Temperature distribution estimation via data-driven model and adaptive Kalman filter in modular data centers
Notice bibliographique
Résumé
With the rapid development of information and communications technology, increasing number of data centers is required to support the cloud computing, and critical web-based services that run our daily lives. The conventional cloud data centers usually adopt computer room air conditioner or inRow units as the cooling sytem, while the rack mountable cooling unit is a more promising equipment due to the economy, exact controllability, flexibility, and scalability. To ensure the efficiency of control system in rack mountable cooling unit and the security of servers in the data centers, the information of temperature distribution is very essential. Basically, the temperature distribution could be obtained through physical sensors easily. However, considering the cost of whole system and the burden of fault diagnosis in sensor networks, the number of temperature sensors should be kept down to a bare minimum. Therefore, it is necessary to develop an effective and real-time observer to estimate the temperature distribution in the system. Besides, due to the complex air flow and heat transfer in the container, it is quite difficult to construct a physics model. To this end, a novel observer embracing data-driven model and adaptive Kalman filter is proposed in this work. Auto regression exogenous model is adopted as the framework of data-driven model, and the model is identified through a algorithm of partial least square. Moreover, to represent the nonlinear behaviors in the system, fuzzy c-means is applied for data classification and getting multiple local linear models. Finally, adaptive Kalman filter is utilized to estimate the temperature distribution on the basis of proposed data-driven model. The estimation results based on experimental data indicate the performance of proposed approach is remarkable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».