Dynamic Maintenance Cost Optimization in Data Centers: An Availability-Based Approach for K-out-of-N Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Data Centers (DCs) are critical infrastructures that support the digital world, requiring fast and reliable information transmission for sustainability. Ensuring their reliability and efficiency is essential for minimizing risks and maintaining operations. This study presents a novel availability-driven approach to optimizing maintenance costs in DC Uninterruptible Power Supply (UPS) systems configured in a parallel k-out-of-n arrangement. The model integrates reliability and availability metrics into a dynamic optimization framework, determining the optimal number of components needed to achieve the desired availability while minimizing maintenance costs. Through simulations and a case study by utilizing variable failure rates and monthly maintenance costs, the model achieves a combined system availability of 99.991%, which exceeds the Tier 1 DC requirement of 99.671%. A sensitivity analysis, incorporating ±10% variations in Mean Time Between Failures (MTBF), Mean Time To Repair (MTTR), and maintenance costs, was conducted to demonstrate the model’s robustness and adaptability across diverse operational conditions. The analysis also evaluates how different k-out-of-n UPS system configurations influence overall availability and maintenance costs. Additionally, feasible k-out-of-n configurations that achieve the required system availability while balancing operational costs were examined. Furthermore, the optimal number of UPS components and their associated minimum costs were compared across different DC tiers, highlighting the impact of varying availability requirements on maintenance strategies. These results showcase the model’s effectiveness in supporting critical maintenance planning, providing DC managers with a robust tool for balancing operational expenses and uptime.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 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 découle