Modélisation de la topologie et prédiction de l’efficacité énergétique des groupes de froid en parallèle basée sur l’apprentissage profond

Pourquoi un refroidissement plus intelligent compte

Derrière chaque centre de données, usine et grand navire se trouve un système de refroidissement qui consomme silencieusement une part importante de l’électricité mondiale. De nombreuses installations font fonctionner plusieurs refroidisseurs en parallèle pour maintenir serveurs et machines à des températures sûres, mais de petits changements dans la répartition de la charge entre ces refroidisseurs peuvent gaspiller de grandes quantités d’énergie. Cette étude montre comment un nouveau type d’intelligence artificielle peut « voir » à la fois la topologie d’un système de refroidissement et son comportement changeant dans le temps, permettant aux opérateurs de prévoir la consommation avec plus de précision et d’exploiter leurs refroidisseurs de manière beaucoup plus efficace.

Comment les grands systèmes de refroidissement gaspillent de l’énergie

Les stations de refroidissement dans l’industrie représentent une large part de la consommation énergétique mondiale, et jusqu’à un tiers de cette énergie peut être perdu par une mauvaise exploitation et une mauvaise répartition des charges. Dans une usine ou un centre de données typique, plusieurs refroidisseurs, pompes et tours de refroidissement travaillent ensemble, reliés par un réseau complexe de tuyaux. Lorsqu’un refroidisseur démarre, s’arrête ou change de charge, il modifie les débits et les pressions dans tout le réseau, ce qui change à son tour l’effort requis par les autres équipements. Les règles de contrôle traditionnelles et les modèles de prédiction simples traitent souvent chaque refroidisseur presque comme isolé, manquant ainsi ces liens cachés et peinant lorsque les conditions ou l’état des équipements évoluent.

Apprendre à un modèle à suivre le temps et les connexions

Les chercheurs ont construit un modèle hybride d’apprentissage profond qui combine deux idées clés. La première est un modèle de séquence appelé LSTM, performant pour repérer des motifs dans des séries temporelles, par exemple comment la puissance absorbée et la température de l’eau évoluent minute après minute. La seconde est un modèle basé sur les graphes, GCN, qui considère chaque refroidisseur, pompe et tour de refroidissement comme un nœud d’un réseau et apprend comment ils s’influencent mutuellement via la topologie physique des tuyauteries et la répartition actuelle des charges. En fusionnant ces deux points de vue, le modèle peut suivre à la fois l’historique de chaque appareil et la manière dont tous les appareils sont interconnectés.

Utiliser la physique et les jumeaux numériques comme guide

Plutôt que d’alimenter le réseau directement avec des signaux bruts de capteurs, l’équipe les convertit d’abord en grandeurs à signification physique claire, comme la puissance frigorifique par unité d’électricité et l’efficacité des échanges thermiques. Ils ajoutent aussi un terme de régularisation qui incite en douceur les prédictions à respecter les lois de base de l’énergie et du bilan thermique, ce qui aide à éviter des sauts irréalistes. Pour élargir la gamme de situations vues par le modèle, ils associent des données réelles d’un grand centre de données à des milliers d’heures de données simulées issues d’un jumeau numérique de la station de refroidissement. Ce jumeau leur permet d’explorer des charges changeantes, des conditions extérieures et même différentes connexions d’équipements qui seraient difficiles ou risquées à tester sur l’installation réelle.

Tests sur centres de données, usines et navires

Le modèle est entraîné sur environ 128 millions d’enregistrements historiques provenant d’un centre de données équipé de cinq grands refroidisseurs centrifuges, puis testé sur des données nouvelles. Sur une fenêtre de prédiction de 30 minutes, il réduit l’erreur quadratique moyenne des prévisions de puissance de 19,4 % et diminue l’erreur en pourcentage d’un peu plus de 2 points par rapport à une solide référence LSTM qui ignore la topologie du réseau. Les auteurs vérifient également la transférabilité de l’approche à une usine automobile et au système central de refroidissement d’un porte-conteneurs. Avec un réglage fin limité pour l’usine et sans réentraînement pour le navire, le modèle surpasse encore clairement les méthodes conventionnelles, montrant que la représentation apprise du comportement de refroidissement n’est pas liée à un site unique.

Ce que cela implique pour l’économie d’énergie

En combinant la connaissance des connexions entre équipements, de leur comportement dans le temps et des contraintes physiques qui s’imposent, le système GCN–LSTM proposé peut prévoir la consommation des refroidisseurs avec grande précision et stabilité, même lorsque les équipements vieillissent ou que les modes d’exploitation changent. Ces prévisions plus fiables permettent aux logiciels de contrôle de choisir de meilleures stratégies de répartition de charge, en déplaçant le travail entre refroidisseurs pour maintenir le confort et la capacité de refroidissement tout en consommant moins d’électricité. En termes pratiques, cette approche ouvre une voie transférable pour réduire le gaspillage d’énergie dans les grands systèmes de refroidissement des centres de données, des usines et des navires sans reconstruire le matériel.

Citation: Liu, Y., Yang, X., Zhang, L. et al. Topology modeling and energy efficiency prediction of parallel chillers based on deep learning. Sci Rep 16, 15813 (2026). https://doi.org/10.1038/s41598-026-47180-8

Mots-clés: efficacité énergétique des refroidisseurs, apprentissage profond, réseau de neurones sur graphes, refroidissement industriel, commande intelligente