı motive etti.

Tasarımda kullanımı

  • Yerleşim yinelemesi ve ek yük senaryoları için yalnızca kabin giriş sıcaklığını (uygunluk büyüklüğü) tahmin eden bir vekil, tam alan vekillerinden daha ucuz ve daha doğrudur.
  • Aday kabinleri sıralamak için kullanın; ancak kabin başına hata yaklaşık 3 C'ye ulaşabildiğinden seçilen tasarımı tam CFD ile doğrulayın.
  • Bir vekili eğitmek için oda şablonu başına yaklaşık 500-1000 CFD çalıştırması planlayın.
  • Arayüzde vekil güvenini ve CFD ile doğrulanmış durumunu gösterin.

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 kapasite planlaması, termal simülasyon ve CFD tabanlı yerleştirme araçları geliştiren mühendisler ve araştırmacılar.

İlgili standartlar

  • ASHRAE TC 9.9 Thermal Guidelines for Data Processing Environments

Yayın bilgileri

Yazarlar
Yixing Li; Mark Fenton; Matthew Kaufeler; Ka Ming Leung; Xin Ai; Zhiyu Zeng
Yayıncı
arXiv preprint (Cadence Design Systems)
Yıl
2026
Belge numarası
arXiv:2610.02442
Belge dili
İngilizce
Kaynak türü
Bilimsel yayın
Erişim
Ücretsiz okunur
Lisans
arXiv dağıtım izni — yeniden kullanım koşulları hak sahibine bağlıdır
Özgün lisans notu (İngilizce)

arXiv default non-exclusive distribution licence; no CC licence, so citation only.

Künye

Yixing Li; Mark Fenton; Matthew Kaufeler; Ka Ming Leung; Xin Ai; Zhiyu Zeng (2026). AI-driven Thermal-aware Data Center Capacity Planning. arXiv preprint (Cadence Design Systems). arXiv:2610.02442. https://doi.org/10.48550/arXiv.2610.02442

Hava akışıKabinİşletme

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.