基于ABAQUS的服务器跌落仿真与实验研究

使用ABAQUS/Explicit对某服务器产品进行带包装跌落仿真分析,通过简单压缩试验,识别出合适的包装材料本构模型。最后对产品进行跌落实验,提取箱耳部位的加速度响应。通过加速度时程曲线的仿真与实验对标,有效验证了包装材料模型与前处理过程中各种简化方法,对标结果表明,该仿真精度达标,可以用来指导实验及后续的结构设计优化。

高端服务器电源箱防下沉设计方案仿真验证分析

采用静态分析计算模块,利用仿真分析方法,对高端服务器电源箱多种防下沉设计方案进行验证对比分析。在电源箱满载情况下,对比4种结构加强设计方案,选出下沉量最小最优方案。进而在此方案基础上,对比2种配置摆放方案,给出配置摆放的最优建议。

含预应力服务器机箱结构动态数值模拟分析

利用有限元模拟仿真技术,采用Static Structural、Modal及Harmonic Response模块,对含预应力状态下的服务器机箱结构进行动态数值模拟分析,其中包含模态分析及谐响应分析,得出服务器机箱的固有频率及振型、风扇振动引起谐响应规律,并对含预应力及不含预应力的模态结果进行对比分析。研究结果表明,第2阶模态90Hz附近的振型以底座后部振动为主,易引起主板的损坏;含预应力及不含预应力状态下的机箱结构固有频率差值很小,故在服务器模态分析中,可通过取消预应力的设定来简化模态分析过程;风扇作为振动源产生的机箱谐响应振动,最大振幅在90Hz附近,位于机箱底座后部。

机架式通用服务器机箱应变仿真及测试分析

采用电阻应变片电测法及有限元模拟仿真技术,对机架式通用服务器机箱满载静置状态下的应变进行测量及分析,得出机箱的应变分布规律及整机变形特征。研究结果表明,硬盘的重载导致机箱前侧的应变普遍偏大;机架式通用服务器机箱等效应变最大值位于机箱底座底面边前侧折弯处;机箱最大变形量位于机箱前侧中间处;机箱最大等效应变值及变形量皆满足设计要求;仿真及测试结果误差小于10%,仿真结果可靠。

机架式服务器下沉量在线测试装置设计

针对当前服务器下沉量测试方法缺陷,提出一种机架式服务器下沉量在线测试装置的设计,此装置通过接触式滚珠测距仪(位移传感器)沿着横向(左右)纵向(前后)导轨的移动测量,可采集到放置于机柜的机架式服务器下沉量及上翘量等数据。本测试装置通过螺丝连接的方式固定于机柜U标立柱,位于机架式服务器下方一定距离处,接触式滚珠测距仪的横向纵向移动通过滑块与导轨之间的齿轮齿条结构配合实现。根据需求设置测距仪横向纵向移动的步数及距离,可测得不同精度的数据结果。

通用服务器带包装跌落仿真分析

采用仿真分析软件,对通用服务器带包装模型进行网格划分、参数设定,并详细介绍跌落仿真分析过程中的建立与设定。利用Dynamic Explicit求解器进行跌落过程的求解运算,分析跌落过程中服务器主要结构部件的强度是否满足要求。通过跌落仿真分析可知,此款服务器带包装后面朝下跌落过程中,机箱钣金件及重要部位最大应力皆小于相应屈服应力,变形皆为可回弹形变,故通过此方向跌落仿真测试。

服务器受冲击过程竖插扩展卡应变仿真分析

服务器在运输过程中有受到较大冲击力的风险,故研发阶段对服务器进行一定程度的冲击测试。首先,分析服务器冲击测试过程中PCI扩展卡强度较差的应变试验数据,再借助仿真分析方法,对比分析多种扩展卡加强固定方案,比较单一方案及组合方案的效果差异,选择最优方案配置。通过仿真对比分析多种加强固定方案可知,采用组合方案最为稳妥。

深度学习编译器模型训练负载均衡优化方法

对于计算密集型的人工智能(AI)训练应用,其计算图网络结构更加复杂,数据加载、计算图的任务划分以及任务调度的负载均衡性都会成为影响计算性能的关键因素。为了使深度学习编译器中模型训练应用的任务调度达到负载均衡的状态,提出了三种计算图负载均衡优化方法:第一,通过自动建立数据加载与模型训练的高效流水实现中央处理器和后端计算设备的负载均衡,提高了系统整体能效;第二,通过计算图的分层优化技术,实现计算图在后端设备执行调度时的负载均衡;最后,通过自动建立层间的高效流水提高后端设备的资源利用率。实验结果表明,计算图负载均衡优化方法实现了训练任务到底层硬件设备自动映射过程中系统的负载均衡,与Tensorflow、nGraph等传统的深度学习框架和编译器相比,在不同模型训练中通过任务调度负载均衡优化技术分别获得了2%~10%的性能提升,同时能够使系统整体的能耗降低10%以上。

基于ABAQUS的主板动态仿真与试验研究

首先,在主板不同区域截取试样,考虑动态非线性属性,对试样进行静态单轴拉伸、静态弯曲、动态单轴拉伸等试验,获取印制电路板(Printed Circuit Board,PCB)材料的本构模型。其次,选取某服务器主板进行动态冲击试验,通过在特定区域粘贴应变片,提取不同测点的动态应变时程曲线。最后,基于获取的PCB材料本构模型,使用ABAQUS对该主板进行动态冲击仿真。仿测对标结果表明,主板模型仿真精度可达90%。通过仿测协同,有效验证了PCB材料本构模型的准确性,可为服务器主板以仿代测奠定基础。

芯片偏置对散热器倾斜程度影响分析

采用有限元分析方法,仿真分析多种芯片偏心位置及散热器倾斜状况,比较散热器倾斜程度,优化芯片最佳的偏置位置,为芯片摆放提供最优建议。通过不同芯片位置对散热器倾斜程度影响的分析,得出以下结论:芯片向正上方偏移时,散热器的倾斜程度与芯片偏置距离呈线性关系。故芯片偏置距离越小,散热器的倾斜程度越小;向上偏置一定距离后,还需再向左或向右偏置的话,都会增加散热器的倾斜程度;芯片斜置时,平衡芯片几何中心至2个固定孔的距离,使芯片至2个固定孔距离差最小,可使散热器倾斜程度最小。

面向混合异构架构的模型并行训练优化方法

随着混合异构平台的发展,出现了类型不一的加速设备,如何在混合异构平台中充分利用这些不同类型的设备,以及如何在多个计算设备之间部署深度学习模型,而且训练大型和复杂模型的重要性不断提高。数据并行(DP)是应用最广泛的并行化策略,但是如果数据并行训练中的设备数量不断增加,设备之间的通信开销就会成为瓶颈。此外,每个步骤因设备性能差异处理的批总量不同会导致精度损失,即需要更长的训练周期以收敛到期望的精度。这些因素会影响整体训练时间,并且会影响某些设备的运行效率。除了数据并行(DP),每个训练步骤都可以通过模型并行(MP)来加速。提出了一种适合混合异构平台的模型并行训练优化算法。首先,为解决混合异构平台中设备性能分布不均问题,提出了层级并行和通道并行混合的模型并行划分策略,同时通过合并一些性能偏低的设备来减少流水线的长度和缓解通信压力。然后为了优化设备间的流水效果,通过分析流水线建立时间占比和设备性能利用率对整体训练时间的影响,提出了一种可以使两者达到均衡状态的微批次划分方法。实验表明,通过本文方法优化之后的模型并行流水训练算法比传统的模型并行算法具有更好的加速比,在单一类型设备的异构平台上的训练性能加速比提升4%左右,在混合异构平台的训练性能加速比要比没有使用优化方法之前提升7%左右。

面向模型并行训练的模型拆分策略自动生成方法

随着训练数据规模的增大以及训练模型的日趋复杂,深度神经网络的训练成本越来越高,对计算平台提出了更高的算力需求,模型训练并行化成为增强其应用时效性的迫切需求。近年来基于分布式训练的AI加速器(如FPGA、TPU、AI芯片等)层出不穷,为深度神经网络并行训练提供了硬件基础。为了充分利用各种硬件资源,研究人员需要在集合了多种不同算力、不同硬件架构AI加速器的计算平台上进行神经网络的模型并行训练,因此,如何高效利用各种AI加速器计算资源,并实现训练任务在多种加速器上的负载均衡,一直是研究人员关心的热点问题。提出了一种面向模型并行训练的模型拆分策略自动生成方法,该方法能够基于静态的网络模型自动生成模型拆分策略,实现网络层在不同AI加速器上的任务分配。基于该方法自动生成的模型分配策略,能够高效利用单个计算平台上的所有计算资源,并保证模型训练任务在各设备之间的负载均衡,与目前使用的人工拆分策略相比,具有更高的时效性,节省拆分策略生成时间100倍以上,且降低了由于人为因素带来的不确定性。

浸没式液冷水箱轻量化设计与仿真分析

水箱是浸没式液冷技术实现的基础部件,其可靠性对液冷服务器的影响至关重要。目前,常用水箱采用焊接金属框架加内胆装配而成。传统水箱存在质量大、寿命低以及不利于承压等缺点。基于此,对水箱进行颠覆性设计,将装配结构改为一体成型结构。为了增加刚度,内部填充聚氨酯泡沫。依据等强度设计方法,确定了水箱的外观与尺寸。最后,针对两种结构形式分别进行仿真分析。仿真结果表明,采用等强度设计方法的新型轻量化水箱的质量较原框架水箱减轻23%,承压工况下最大应力下降94%以上,最大变形减小38%。