طراحی مراکز داده های استاندارد و قابل تنظیم با ابزارهای پارامتری

طرح های قراردادی محدود به عوامل فرم containerized نیستند؛ آنها همچنین می توانند از طریق واحدهای ردیف یا سطح قفسه به صورت پیش گرد و جمع آوری شده، به عنوان سازمان هایی که به سمت معماری های هیبریدی و لبه حرکت می کنند، برای توزیع منابع محاسبه نزدیک تر به کاربران در حالی که حفظ مدیریت متمرکز ضروری است.

ابزارهای پارامتری: یک تغییر دهنده بازی برای طراحی مرکز داده

ابزارهای پارامتری از الگوریتم ها و مدل سازی مبتنی بر قانون برای خودکار سازی نسل و ارزیابی گزینه های طراحی استفاده می کنند، به جای پیش نویس دستی هر طرح، پارامترهای ورودی طراحان - مانند ابعاد قفسه، انواع سیستم خنک کننده، مسیرهای توزیع برق و محدودیت های طرح کف - و نرم افزار پیکربندی بهینه سازی شده را ایجاد می کند.این رویکرد فرآیند طراحی را از یک کار خطی به یک فرصت های اکتشاف آن تبدیل می کند.

در این میان، در این زمینه، به صورت زیر به صورت زیر به صورت زیر به صورت زیر به صورت زیر به صورت زیر به صورت زیر به صورت زیر به صورت زیر به کار می رود و به صورت مستقیم به آن ها می رسد.

مزایای استفاده از ابزارهای پارامتری

• انعطاف پذیری قابل توجه: تغییر یک پارامتر واحد (به عنوان مثال، فاصله ردیف یا طرح کاشی) بلافاصله کل مدل را به روز می کند.
• قابلیت بهره وری انرژی بهینه سازی شده: الگوریتم ها می توانند صدها طرح را برای پیدا کردن پیکربندی با کمترین PUE آزمایش کنند.
• طراحی قرمز: اکتشافات همزمان از متغیرهای متعدد کاهش جدول زمانی پروژه.
• ارزیابی ریسک بهتر: شکست سیمی (به عنوان مثال، قطع واحد خنک کننده) برای ارزیابی انعطاف پذیری.
• پیکربندی مجدد بدون درز: مدل های پارامتری به عنوان دوقلوهای دیجیتال زنده خدمت می کنند که می توانند به عنوان تغییرات تاسیسات به روز شوند.

بر اساس تحقیقات موسسه -Uptime Institute، هزینه های انرژی تا 40 درصد از هزینه های عملیاتی مرکز داده را تشکیل می دهند.

پارامترهای کلیدی در مدل سازی پارامتری مرکز داده

طراحی پارامتریک موثر بر متغیرهای ورودی با دقت انتخاب شده متکی است.برای مراکز داده های مدولار و قابل تنظیم، با نفوذترین پارامترهای شامل:

• [[۱] [۱۰] طرح و فاصله: [[۱۰] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱]] [۱۰] [۱] [۱۰] [۱] [۱۰] [۱۰] [۱] [۱۰] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱] [۱] [۱]] [۱] [۱] [۱] [۱] [۱۰]] [۱] [۱]]] [۱] [۱]]] [۱] [۱] [۱] [۱]] [۱]]]]]]]]]] [۱۰] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱۰] [۱۰] [۱۰] [۱۰]] [۱۰] [۱۰] [۱۰] [۱] [۱]]] [۱] [۱] [۱] [۱] [۱] [۱] [۱] [۱۰] [۱] [۱] [۱]]]] [۱] [۱] [۱] [۱] [
• معماری یکپارچه سازی: انتخاب بین سطح اتاق (CRAC /CRAH)، سطح ردیف (در-row)، یا سطح قفسه (تبدیل کننده حرارت درب) خنک کننده.
• توزیع قدرت: محل PDUs، Busway اجرا می شود و سینی های کابل برای به حداقل رساندن افت ولتاژ و بهینه سازی انعطاف پذیری آینده.
• محدودیت های طرح: مکان های ستون، ارتفاع سقف، عمق کف و مناطق امنیتی فیزیکی.
• [[۱] [۱۰] ابعاد مودول: [[۱۰] [۱۰] [۱]] عرض های استاندارد شده، عمق و ارتفاع برای واحدهای پیش ساخته شده برای اطمینان از تعویض.
• ] مدیریت گردش هوا: قرار دادن کاشی پر شده، استفاده از پانل سفید و انواع سیستم های حاوی (ترکیبی داغ در مقابل مهار سرد).

با متفاوت کردن این پارامترها در مدل پارامتریک، مهندسان می توانند به سرعت ارزان ترین و کارآمدترین ترکیب انرژی را شناسایی کنند.به عنوان مثال، یک مطالعه توسط آزمایشگاه انرژی تجدید پذیر (FLT:0) ملی نشان داد که بهینه سازی جهت گیری ردیف و خنک کردن نقاط کاهش انرژی خنک کننده سالانه توسط 18٪ در یک طراحی معمولی در مقیاس بالا.

استراتژی های طراحی برای Reconfigurability

مراکز داده های قابل پیکربندی فراتر از ماژولار با اجازه دادن به طرح فیزیکی پس از ساخت اولیه تغییر می کنند، این برای بهینه سازی سخت افزار نسل بعدی (به عنوان مثال، خوشه های GPU بالاتر)، تغییر تقاضا، یا برگشت با فن آوری های خنک کننده جدید ضروری است.

سیستم های راکت و کابینه

راه آهن های نصب استاندارد، عمق قابل تنظیم و سینی های کابل سریع اجازه می دهد تا قفسه ها بدون تغییرات زیربنایی عمده دوباره برقرار شوند. مدل های پارامتریک می توانند ظرفیت بارگذاری ساختاری و توزیع برق را برای هر موقعیت احتمالی محاسبه کنند و اطمینان حاصل کنند که تنظیمات مجدد در محدوده ایمنی باقی می ماند.

راه حل های خنک کننده انعطاف پذیر

Overhead یا شبکه های خنک کننده زیر طبقه با عرضه مدولار و اتصالات بازگشت، حرکت واحدهای خنک کننده را در کنار جابجایی قفسه ها فعال می کند. شبیه سازی های پارامتری ارزیابی می کنند که چگونه تغییرات در لوله های حرارتی بر قفسه های اطراف تاثیر می گذارد، جلوگیری از نقاط عطف حتی پس از پیکربندی مجدد.

رابط های استاندارد

قدرت یکنواخت، شبکه و اتصالات خنک کننده در تمام ماژول ها پیکربندی مجدد پلاگین و بازی را ساده می کنند. مدل پارامتریک سازگاری رابط را ردیابی می کند و به مهندسان هشدار می دهد اگر یک طرح پیشنهادی مشخصات کانکتور را نقض کند.

دوقلوهای دیجیتال برای نظارت بر زمان واقعی

یک دوقلو دیجیتال پارامتریک یک شبیه سازی زنده از مرکز داده را فراهم می کند که به طور مداوم با داده های سنسور به روز می شود. اپراتورها می توانند سناریوهای پیکربندی مجدد را قبل از تجهیزات حرکت فیزیکی، به عنوان مثال، آی بی ام (FLT:0) را شبیه سازی کنند. مدل های پارامتریک را با سنسور IoT ادغام می کند تا خنک کننده در زمان واقعی بهینه سازی کند.

این استراتژی ها به طور جمعی اطمینان حاصل می کنند که یک مرکز داده می تواند در قفل با نیازهای کسب و کار بدون هزینه و اختلال ساخت گرین فیلد تکامل یابد.

شبیه سازی پیشرفته و دوقلوهای دیجیتال

ابزارهای پارامتری توسط خود ایجاد طرح های استاتیک؛ ترکیب آنها با دینامیک مایع محاسباتی (CFD) و ساخت مدل سازی اطلاعات (BIM) یک محیط شبیه سازی قدرتمند ایجاد می کند. تجزیه و تحلیل CFD در مراحل اولیه الگوهای گردش هوا، توزیع دما و تفاوت های فشار را تأیید می کند، هنگامی که با یک موتور پارامتری مرتبط است، طراحان می توانند مطالعات خودکار تجارت-off را اجرا کنند - به عنوان مثال [FLT:imF] در حالی که هیچ گونه درجه حرارت را تضمین نمی کند.

دوقلوهای دیجیتال این مرحله را با اتصال مدل پارامتریک برای زندگی داده های عملیاتی، این امکان را می دهد تا نگهداری پیش بینی، تعادل بار زمان واقعی و توصیه های پیکربندی خودکار.یک دوقلو دیجیتال به خوبی نگهداری شده می تواند چرخه زندگی یک مرکز داده را با فعال کردن بهینه سازی مداوم به جای طراحی مجدد دوره ای گسترش دهد.

تحقیقات از ]Gartner نشان می دهد که تا سال 2027، 50٪ از اپراتورهای بزرگ مرکز داده از دوقلوهای دیجیتال برای بهینه سازی عملیاتی استفاده می کنند، که از کمتر از 10٪ در سال 2023 ادغام مدل سازی پارامتریک به سیستم عامل های دوقلو یک محرک کلیدی از این روند است.

مزایای عملیاتی و کارایی هزینه

ترکیب طراحی مدولار و بهینه سازی پارامتریک بهبود های عملیاتی قابل اندازه گیری را ارائه می دهد:

• پایین تر PUE: طرح های پارامتری به طور معمول به مقادیر PUE 1.2 یا بهتر، در مقایسه با میانگین صنعت 1.5 تا1.6 برای طرح های سنتی دست می یابند.
• هزینه ساخت و ساز کاهش یافته: ساخت های قراردادی می تواند 10 تا 20 درصد در هزینه های سرمایه را از طریق مونتاژ ساده و چرخه های ساخت و ساز کوتاه تر ذخیره کند.
• زمان به بازار را کاهش دهید: ابزار پارامتری مرحله طراحی را از هفته ها تا روزها فشرده می کنند، تحویل پروژه را تسریع می کنند.
• پروتزهای بزرگ تر: خنک کننده بهینه سازی اجازه می دهد تا پروتزهای بالاتر قدرت (20+ کیلووات در هر قفسه) بدون نقاط داغ، بهبود بهره برداری از فضا.
• انطباق تقویت شده: طرح های استاندارد ماژولار پایبندی به گواهینامه هایی مانند LEED، ستاره انرژی یا TIA-942 را ساده می کند.

مطالعات موردی از ارائه دهندگان ابر بزرگ نشان می دهد که پیکربندی مجدد پارامتریک طرح های کف در طول ارتقاء های قهوه ای می تواند ظرفیت کلی را تا 15 تا 30 درصد افزایش دهد بدون اینکه املاک و مستغلات اضافی را به دست آورد.

آینده: طراحی پارامتری AI-Driven

مرز بعدی شامل ادغام یادگیری ماشین با ابزارهای پارامتریک است تا به طور خودکار تنظیمات بهینه را بر اساس داده های تاریخی و پیش بینی های کاری پیشنهاد کند. آزمایشات اولیه از یادگیری تقویت عمیق استفاده می کنند تا از طریق میلیون ها فرصت طرح بندی، هماهنگ کردن طرح هایی که مصرف انرژی و تأخیر را به حداقل می رسانند، علاوه، طراحی عمومی - که در آن نرم افزار جدید ماژول Geometries ماژول را تولید می کند - در نهایت به نظر می رسد الگوهای پاسخ گویی در سیستم های پاسخ دهی خودکار.

همانطور که محاسبات لبه گسترش می یابد، ابزارهای پارامتریک نیز برای طراحی هزاران میکرو-دول کوچک و استاندارد که باید به سرعت مستقر و گاهی اوقات منتقل شوند، ضروری خواهد بود.

نتیجه گیری

ابزارهای پارامتری طراحی مرکز داده را از یک تلاش مهندسی استاتیک و یک بار به یک فرایند بهینه سازی پویا و مداوم تبدیل می کنند.با در نظر گرفتن معماری های ماژولار و قابل تنظیم که توسط مدل سازی پارامتریک فعال می شوند، سازمان ها می توانند زیرساخت هایی بسازند که نه تنها چابک و مقرون به صرفه است، بلکه در مواجهه با تقاضای انرژی در حال افزایش پایدار هستند.