液体冷却将在数据中心重现

简介:

似乎历史正在重演。即使在云计算时代,虚拟数据中心和虚拟一切,仍然需要有IT硬件,仍然需要电力和冷却。虽然从早期大型机日起就已经使用液体冷却技术,并且仍然用于冷却一些超级计算机,但是在过去的几十年中,空气冷却已成为大多数IT系统的主要冷却方式。

随着泽字节时代对电力需求不断增加,液体冷却的使用已经重新出现,为25kW至100kW的功率密度的每个机柜提供有效的热解决方案,有效解决了高性能和超大规模计算的冷却和能源挑战,以及更高功率密度的主流应用。

过时的概念?

与空气冷却相比,液体冷却的热传递效率和能量效率是众所周知的,但对于大多数人来说,液体冷却可能仍然看起来像是过时的概念。对于一些人来说,实际上对水有些恐惧,称之为数据中心的疏忽。

尽管如此,最近许多新的液体冷却技术开发和系统已经进入市场,这些市场原本是针对超大规模计算应用,现在可用于传统的数据中心服务器的冷却。其中一些系统由主要OEM厂商提供,如戴尔公司的Triton服务器,另一些则是惠普,IBM和联想等公司提供。

在其他情况下,由规模较小的制造商生产的系统以及内置在“标准”型IT机柜中的液体冷却系统,在同一机柜中可以容纳空气冷却和液体冷却的服务器。

一些供应商提供热插拔液体冷却服务器,插入到机柜中,使其与刀片式服务器一术方便切换服务器刀片。这种类型的液体冷却IT设备对于传统设施来说更容易实施,并且增加了对液体冷却的兴趣。

了解ASHRAE

此外,虽然业界对ASHRAE风冷IT系统的热指导意见有一些深入了解,但自2006年以来,ASHRAE已经制定了“液体冷却”指南,但很少有人知道,实际上2011年和2015年的“散热指南”还包括液冷系列W1至W5。这有助于指导设备设计师和工程师以及设备供应商,并帮助数据中心所有者,运营商和IT部门放心使用液冷系统。

人们对液体冷却技术有很多误区和误解。为了解决这个问题,绿色网格组织(TGG)发布了液体冷却技术更新白皮书70。本白皮书提供了IT和设施优势的高级概述,以及最先进的液体冷却技术指南。白皮书中定义和阐明了液体冷却术语,系统界限,拓扑结构和传热技术。它主要面向首席技术官员和IT系统架构师,以及数据中心设计师,所有者和运营商,这有助于促进业界人士的理解和加速采用。

来自物联网设备的预期大量数据需求量的大幅增加,通达5G连接的边缘数据中心的巨大带宽将需要HPC性能水平处于“产业规模”,这将使得空气冷却IT设备变得更加难以满足高功率密度和性能要求。

这将驱动超级计算机采用液体冷却技术,这将显示其有效性,并建立其可行性。这将验证和改进其操作实用性,并使其更具成本效益,因为批量生产将降低与空气冷却系统相匹配的成本。

谷歌,Facebook和其他厂商的数据中心设施首次使用自然冷却,现在通常被认为是主流技术。人们相信,液体冷却系统在不久的将来会得到更广泛的应用。

本文转自d1net(转载)

目录
相关文章
|
7月前
|
机器学习/深度学习 存储 数据采集
利用机器学习优化数据中心冷却系统
【4月更文挑战第26天】 在数据中心管理和运营中,冷却系统的能效是关键成本因素之一。随着能源价格的上涨和对环境可持续性的关注增加,开发智能、高效的冷却策略显得尤为重要。本文将探讨如何应用机器学习(ML)技术来优化数据中心的冷却系统。通过收集和分析温度、湿度、服务器负载等多维数据,我们构建了预测模型来动态调整冷却需求,实现节能并保持最佳的操作条件。实验结果表明,使用ML优化后的冷却系统能够在不牺牲性能的前提下显著降低能耗。
|
7月前
|
存储 传感器 监控
探索现代数据中心的冷却技术革新
【4月更文挑战第23天】 在信息技术迅猛发展的今天,数据中心作为计算和存储的核心枢纽,其稳定性和效率至关重要。然而,随着处理能力的增强,设备发热量急剧上升,有效的冷却方案成为确保数据中心持续运行的关键因素。本文将深入分析当前数据中心面临的热管理挑战,并探讨几种前沿的冷却技术,包括液冷系统、热管技术和环境自适应控制策略。通过比较不同技术的优缺点,我们旨在为数据中心管理者提供实用的冷却解决方案参考。
|
7月前
|
机器学习/深度学习 数据挖掘 物联网
【专栏】机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效
【4月更文挑战第27天】随着信息技术发展,数据中心能耗问题日益突出,占全球电力消耗一定比例。为提高能效,业界探索利用机器学习进行优化。本文讨论了机器学习如何通过预测性维护、负载预测、动态冷却管理和能源效率优化提升数据中心能效。然而,数据质量、模型解释性和规模化扩展是当前挑战。未来,随着技术进步和物联网发展,数据中心能效管理将更智能自动化,机器学习将在实现绿色高效发展中发挥关键作用。
127 5
|
7月前
|
机器学习/深度学习 存储 运维
利用机器学习优化数据中心冷却系统
【5月更文挑战第20天】 在数据中心运营成本中,冷却系统占据了一大块。随着能源价格的上涨和环境保护意识的增强,如何降低数据中心的能耗成为行业关注的重点。本文通过引入机器学习技术来优化数据中心冷却系统,旨在减少不必要的能源消耗,同时保持适宜的操作温度。通过收集历史温度数据、服务器负载信息以及外部气象条件,构建了一个预测模型,该模型能够实时调整冷却策略,实现动态节能。实验结果表明,与传统冷却系统相比,应用机器学习优化后的系统在不影响性能的前提下,能够节约高达20%的能源消耗。
|
7月前
|
存储 大数据 数据处理
探索现代数据中心的冷却技术
【5月更文挑战第25天】 在信息技术迅猛发展的今天,数据中心作为其核心基础设施之一,承载了巨大的数据处理需求。随着服务器密度的增加和计算能力的提升,数据中心的能耗问题尤其是冷却系统的能效问题日益凸显。本文将深入探讨现代数据中心所采用的高效冷却技术,包括液冷解决方案、热管技术和环境自适应控制等,旨在为数据中心的绿色节能提供参考和启示。
|
7月前
|
机器学习/深度学习 存储 传感器
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】 在数据中心的运行中,冷却系统的能效对整体运营成本有着显著的影响。随着人工智能技术的进步,特别是机器学习(ML)的发展,出现了新的机会来优化数据中心的能源使用效率。本文将探讨如何通过机器学习模型预测数据中心的热负荷,并据此动态调整冷却策略,以实现能耗最小化。我们将介绍所采用的数据集、预处理方法、模型选择、训练过程以及最终实施的策略。结果表明,基于机器学习的预测系统能够有效降低数据中心的能源消耗,并为可持续运营提供支持。
|
7月前
|
人工智能 监控 物联网
探索现代数据中心的冷却技术
【5月更文挑战第27天】 在信息技术迅猛发展的今天,数据中心作为信息处理的核心设施,其稳定性和效率至关重要。而随着计算能力的提升,数据中心面临的一个重大挑战便是散热问题。本文将深入探讨现代数据中心冷却技术的进展,包括传统的空气冷却系统、水冷系统,以及新兴的相变材料和热管技术。通过对不同冷却方式的效率、成本及实施难度的分析,旨在为读者提供一份关于数据中心散热优化的参考指南。
|
7月前
|
机器学习/深度学习 监控 算法
利用机器学习优化数据中心冷却系统
【5月更文挑战第30天】在数据中心的运营成本中,冷却系统占据了相当一部分。为了提高能效和降低成本,本文提出了一种基于机器学习的方法来优化数据中心的冷却系统。通过对大量历史数据的分析和挖掘,我们设计了一个预测模型,用于实时监控和调整数据中心的温度。实验结果表明,该方法可以有效降低能耗,提高数据中心的运行效率。
|
7月前
|
存储 大数据 数据中心
探索现代数据中心的冷却革新
【5月更文挑战第29天】在信息技术不断进步的今天,数据中心作为计算和存储的核心枢纽,其稳定性与效率至关重要。随着处理能力的提升,散热问题日益凸显,成为限制数据中心性能的关键因素之一。本文将深入探讨现代数据中心面临的热管理挑战,并分享一系列前沿的冷却技术与实践,旨在为构建更为高效、环保的计算环境提供参考。
|
7月前
|
存储 大数据 数据中心
提升数据中心能效的先进冷却技术
【5月更文挑战第27天】 在信息技术不断进步的今天,数据中心作为计算和存储的核心枢纽,其能源效率已成为评价其可持续性的关键指标。本文将探讨当前数据中心面临的热管理挑战,并展示一系列创新的冷却技术解决方案,旨在提高数据中心的能效,同时确保系统的稳定性和可靠性。通过对比传统冷却方法和新兴技术,我们将分析各种方案的优势、局限性以及实施难度,为数据中心运营者提供科学的决策参考。