排序方式： 共有21条查询结果，搜索用时 3 毫秒
21.
随着5G时代的兴起，数据中心的热负荷上升。为提高数据中心温度分布预测精度，开发更加高效的数据中心热管理系统，本研究采用机器学习与全局寻优方法修正了Standard k-ε湍流模型的参数。通过模拟不同参数组合，构建数据集，使用神经网络进行训练的方法减小了近似物理模型(湍流模型)误差，提高了其精度。修正后的Standard k-ε湍流模型在机柜前后侧的平均均方根误差为0.946,与之前相比降低了29.47%,使得模型的准确性明显提高，为数据中心动态控制系统提供数据驱动，实现精确控制，提高节能率。 相似文献