AIと物理ベースのシミュレーションを用いたデータセンター用チラーの設定値最適化
私たちは、エージェント型AIアシスタントに、1 MWのデータセンター冷却プラントに関する3つのパラメトリックシミュレーションを与え、熱的安全限界を超えずにエネルギー使用量を削減できるチラーの設定値を見つけ出すよう依頼しました。ここでは、数値だけでは見過ごされてしまったであろう問題を、このAIアシスタントがどのように見つけ出したかをご紹介します。
ウォーターサイドエコノマイザーを備えたデータセンターの冷却プラントはすべて、同じトレードオフに直面しています。チラーの設定温度を上げると、エコノマイザーがより多くの負荷を引き受け、コンプレッサーの稼働時間を短縮し、電力使用効率（PUE）を向上させることができます。しかし、設定温度を過度に上げると、単一のシミュレーション実行だけでは明らかにならない形で熱的マージンが損なわれてしまいます。Modelon Impactの「データセンターライブラリ」を使用して構築した1 MWのAIデータセンター参照モデルにおいて、当社はソフトウェアのAIアシスタントを活用し、PUEの向上に向けてチラーの設定温度を最適化しました。
モデル：1 MWのAIデータセンター冷却プラント
このモデルは、図1に示すシュナイダーエレクトリック社の「EcoStruxure Modular Data Centre AI リファレンスデザイン（RD48DSR0_EN）」に基づいた、1 MWのIT負荷施設をシステムレベルで表現したものです。このモデルには、3つの入れ子構造となった流体ループが含まれています：
- 凝縮水（CW）ループ — 冷却塔を経由してチラー／水側エコノマイザー（WSE）プラントへ流入する施設用水
- 施設給水（FWS）ループ — チラープラントで生成されたプロピレングリコール／水の混合液を、CDU（26.3 kg/s）、12基のRDHxリアドア熱交換器（6.5 kg/s）、およびコンピュータールーム用エアハンドラー（CRAH）ユニット（3.3 kg/s）の3つに分岐させる
- 技術冷却供給（TCS）ループ — 冷却分配ユニット（CDU）からのエチレングリコール／水混合液を、12基すべてのラックマニホールド入口へ供給します
チラープラントには、スーパーを備えた水側エコノマイザー（WSE）が含まれています
| Mode | Description |
|---|---|
| FC — Free Cooling | WSE only; compressor off |
| PMC — Partial Mechanical Cooling | WSE and chiller in parallel |
| FMC — Full Mechanical Cooling | Chiller only; WSE bypassed |
各モードスイッチでは、ハンチングを回避するため、最低10分の滞留時間が設定されています。このモデルは、ベルリンのTMY（標準気象年）気象データに基づいており、24時間を通じたシミュレーションにおいて、現実的な欧州の周囲温度プロファイルを提供します。
12台のラックはすべてHybridWithRDHxインスタンスであり、各ラックのIT負荷は83 kWです。このうち80％はTCS/CDUの液体ループを通じて排熱され、20％はラックの排気を通じてリアドアの熱交換器へ送られます。システムサマリーでは、実行中を通じてPUE、チラーのCOP、冷却モード、およびラックの熱状態が継続的に記録されます。
チラーのセットポイント実験の設定
重要なパラメータは、施設の給水ループにおけるチラーの出口温度のセットポイントです。基準設計では295.15 K（22 °C）を目標としています。しかし、より高いセットポイントで運転することで、WSEが冷却負荷のより多くの部分を賄えるようになり、コンプレッサーの稼働時間を短縮し、PUEを改善することができます。最適なセットポイントを見つけるため、AIアシスタントの助けを借りて2つの実験を行いました。最初の比較では、ケースA（297 K）とケースB（305 K）を対比させ、いずれも10,000秒にわたるベルリンのTMY気象データを使用しました。この比較を開始したプロンプトを図2に示します。
ケースA対ケースB：AIアシスタントが発見したこと
AIアシスタントは、解釈のためのシミュレーション結果を取得しました。図3は、アシスタントが結果を解釈し、推奨事項を提示している様子を示しています。Modelon Impact AIアシスタントはエージェント型ワークフローに対応しているため、アシスタント自身が提案した値を用いてシミュレーションを実行することも、エンジニアがモデルを編集して手動で実行することも可能です。このケースでは、アシスタントが推奨したチラーの設定温度を用いて、手動でモデルを実行しました。
AIアシスタントの推奨値「300 K」の検証
AIアシスタントの推奨に従い、300 Kで3番目のケースを実行し、アシスタントに結果の分析を行わせました。図4は、シミュレーション結果を分析した後のアシスタントの応答のスナップショットです。
定常状態のTCS供給温度は約303.5 K（30.3 °C）に落ち着き、ASHRAE W32エンベロープ（2～32 °C、最大305 K）の範囲内に余裕を持って収まっており、約1.5 Kの余裕があります。このプラントでは、稼働時間の約98.6％で水側エコノマイザーが作動しています（PMCとFCの併用）。これに対し、ケースAでは87％の時間で完全機械冷却が行われていました。この組み合わせにより、保守的な297 Kのケースと比較して、平均チラーCOPが高く、PUEが低くなります。また、305 Kで見られたような無制限な温度上昇やエンベロープ違反も発生しません。
これがデータセンターの冷却設備に与える影響
ここでの具体的な数値は、このモデル、設備構成、およびベルリンの気象データファイルに固有のものです。設置場所、IT負荷、または流体ループのサイズが異なれば、最適な設定値も変わります。しかし、普遍的に当てはまるのはワークフローです。すなわち、パラメトリックなシミュレーションケースを実行し、AIアシスタントにエンジニアと同じようにKPIを読み取らせ、熱的な傾向が実際の問題となる前に、事後ではなく事前に察知するということです。
Modelon Impactの物理ベースのシミュレーションと、各ケースを比較し重要な点を指摘できるAIアシスタントを組み合わせることで、エンジニアが山積みのグラフを目視で確認する手間を省き、大量のデータから実用的なエンジニアリング指針を導き出すことが可能になります。また、所要時間も短縮されます。ケースの設定、実行、結果の解釈は、AIアシスタントを使用すれば数時間で完了しますが、手動での設定やグラフの読み取りを行う場合は1日以上を要します。
重要なのは、単独で見た場合にどの設定値が最も見栄えの良いPUEを生み出すかということではありません。利用可能な効率向上の大部分を確保しつつ、安定した、熱的に安全な動作点を実現する設定値こそが重要なのです。この1 MWのAIデータセンター参照モデルにおいて、その答えは300 Kです。これは、ケースBの効率に近いPUEを達成しつつ、そのリスクを一切伴わない値です。新規または既存のデータセンターの冷却容量を算出する際、このAIを活用したワークフローを用いれば、1週間の手動計算を待つことなく、わずか半日で最適なセットポイントを特定できます。以下の「データセンターライブラリ」リンクから、ご自身のモデルで試してみてください。
See how reference designs like this one come together in the Data Center Library for Modelon Impact.
