Parametric Tools를 사용하여 모듈 및 재구성 가능한 데이터 센터 설계

Data Center 건축의 진화

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키를 거부 할 수도 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

모듈 데이터 센터 설계 이해

모듈 데이터 센터는 조립식으로 만들어진, 표준화 된 단위로 이루어져 있습니다. 종종 팟, 블록 또는 컨테이너라고 불리는 - 결합 될 수 있으며, 스케일 또는 필요에 따라 다시 배치 할 수 있습니다. 이 모듈에는 통합 된 전력, 냉각 및 네트워크 인프라가 포함되어있어 빠른 조립 현장에 허용됩니다. 모듈 접근은 기존 빌드에 비해 최대 50 %까지 건설 시간을 줄이고 단계의 자본 투자를 허용합니다. 주요 장점은 다음과 같습니다.

Rapid 배포: 공장에 의하여 날리는 단위는 달 보다는 오히려 주에서 설치될 수 있습니다.
Scalability: 용량은 실제 수요에 따라 증가, 증가할 수 있습니다.
단스크 유지보수: 개별 모듈은 전체 시설에 영향을 미치지 않고 오프라인으로 촬영할 수 있습니다.
Improved 신뢰성: 표준화된 구성 요소는 사용자 정의 엔지니어링 오류를 감소시킵니다.

모듈 디자인은 컨테이너화된 형태 인자에 제한이 없습니다. 또한, 사전 조립된 행 레벨 또는 랙 레벨 단위를 통해 실현될 수 있습니다. 조직이 하이브리드 및 가장자리 아키텍처를 통해 밀어 낸 것처럼, 모듈성은 사용자들에게 더 가까운 컴퓨팅 리소스를 배포하는 데 필수적이 됩니다. 중앙 관리.

Parametric Tools: 데이터 센터 설계용 게임 체인저

Parametric 도구는 알고리즘과 규칙 기반 모델링을 활용하여 설계 대안의 생성 및 평가를 자동화합니다. 수동으로 각 레이아웃을 초래하는 대신, 디자이너 입력 매개 변수 - 선반 크기, 냉각 시스템 유형, 전력 분배 경로 및 바닥 계획 제약 - 그리고 소프트웨어는 최적화 된 구성을 생성합니다. 이 접근법은 선형 작업에서 가능성을 결정하는 탐험의 과정에서 설계 프로세스를 변환합니다.

]Rino, Dynamo for Revit], ]CATIA는 데이터 센터 패러미터 모델링에 사용되어 있습니다. 이 도구는 성능 분석과 비교하여, ]]]]]]]의 메트릭에 실시간 피드백을 전달할 수 있습니다.

Parametric Tools의 장점

Enhanced 융통성: 단 하나 매개변수 변경 (예를들면, 줄 간격 또는 타일 레이아웃) 즉시 전체 모델을 업데이트.
낙관된 에너지 효율: 알고리즘은 가장 낮은 PUE로 구성을 찾을 수 있도록 레이아웃의 수백을 테스트할 수 있습니다.
디자인의 반복: 여러 변수의 동시 탐험은 프로젝트 타임라인을 절단합니다.
더 나은 위험 평가: Resilience를 평가하기 위해 실패 (예를들면 단일 냉각 장치 아웃량)를 시뮬레이션합니다.
Seamless 재설정: Parametric 모델은 시설 변경으로 업데이트 될 수있는 디지털 트윈으로 봉사합니다.

Uptime Institute]의 연구에 따르면, 데이터 센터의 운영 비용의 최대 40%의 에너지 비용 계정. Parametric 최적화는 열 안전 마진을 유지하면서 최소한의 에너지 소비를 설계하여 이러한 비용을 직접 대상으로합니다.

Data Center Parametric Modeling의 주요 매개 변수

효과적인 기하학적 디자인은 신중하게 선택한 입력 변수에 의존합니다. 모듈 및 재구성 가능한 데이터 센터의 경우 가장 영향력있는 매개 변수는 다음과 같습니다.

랙 레이아웃과 간격: 핫 aisle/cold 통로 구성, 행 길이 및 냉각 소스에 상대 방향.
코올링 아키텍처: 객실 수준(CRAC/CRAH), 연속(in-row), 또는 랙 레벨(backdoor heat Exchanger) 냉각의 선택.
전원배포: PDU, busway, Cable Tray의 배치로 전압이 떨어지고 미래의 유연성을 최적화합니다.
플로어 플랜 제약: 열 위치, 천장 높이, 바닥 깊이, 물리적 보안 영역.
모듈 크기: 표준 폭, 깊이, 그리고 고도를 위한 조립식으로 만들어진 단위를 위한 교환성을 지키기 위하여.
공기 관리:공기 타일 배치, 빈 패널 사용, 및 포함 시스템 유형 (핫 aisle 포함 대. 감기 aisle 포함).

파라미터 모델 내에서 이러한 매개 변수를 다루면 엔지니어는 가장 비용 효율적인 에너지 효율적인 조합을 신속하게 식별할 수 있습니다. 예를 들어, ]국 재생 에너지 연구소]에 의한 연구는 랙 행 방향과 냉각 설정점이 전형적인 초고층 디자인에서 18%로 연간 냉각 에너지를 감소 시키는 것으로 입증되었습니다.

Reconfigurability를 위한 설계 전략

구성 가능한 데이터 센터는 초기 건설 후 물리적 레이아웃을 변경할 수 있도록 모듈성을 넘어갑니다. 이것은 차세대 하드웨어 (예를 들어, 고밀도 GPU 클러스터), 워크로드 요구 또는 새로운 냉각 기술로 개조 할 수있는 차세대 하드웨어를 수용하기 위해 중요합니다. Parametric 도구는 다음과 같은 전략을 통해 재구성 할 수 있습니다.

모듈 랙 및 캐비닛 시스템

표준 장착 레일, 조정 가능한 깊이 및 빠른 릴리스 케이블 트레이는 주요 인프라 변경없이 다시 배치 할 수 있습니다. Parametric 모델은 모든 가능한 위치에 대한 구조적 부하 용량 및 전력 배포를 미리 계산 할 수 있으며, 구성은 안전 제한 내에서 유지를 보장합니다.

유연한 냉각 솔루션

모듈식 공급 및 반품 연결이 가능한 오버 헤드 또는 언더 플로어 냉각 그리드는 선반 개가 장착 된 냉각 장치의 움직임을 가능하게합니다. 패러미터 시뮬레이션은 열 매화의 변화가 주변 선반에 영향을 미치는지, 재구성 후 핫스팟을 방지하는 방법을 평가합니다.

표준화된 공용영역

모든 모듈의 획일한 힘, 네트워크 및 냉각 연결관은 마개 및 놀이 재구성을 간단하게 합니다. 제안한 배치가 연결관 명세를 진동할 경우에 기하학적인 모형 궤도 공용영역 겸용성 및 경고 엔지니어.

실시간 모니터링을 위한 Digital Twins

기하학적 디지털 트윈은 센서 데이터로 지속적으로 업데이트되는 데이터 센터의 라이브 복제를 제공합니다. 운영자는 물리적으로 움직이는 장비 앞에 "what-if" 재구성 시나리오를 시뮬레이션 할 수 있습니다. 예를 들어 IBM의 Environmental Intelligence Suite]는 IoT 센서 피드를 사용하여 기하학적 모델을 통합하여 실시간으로 냉각을 최적화합니다.

이 전략은 공동으로 데이터 센터가 Greenfield 빌드의 비용과 혼란을 처리하지 않고 비즈니스 요구에 잠그기 위해 개발 될 수 있다는 것을 보증합니다.

고급 시뮬레이션 및 디지털 트윈

이 웹 사이트는 귀하가 웹 사이트를 탐색하는 동안 귀하의 경험을 향상시키기 위해 쿠키를 사용합니다. 이 쿠키들 중에서 필요에 따라 분류 된 쿠키는 웹 사이트의 기본적인 기능을 수행하는 데 필수적이므로 브라우저에 저장됩니다. 또한이 웹 사이트의 사용 방식을 분석하고 이해하는 데 도움이되는 제 3 자 쿠키를 사용합니다. 이 쿠키는 귀하의 동의하에 만 브라우저에 저장됩니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다. 이러한 쿠키 중 일부를 선택 해제하면 검색 환경에 영향을 미칠 수 있습니다.

디지털 트윈은 파라미터 모델을 연결하여 작동 데이터를 실시간 전송할 수 있도록 합니다. 이를 통해 예측 유지 보수, 실시간 로드 밸런싱 및 자동화 재구성 권장 사항을 가능하게 합니다. 잘 알려진 디지털 트윈은 주기적인 재설계보다도 지속적인 최적화를 가능하게함으로써 데이터 센터의 수명주기를 연장할 수 있습니다.

Gartner]는 2027년까지, 대형 데이터 센터 운영자의 50%가 2023년 최대 10%의 운영 최적화를 위한 디지털 트윈을 사용할 수 있다는 것을 제안합니다. 쌍둥이 플랫폼으로 기하학적 모델링의 통합은 이 추세의 핵심 드라이버입니다.

운영 혜택 및 비용 효율성

모듈 설계 및 패기적 최적화의 조합은 quantifiable 운영 개선을 제공합니다.

Lower PUE: 파라메트 레이아웃은 일상적으로 1.2의 PUE 값을 달성하거나, 기존 설계에 1.5-1.6의 산업 평균과 비교하여, 더 나은 결과를 얻을 수 있습니다.
건축비: 모듈형 구조는 유선 조립 및 단축 시공 사이클을 통해 자본비에서 10~20 %를 절약할 수 있습니다.
Decreased time-to-market: Parametric tools는 주에서 일, 가속 프로젝트 납품에 디자인 단계를 압축합니다.
고속 랙 밀도:] 최적화 냉각은 더 높은 전력 밀도 (20 + 랙 당 kW)를 더 높은 공간 활용을 개선, 공간 활용을 개선.
단스크 준수: 표준 모듈 디자인은 LEED, Energy Star 또는 TIA-942와 같은 인증을 준수하는 것을 단순화합니다.

주요 클라우드 제공 업체의 사례 연구는 Brownfield 업그레이드 중 바닥 레이아웃의 기하학적 재구성이 추가 부동산을 취득하지 않고 15-30 %의 전반적인 용량을 증가시킬 수 있음을 보여줍니다.

미래 트렌드: AI-Driven Parametric 디자인

가장자리 컴퓨팅 확장으로, 기하학 도구는 신속하게 배치되고 때때로 다시 배치되어야하는 수천의 작은, 표준화 된 마이크로 모듈을 설계하는 데 필수적입니다. 고중량 시설을 최적화하는 동일한 알고리즘은 선적 컨테이너 또는 원격 인클로저 내부에 맞게 축소 될 수 있습니다.