Derin öğrenmeye dayalı paralel soğutucuların topoloji modellenmesi ve enerji verimliliği tahmini

Neden daha akıllı soğutma önemlidir

Her veri merkezi, fabrika ve büyük geminin arkasında, dünyadaki elektriğin büyük bir kısmını sessizce tüketen bir soğutma sistemi bulunur. Birçok tesis, sunucuları ve makineleri güvenli sıcaklıklarda tutmak için birkaç soğutucuyu paralel çalıştırır; ancak bu soğutucuların iş yükünü paylaşma biçimindeki küçük değişiklikler büyük miktarda enerji israfına yol açabilir. Bu çalışma, yeni bir yapay zeka türünün hem bir soğutma sisteminin düzenini hem de zaman içindeki değişen davranışını “görebildiğini” gösteriyor; böylece işletmeciler enerji kullanımını daha doğru tahmin edebilir ve soğutucularını çok daha verimli çalıştırabilir.

Büyük soğutma sistemleri enerjiyi nasıl israf eder

Endüstrideki soğutma istasyonları küresel enerji kullanımının büyük bir dilimini oluşturur ve bunun üçte birine kadar kısmı kötü işletme ve yük paylaşımı nedeniyle israf edilebilir. Tipik bir tesiste veya veri merkezinde birden fazla soğutucu, pompa ve soğutma kulesi boru ağlarıyla birbirine bağlı olarak birlikte çalışır. Bir soğutucu başlattığında, durduğunda veya yükünü değiştirdiğinde, ağ boyunca akış ve basıncı etkiler; bu da diğer tüm cihazların ne kadar çalışmak zorunda olduğunu değiştirir. Geleneksel kontrol kuralları ve basit tahmin modelleri her soğutucuyu neredeyse yalnızmış gibi ele alır; bu yüzden bu gizli bağlantıları kaçırır ve koşullar veya ekipman durumu değiştiğinde zorlanırlar.

Zamanı ve bağlantıları takip etmeyi modellemeyi öğretmek

Araştırmacılar iki temel fikri birleştiren hibrit bir derin öğrenme modeli inşa ettiler. Birincisi, güç çekişi ve su sıcaklığının dakika dakika nasıl değiştiği gibi zaman serilerindeki desenleri yakalamada iyi olan LSTM adlı bir dizi modelidir. İkincisi, her soğutucu, pompa ve soğutma kulesini bir ağdaki düğüm olarak ele alan ve fiziksel boru düzeni ile mevcut yük paylaşımı üzerinden bunların birbirlerini nasıl etkilediğini öğrenen GCN adlı grafik tabanlı bir modeldir. Bu iki görünümü birleştirerek model, her cihazın geçmişini ve tüm cihazların birbirine nasıl bağlı olduğunu aynı anda izleyebilir.

Fizik ve dijital ikizleri rehber olarak kullanmak

Ham sensör sinyallerini doğrudan ağa vermek yerine ekip, bunları birim elektrik başına soğutma gücü ve ısı alışveriş verimliliği gibi açık fiziksel anlamı olan niceliklere dönüştürüyor. Ayrıca, tahminleri temel enerji ve ısı dengesi yasalarına saygı göstermeye nazikçe yönlendiren bir düzenleme terimi ekliyorlar; bu, gerçekçi olmayan keskin sıçramaların önüne geçmeye yardımcı oluyor. Modelin gördüğü durum çeşitliliğini artırmak için büyük bir veri merkezinden alınan gerçek verileri, soğutma istasyonunun dijital ikizinden elde edilen binlerce saatlik simüle verilerle eşleştiriyorlar. Bu ikiz, değişen yükleri, dış koşulları ve gerçek tesiste test etmesi zor veya riskli olabilecek farklı ekipman bağlantı biçimlerini keşfetmelerine olanak tanıyor.

Veri merkezleri, fabrikalar ve gemiler üzerinde test

Model, beş büyük santrifüj soğutucusu olan bir veri merkezinden yaklaşık 128 milyon geçmiş kayıt üzerinde eğitiliyor ve ardından taze veriler üzerinde test ediliyor. 30 dakikalık bir tahmin penceresinde, güçlü bir ağ düzenini görmezden gelen LSTM temel modellerine kıyasla güç tahminlerindeki karekök ortalama hata (RMSE) yüzde 19,4 oranında azalıyor ve yüzde hata yaklaşık 2 puan kadar iyileşiyor. Yazarlar ayrıca yaklaşımın bir otomobil fabrikasına ve bir konteyner gemisinin merkezi soğutma sistemine ne kadar iyi aktarılabildiğini de kontrol ediyor. Fabrika için sınırlı ince ayar ile ve gemi için hiç yeniden eğitme yapmadan, model geleneksel yöntemleri açıkça geride bırakıyor; bu da öğrenilen soğutma davranışı temsilinin tek bir tesise bağlı olmadığını gösteriyor.

Enerji tasarrufu açısından bunun anlamı

Ekipmanların nasıl bağlandığı, zaman içindeki davranışları ve fiziğin bunları nasıl kısıtladığı bilgisini birleştirerek, önerilen GCN–LSTM sistemi soğutucu enerji kullanımını yüksek doğruluk ve kararlılıkla tahmin edebiliyor; bu, ekipman yaşlandığında veya işletme düzeni değiştiğinde bile geçerli. Bu daha güvenilir tahminler, kontrol yazılımının daha iyi yük paylaşımı stratejileri seçmesine olanak tanıyor; böylece soğutma kapasitesi ve konfor korunurken daha az elektrik tüketiliyor. Pratikte bu yaklaşım, veri merkezleri, fabrikalar ve gemiler gibi büyük soğutma sistemlerinde donanımı yeniden kurmadan enerji israfını azaltmaya yönelik yeni ve aktarılabilir bir yol sunuyor.

Atıf: 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

Anahtar kelimeler: soğutucu enerji verimliliği, derin öğrenme, graf sinir ağı, endüstriyel soğutma, akıllı kontrol