انتخاب چیدمان بهینه یک مرکز مخابراتی نمونه با کمک دینامیک سیالات محاسباتی و ‌شبکه‌های عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری مهندسی مکانیک، دانشگاه ارومیه، ارومیه، ایران

2 استاد، دانشکده مهندسی مکانیک، دانشگاه ارومیه، ارومیه، ایران

3 استادیار، دانشکده مهندسی مکانیک، دانشگاه ارومیه، ارومیه، ایران

چکیده

در مطالعه‌ی حاضر به بررسی و شبیه‌سازی وضعیت موجود توزیع هوای سرد در سالن یک مرکز ماکروویو پرداخته شده و روش جدیدی برای بهبود وضعیت دمای سالن پیشنهاد شده است. در ابتدا، سالن با چینش حاضر به کمک روش دینامیک سیالات محاسباتی شبیه‌سازی شده و با استفاده از داده‌های تجربی اندازه‌گیری شده توسط حسگرهای به کار رفته در خروجی رکها اعتبارسنجی شده است. مقایسه نتایج شبیه‌سازی و داده‌های تجربی موجود نشان‌دهنده تطابق بسیار خوبی بین این داده‌ها می‌باشد. اندازه‌گیری دما با خطای کمتر از 1 درجه نشان‌دهنده انتخاب صحیح روش حل عددی در مطالعه حاضر است. در روش حل دینامیک سیالات محاسباتی، تأثیر نحوه قرارگیری رکها با تغییر چینش مورد بررسی قرار گرفت. نتایج نشان داد که با جابه‌جایی رکها می‌توان به حالات بهتر خنک‌کاری دست یافت. در مرحله پایانی با استفاده از خروجی‌های حل دینامیک سیالات محاسباتی و استفاده از شبکه عصبی بهترین چینش رکها پیشنهاد گردیده است. بر اساس شبیه‌سازی عددی انجام شده کمترین و بیشترین شاخص گرمای تولیدی به ترتیب، 0/456 و 0/631 به دست می‌آید و با توجه به تعریف شاخص گرمای تولیدی هرچه این مقدار کمتر باشد نشان‌دهنده راندمان سرمایشی بالاتر آن چینش می‌باشد. چینش بهینه از نتایج شبیه‌سازی حاصل گردیده است. میانگین دمای دیواره رکها در بهینه‌سازی به کار گرفته شده است. میانگین دمای رکهای چینش بهینه به دست آمده از شبکه عصبی برابر با 21/9 سانتیگراد می‌باشد که به میزان 0/7 درجه سانتیگراد نسبت به بهترین حالت شبیه‌سازی کمتر است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Optimal Layout of a Typical Telecommunication Center with the Help of Computational Fluid Dynamics and Artificial Neural Networks

نویسندگان [English]

  • hashem Vozouhi 1
  • iraj mirzaee 2
  • Nader Pormahmod Hesar 2
  • Majid Abbasalizadeh 3
1 Phd student of Mechanical Engineering, University of Urmia, Urmia, Iran
2 Professor, University of Urmia, Urmia, Iran
3 Professor assistant, University of Urmia, Urmia, Iran
چکیده [English]

The present study investigates and simulates the status of cold air distribution in a microwave oven hall and proposes a new method to improve the room temperature. Initially, the present hall is simulated by computational fluid dynamics method and validated using empirical data measured by sensors used in rack output. A comparison of the simulation results and the available experimental data shows very good agreement between these data. Temperature measurement with error less than 1 degree indicates the correct choice of numerical solution method in the present study. In the computational fluid dynamics method, the effect of the arrangement of the racks was investigated by changing the arrangement. In the final step, using the computational fluid dynamics solution and neural network is proposed the best arrangement of racks. Based on the numerical simulation, the lowest and highest supply heat indexes are 0.456 and 0.631, respectively, and the lower the heat index, the higher the cooling efficiency. The average wall temperature of the racks has been used in optimization. The average temperature of the optimum alignment rack obtained from the neural network is 21.9°C which is 0.7°C lower than the best simulation.

کلیدواژه‌ها [English]

  • cooling
  • Optimizatio
  • Rack
  • neural networks
  • computational fluid dynamics
[1[ R.K. Sharma, C.E. Bash, C.D. Patel, Dimensionless parameters for evaluation of thermal design and performance of large scale data centers, in: Proceedings of AIAA2002-3091, American Institute of Aeronautics and Astronautics Conference, 2002.
[2] M.K. Herrlin, Rack cooling effectiveness in data centers and telecom central offices: the rack cooling index (RCI), ASHRAE Transactions 111 (2) (2005) 1–11.
[3] J. Cho, T. Lim, B.S. Kim, Measurements and predictions of the air distribution systems in high compute density  (Internet) data centers, Energy and Buildings 41 (10) (2009) 1107–1115.
[4] Nakao, M., Hayama, H. and Nishioka, M., 1991, which cooling air supply system is better for a high heat density room: Under floor or overhead. Proceedings of International Telecommunications Energy Conference (INTELEC) 12(4), p. 393-400.
[5] C.D. Patel, C. Bash, C. Belady, L. Stahl, D. Sullivan. Computational fluid dynamics modeling of high compute density data centers to assure system inlet air specifications, The Pacific Rim/ASME International Electronics Packaging Technical Conference.
[6] C.D. Patel, R. Sharma, C. Bash, M. Beitelmal. Thermal considerations in cooling of large scale high compute density data centers, Intersociety Conference on Thermal and Thermomechanical Phenomena in Electronic Systems, 2002, pp. 767e776.
[7] J. Rambo, Y. Joshi. Multi-scale modeling of high power density data centers, The Pacific Rim/ASME International Electronics Packaging Technical Conference and Exhibition, 2003, IPACK2003-35297.
[8] J. Rambo, Y. Joshi. Physical models in data cneters airflow simulations, ASME International Mechanical Engineering Congress and R&D Exposition, 2003, IMECE03-41381.
[9] R. Schmidt, K.C. Karki, S.V. Patankar. Raised data center: Perforated tile flow rates for various tile layouts, 9th Intersociety Conference on Thermal and Thermo mechanical Phenomena in Electronic Systems, 2004.
[10] R. Schmidt, K.C. Karki, K.M. Kelkar, A. Radmehr, S.V. Patankar. Measurements and predictions of the flow distribution through perforated tiles in raised floor data centers, The Pacific Rim/ASME International Electronics Packaging Technical Conference.
[11] Jinkyun Cho, Joonyoung Yang, Woopyoung Park, (2014). “Evaluation of air distribution system’s airflow performance for coolingenergy savings in high-density data centers”. Journal of the Energy and Buildings, pp. 270–279.
[12] Priyadumkol, Chawalit Kittichaikarn, (2014). “Application of the combined air-conditioning systems for energyconservation in data center”. Journal of the Energy and Buildings, pp. 580–586.
[13] N.M.S. Hassan, M.M.K. Khan, M.G. Rasul, (2013). “Temperature monitoring and CFD Analysis of Data Centre”. Journal of the Procedia Engineering, pp. 551–55.
[14] Z. Song, B. T. Murray, and B. Sammakia, “Airflow and temperature distribution optimization in data centers using artificial neural networks,” International Journal of Heat and Mass Transfer, vol. 64, pp. 80–90, Sep. 2013.
[15] S. Deng and Y. Hwang, “Applying neural networks to the solution of forward and inverse heat conduction problems,” International Journal of Heat and Mass Transfer, vol. 49, no. 25–26, pp. 4732–4750, Dec. 2006.
[16] C.-C. Wang, J.-H. Huang, and D.-J. Yang, “Cubic spline difference method for heat conduction,” International Communications in Heat and Mass Transfer, vol. 39, no. 2, pp. 224–230, Feb. 2012.