数据中心高架地板湍流模型系数修正与优化研究

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。     

数据中心高架地板模型和湍流模型评估

为提高数据中心气流组织温度预测的准确性，对多孔介质模型、多孔阶跃模型、体积力模型三种穿孔面模型对机柜前后侧温度分布的预测性能进行研究，通过均方根误差对三种模型预测精度进行评估，体积力模型表现最佳。此外，对10种RANS湍流模型的准确性进行了研究，Spalart-Allmaras、LRN k-ε模型的准确性优于Standrad k-ε模型。