Skip to main content
main-content

Tipp

Weitere Artikel dieser Ausgabe durch Wischen aufrufen

01.10.2019 | Original Article | Ausgabe 12/2019

Neural Computing and Applications 12/2019

A neural-network enhanced modeling method for real-time evaluation of the temperature distribution in a data center

Zeitschrift:
Neural Computing and Applications > Ausgabe 12/2019
Autoren:
Qiu Fang, Zhe Li, Yaonan Wang, Mengxuan Song, Jun Wang
Wichtige Hinweise

Publisher's Note

Springer Nature remains neutral with regard to jurisdictional claims in published maps and institutional affiliations.

Abstract

The thermal predicting/evaluating model of data centers is pivotal in designing their thermal control systems. The existing modeling methods are based on the computational fluid dynamics (CFD) simulations, which is accurate in modeling for a steady-state flow pattern but considerably time-consuming. Besides, the corresponding parameters of CFD have to be re-identified with the deviation of the flow field, which makes it extremely inefficient in real-time thermal control system design of data centers. This paper proposed a machine learning method to derive the fast-temperature evaluation model with a constructed artificial neural network. It learns the relationship between the flow patterns and model parameters based on the system thermal–physical analysis, which replaces the time-consuming CFD-based parameter identifying process. Then, the temperature evaluation is implemented under different flow patterns with the proposed neural-network enhanced modeling method. In the learning process, multi-type of neural networks, i.e., backpropagation network, radial basis function network and extreme learning machine, are considered and compared. The accuracy of the proposed model is validated by comparing with the pure CFD results as the satisfactory standard. With the efficiency and accuracy, the proposed modeling method is more suitable to design real-time controllers for data centers with changing flow fields.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Sie möchten Zugang zu diesem Inhalt erhalten? Dann informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 58.000 Bücher
  • über 300 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 50.000 Bücher
  • über 380 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Maschinenbau + Werkstoffe




Testen Sie jetzt 30 Tage kostenlos.

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 69.000 Bücher
  • über 500 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Umwelt
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Testen Sie jetzt 30 Tage kostenlos.

Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 12/2019

Neural Computing and Applications 12/2019 Zur Ausgabe

Machine Learning - Applications & Techniques in Cyber Intelligence

DEA efficiency prediction based on IG–SVM

Premium Partner

    Bildnachweise