基于机器学习的数据中心主动地板模型研究

近年来,数据中心的功率密度不断增加,对数据中心的热管理提出了巨大的挑战。为了提高数据中心的散热效率,研究人员提出了主动通风地板,用以增加局部冷气供应,减少热点的出现。目前,学术界与工业界主要使用计算流体动力学(Computational Fluid Dynamics,CFD)模型对主动地板的性能进行评价与预测,模型求解耗时长,且不能完全反映数据中心的细节几何结构。为解决上述问题,基于机器学习技术,提出了针对数据中心主动通风地板的神经网络(Artificial Neural Network,ANN)、线性回归和非线性回归热能效预测模型。模型的输入为通风地板的出风风速和地板上下压差,输出为机架入风口温度。模型训练采用真实数据中心获取的数据进行。实验证明,ANN模型相对于线性模型和非线性模型具有更好的预测精度,最终使用ANN模型对机架的入风口温度进行预测,结果显示不同机架入风口温度的平均预测误差小于0.6℃。