Kalibre：用于数据中心数字孪生的基于知识的神经代理模型校准
系统与控制
2020-11-11 v3 系统与控制
摘要
计算流体动力学（CFD）模型已被广泛用于数据中心原型设计。将其发展为高保真度的数字孪生（digital twin）对于大规模数据中心的管理与运营是理想的。由专门训练的领域专家手动校准CFD模型参数以实现孪生级保真度是繁琐且劳动密集的。为减少人工投入，现有为各种计算模型开发的自动校准方法应用启发式搜索在经验定义的参数边界内搜索模型配置。然而，在CFD背景下，每步搜索都需要长时间的CFD模型迭代求解，随着模型复杂度增加使得这些方法不实用。本文提出Kalibre，一种基于知识的神经代理方法，通过迭代四个关键步骤执行CFD模型校准：i）基于CFD生成的数据训练神经代理模型，ii）基于传感器测量数据通过神经代理重训练寻找当前最优参数，iii）将找到的参数配置回CFD模型，iv）以传感器测量数据为真值验证CFD模型。从而，参数搜索被卸载到比CFD模型迭代求解快得多的神经代理上。为加速Kalibre收敛，我们将被孪生数据中心的传热物理先验知识集成到神经代理设计中以提高其学习效率。在32核处理器上约5小时计算，Kalibre在校准两个分别承载数千台服务器的生产数据机房的两个CFD模型中实现了0.81°C和0.75°C的平均绝对误差（MAEs），同时比现有基线方法需要更少的CFD求解过程。
引用
@article{arxiv.2001.10681,
title = {Kalibre: Knowledge-based Neural Surrogate Model Calibration for Data Center Digital Twins},
author = {Ruihang Wang and Xin Zhou and Linsen Dong and Yonggang Wen and Rui Tan and Li Chen and Guan Wang and Feng Zeng},
journal= {arXiv preprint arXiv:2001.10681},
year = {2020}
}
备注
Accepted to ACM BuildSys 2020