Modellazione della topologia e previsione dell’efficienza energetica di refrigeratori paralleli basata sul deep learning

Perché un raffreddamento più intelligente conta

Dietro ogni data center, fabbrica e grande nave c’è un sistema di raffreddamento che consuma una porzione significativa dell’elettricità mondiale. Molte strutture utilizzano diversi refrigeratori in parallelo per mantenere server e macchine a temperature sicure, ma piccole variazioni nel modo in cui questi refrigeratori condividono il carico possono sprecare grandi quantità di energia. Questo studio mostra come un nuovo tipo di intelligenza artificiale possa “vedere” sia la configurazione di un impianto di raffreddamento sia il suo comportamento variabile nel tempo, permettendo agli operatori di prevedere con maggiore accuratezza i consumi e gestire i refrigeratori in modo molto più efficiente.

Come i grandi impianti di raffreddamento sprecano energia

Le stazioni di raffreddamento nell’industria rappresentano una larga fetta del consumo energetico globale, e fino a un terzo di questo può andare perso a causa di operazioni e condivisione dei carichi inefficaci. In un impianto o data center tipico, più refrigeratori, pompe e torri di raffreddamento lavorano insieme, collegati da un intrico di tubazioni. Quando un refrigeratore si avvia, si ferma o modifica il suo carico, ciò influenza portata e pressione in tutta la rete, cambiando a sua volta quanto devono lavorare gli altri dispositivi. Le regole di controllo tradizionali e i modelli di previsione semplici trattano ogni refrigeratore come se fosse quasi indipendente, perciò spesso non colgono questi legami nascosti e fanno fatica quando cambiano le condizioni o lo stato delle apparecchiature.

Insegnare a un modello a seguire tempo e connessioni

I ricercatori hanno costruito un modello ibrido di deep learning che combina due idee chiave. La prima è un modello di sequenza chiamato LSTM, adatto a individuare pattern nelle serie temporali, per esempio come variano minuto per minuto assorbimento di potenza e temperatura dell’acqua. La seconda è un modello basato su grafo, GCN, che considera ogni refrigeratore, pompa e torre di raffreddamento come un nodo di una rete e apprende come si influenzano a vicenda tramite la disposizione fisica delle tubazioni e la condivisione attuale dei carichi. Fusando queste due prospettive, il modello può seguire sia la storia di ciascun dispositivo sia il modo in cui tutti i dispositivi sono interconnessi.

Usare la fisica e i gemelli digitali come guida

Invece di alimentare la rete con segnali grezzi dei sensori, il team li trasforma prima in grandezze con chiaro significato fisico, come potenza frigorifera per unità di elettricità ed efficienza dello scambio termico. Aggiungono inoltre un termine di regolarizzazione che spinge delicatamente le previsioni a rispettare le leggi fondamentali di bilancio energetico e termico, contribuendo a evitare salti irrealistici. Per ampliare la varietà di situazioni osservate dal modello, accoppiano dati reali di un grande data center con migliaia di ore di dati simulati provenienti da un gemello digitale della stazione di raffreddamento. Questo gemello permette di esplorare carichi variabili, condizioni esterne e persino diverse configurazioni di collegamento degli impianti che sarebbe difficile o rischioso testare nell’impianto reale.

Test su data center, fabbriche e navi

Il modello è addestrato su circa 128 milioni di record storici provenienti da un data center con cinque grandi refrigeratori centrifughi e poi testato su dati nuovi. Con una finestra di previsione di 30 minuti, riduce l’errore quadratico medio nelle previsioni di potenza del 19,4% e abbassa l’errore percentuale di poco più di 2 punti rispetto a un solido modello LSTM che ignora la topologia di rete. Gli autori verificano inoltre quanto l’approccio si trasferisca a una fabbrica automobilistica e al sistema di raffreddamento centrale di una nave portacontainer. Con un limitato fine-tuning per la fabbrica e senza alcun riaddestramento per la nave, il modello supera comunque chiaramente i metodi convenzionali, mostrando che la rappresentazione appresa del comportamento di raffreddamento non è legata a un singolo sito.

Cosa significa per il risparmio energetico

Combinando la conoscenza di come le apparecchiature sono connesse, del loro comportamento nel tempo e dei vincoli imposti dalla fisica, il sistema GCN–LSTM proposto può prevedere con alta accuratezza e stabilità il consumo energetico dei refrigeratori, anche quando le apparecchiature invecchiano o cambiano i modelli operativi. Queste previsioni più affidabili consentono al software di controllo di scegliere strategie di condivisione dei carichi migliori, spostando il lavoro tra i refrigeratori per mantenere comfort e capacità di raffreddamento usando meno elettricità. In termini pratici, questo approccio indica una nuova via trasferibile per ridurre gli sprechi energetici nei grandi sistemi di raffreddamento di data center, fabbriche e navi senza modificare l’hardware.

Citazione: 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

Parole chiave: efficienza energetica dei refrigeratori, deep learning, rete neurale a grafo, raffreddamento industriale, controllo intelligente