Modelagem topológica e previsão de eficiência energética de chillers paralelos com base em deep learning

Por que um resfriamento mais inteligente importa

Por trás de todo data center, fábrica e grande navio há um sistema de resfriamento que silenciosamente consome uma grande parcela da eletricidade mundial. Muitas instalações operam vários chillers em paralelo para manter servidores e máquinas em temperaturas seguras, mas pequenas mudanças em como esses chillers compartilham a carga podem desperdiçar grandes quantidades de energia. Este estudo mostra como um novo tipo de inteligência artificial pode “enxergar” tanto a configuração de um sistema de resfriamento quanto seu comportamento ao longo do tempo, permitindo que operadores prevejam o consumo de energia com mais precisão e operem seus chillers de forma muito mais eficiente.

Como grandes sistemas de resfriamento desperdiçam energia

Estações de resfriamento na indústria respondem por uma fatia grande do consumo energético global, e até um terço disso pode ser desperdiçado por operação e compartilhamento de carga inadequados. Em uma usina típica ou data center, vários chillers, bombas e torres de resfriamento trabalham em conjunto, conectados por um emaranhado de tubulações. Quando um chiller liga, desliga ou muda de carga, isso afeta o fluxo e a pressão em toda a rede, o que por sua vez altera o esforço exigido dos outros equipamentos. Regras de controle tradicionais e modelos de previsão simples tratam cada chiller quase como se estivesse isolado, portanto costumam perder esses vínculos ocultos e têm dificuldade quando as condições ou o estado dos equipamentos mudam.

Ensinando um modelo a acompanhar tempo e conexões

Os pesquisadores construíram um modelo híbrido de deep learning que combina duas ideias principais. A primeira é um modelo de sequência chamado LSTM, que é bom em identificar padrões em séries temporais, como a variação do consumo de energia e da temperatura da água minuto a minuto. A segunda é um modelo baseado em grafos, GCN, que trata cada chiller, bomba e torre de resfriamento como um nó em uma rede e aprende como eles se influenciam mutuamente por meio da disposição física das tubulações e do compartilhamento atual de carga. Ao fundir essas duas visões, o modelo consegue acompanhar tanto o histórico de cada dispositivo quanto a forma como todos os dispositivos estão interligados.

Usando física e gêmeos digitais como guia

Em vez de alimentar o modelo com sinais brutos dos sensores, a equipe primeiro os converte em grandezas com significado físico claro, como potência de resfriamento por unidade de eletricidade e a eficiência da troca térmica. Eles também adicionam um termo de regularização que incentiva suavemente as previsões a respeitar leis básicas de energia e balanço térmico, o que ajuda a evitar saltos irrealisticamente bruscos. Para ampliar a variedade de situações que o modelo observa, eles combinam dados reais de um grande data center com milhares de horas de dados simulados a partir de um gêmeo digital da estação de resfriamento. Esse gêmeo permite explorar variações de carga, condições externas e até diferentes formas de conectar equipamentos que seriam difíceis ou arriscadas de testar na planta real.

Testes em data centers, fábricas e navios

O modelo é treinado com cerca de 128 milhões de registros históricos de um data center com cinco grandes chillers centrífugos e em seguida testado em dados novos. Em uma janela de previsão de 30 minutos, ele reduz o erro quadrático médio (RMSE) nas previsões de potência em 19,4% e corta o erro percentual em pouco mais de 2 pontos em comparação com um forte LSTM de referência que ignora a topologia da rede. Os autores também verificam quão bem a abordagem se transfere para uma fábrica de automóveis e para o sistema central de resfriamento de um navio porta-contêineres. Com ajuste fino limitado para a fábrica e sem retreinamento algum para o navio, o modelo ainda supera claramente os métodos convencionais, mostrando que a representação aprendida do comportamento de resfriamento não está vinculada a um único local.

O que isso significa para economizar energia

Ao combinar conhecimento sobre como os equipamentos estão conectados, como se comportam ao longo do tempo e como a física os restringe, o sistema GCN–LSTM proposto pode prever o consumo de energia dos chillers com alta precisão e estabilidade, mesmo quando os equipamentos envelhecem ou o padrão de operação muda. Essas previsões mais confiáveis permitem que o software de controle escolha estratégias melhores de compartilhamento de carga, deslocando trabalho entre chillers para manter conforto e capacidade de resfriamento enquanto usa menos eletricidade. Em termos práticos, essa abordagem aponta para uma nova forma transferível de reduzir o desperdício de energia em grandes sistemas de resfriamento em data centers, fábricas e navios sem reconstruir o hardware.

Citação: 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

Palavras-chave: eficiência energética de chiller, deep learning, rede neural de grafos, resfriamento industrial, controle inteligente