هوش مصنوعی در تهویه مطبوع؛ پیش‌بینی وضعیت حرارتی سرورها و داده‌ها

به میان می‌آید، اغلب ما به سراغ کولر گازی منزل یا سیستم گرمایشی ساختمان می‌رویم؛ اما یکی از حساس‌ترین و پیچیده‌ترین بخش‌های صنعت تهویه، مربوط به محیط‌هایی است که میزبان تجهیزات پردازشی قدرتمند مانند سرورها و دیتاسنترها هستند. یک سرور در طول ثانیه‌ها عملیات پردازشی انجام می‌دهد و گرمای شدیدی تولید می‌کند. اگر این گرما به درستی مدیریت نشود، نه تنها تجهیزات بسیار گران‌قیمت دچار خرابی می‌شوند، بلکه قطعی سرویس‌های آنلاینی که به آن‌ها وابسته‌اند، خسارات جبران‌ناپذیری به همراه خواهد داشت. امروزه صنعت تهویه مطبوع دستخوش تحولات شگرفی شده و هوش مصنوعی (AI) وارد این عرصه شده است. یکی از جدیدترین و هیجان‌انگیزترین کاربردهای هوش مصنوعی در این حوزه، «پیش‌بینی وضعیت حرارتی سرورها» قبل از وقوع مشکل است. اما هوش مصنوعی چگونه این کار را انجام می‌دهد و چه کمکی به بهبود سیستم‌های سرمایشی دیتاسنترها می‌کند؟ در این مقاله به بررسی عمیق این موضوع می‌پردازیم. چالش سرمایش در دیتاسنترها و اتاق سرور اتاق‌های سرور و دیتاسنترها قلب تپنده دنیای دیجیتال هستند. در این فضاها، رک‌های سرور به صورت فشرده کنار هم قرار گرفته و هر کدام مانند یک بخاری کوچک عمل می‌کنند. سیستم‌های تهویه سنتی در این محیط‌ها معمولاً بر اساس یک رویکرد ایستا کار می‌کنند؛ یعنی سنسورهای دمای محیطی تنظیم می‌شوند تا وقتی دمای اتاق به یک حد مشخص رسید، چیلرها یا سیستم‌های کراک (CRAC) با حداکثر توان شروع به کار کنند. نقاط کور حرارتی (Hot Spots) مشکل اصلی سیستم‌های سنتی این است که دمای کلی اتاق ممکن است در حد نرمال به نظر برسد، اما در جلوی یک رک خاص که پردازش سنگینی روی آن در حال انجام است، دما به شدت بالا رفته و یک «نقطه کور حرارتی» یا Hot Spot تشکیل شود. این نقاط داغ می‌توانند باعث افت عملکرد سرور، کاهش عمر مفید قطعات و حتی آتش‌سوزی شوند. خنک‌سازی بیش از حد کل اتاق برای جبران این نقطه کوچک، نیز به هدر دادن عظیم انرژی و افزایش چشمگیر هزینه‌ها منجر می‌شود. هوش مصنوعی چگونه وضعیت حرارتی را پیش‌بینی می‌کند؟ هوش مصنوعی رویکرد ما را از «واکنش پس از وقوع مشکل» به «پیش‌بینی و پیشگیری» تغییر می‌دهد. به جای اینکه سیستم سرمایش صبر کند تا سرور داغ شود و سپس واکنش نشان دهد، الگوریتم‌های هوش مصنوعی می‌توانند وضعیت حرارتی آینده سرور را پیش‌بینی کنند. این پیش‌بینی بر اساس تحلیل حجم عظیمی از داده‌ها صورت می‌گیرد: ۱. تحلیل بار کاری پردازشی (IT Workload) هوش مصنوعی با دریافت اطلاعات از نرم‌افزارهای مدیریت سرور، متوجه می‌شود که در چه ساعت‌هایی پردازش داده‌ها به اوج می‌رسد. مثلاً اگر یک سرور بانکی قرار است در پایان ماه تراکنش‌های سنگینی را پردازش کند، هوش مصنوعی این الگو را یاد می‌گیرد و می‌داند که در آن زمان خاص، تولید گرما به شدت افزایش می‌یابد. ۲. یکپارچه‌سازی داده‌های تهویه و فناوری اطلاعات سیستم‌های مبتنی بر AI، داده‌های سنسورهای دمای محیطی (سنسورهای کف، سقف و رک) را با داده‌های مصرف برق و فن‌های سرور ترکیب می‌کنند. این الگوریتم‌ها درک عمیقی از رابطه علت و معلولی بین «افزایش بار پردازشی» و «افزایش دمای هوای خروجی از رک» پیدا می‌کنند و بر اساس آن، مدل‌های پیش‌بینی دقیقی می‌سازند. ۳. یادگیری مداوم و تطبیق با تغییرات الگوریتم‌های یادگیری ماشین (Machine Learning) به صورت مداوم در حال یادگیری هستند. اگر تجهیزاتی به دیتاسنتر اضافه شود یا الگوی استفاده از سرورها تغییر کند، هوش مصنوعی به سرعت این تغییرات را در مدل پیش‌بینی خود لحاظ می‌کند و دقت خود را ارتقا می‌بخشد. مزایای استفاده از هوش مصنوعی در سیستم‌های سرمایش دیتاسنتر ورود هوش مصنوعی به سیستم‌های HVAC دیتاسنترها، منافع بزرگ و قابل توجهی به همراه دارد که از نظر اقتصادی و عملکردی بسیار حیاتی هستند: کاهش چشمگیر مصرف انرژی در روش‌های سنتی، برای اطمینان از عدم تشکیل نقاط داغ، سیستم‌های کراک و چیلر با توان بالایی و مداوم کار می‌کنند که به معنای هدررفت انرژی است. هوش مصنوعی می‌تواند با پیش‌بینی دقیق نیاز سرمایشی، سرعت فن‌ها و توان چیلرها را دقیقاً متناسب با نیاز لحظه‌ای و آینده نزدیک تنظیم کند. این کار می‌تواند مصرف انرژی سیستم تهویه را تا حدود ۲۰ تا ۴۰ درصد کاهش دهد که در مقیاس یک دیتاسنتر بزرگ، عدد خارق‌العاده‌ای است. افزایش عمر مفید تجهیزات تهویه و سرورها وقتی سیستم‌های سرمایش با رویکرد پیش‌بینی‌کننده کار می‌کنند، از روشن و خاموش شدن‌های مکرر (Short Cycling) و کار با حداکثر توان غیرضروری جلوگیری می‌شود. این موضوع فشار فیزیکی کمتری به کمپرسورها و فن‌های چیلر وارد کرده و از سوی دیگر، با ثابت نگه داشتن دمای سرورها در محدوده ایمن، استهلاک قطعات الکترونیکی سرور نیز به حداقل می‌رسد. رفع کامل نقاط داغ (Hot Spots) هوش مصنوعی می‌تواند جریان هوا را در کل دیتاسنتر شبیه‌سازی کند. اگر پیش‌بینی شود در گوشه‌ای از اتاق در یک ساعت آینده نقطه داغ تشکیل می‌شود، سیستم می‌تواند پیش از آنکه دما بالا برود، جریان هوای سرد را با تغییر سرعت فن‌ها یا تنظیم شیرهای هوا به سمت آن منطقه خاص هدایت کند. آیا این فناوری برای ساختمان‌های مسکونی هم کاربرد دارد؟ شاید از خود بپرسید که آیا این فناوری پیچیده برای کولر گازی یا داکت اسپلیت منزل ما هم کاربرد دارد یا خیر. پاسخ کوتاه این است: هنوز در مراحل اولیه برای مصارف خانگی است، اما آینده در این направлении حرکت می‌کند. امروزه برخی از ترموستات‌های هوشمند از الگوریتم‌های ساده‌ای برای یادگیری عادات ساکنان استفاده می‌کنند تا دمای خانه را پیش از ورود شما تنظیم کنند. در آینده‌ای نه چندان دور، با اتصال هوش مصنوعی به خانه‌های هوشمند، سیستم تهویه می‌تواند با دریافت پیش‌بینی هواشناسی و بررسی الگوی مصرف انرژی خانه، عملکرد کولر گازی یا پمپ حرارتی شما را بهینه‌سازی کند. اما در حال حاضر، بیشترین ارزش‌آفرینی و ضرورت استفاده از AI در پیش‌بینی وضعیت حرارتی، مربوط به دیتاسنترها، بیمارستان‌ها و ساختمان‌های تجاری بزرگ است. نتیجه‌گیری ترکیب هوش مصنوعی و سیستم‌های تهویه مطبوع، یک روند غیرقابل بازگشت در صنعت HVAC است. توانایی پیش‌بینی وضعیت حرارتی سرورها قبل از اینکه داغ شوند، به معنای نجات میلیاردها دلار تجهیزات، جلوگیری از قطعی سرویس‌های حیاتی و حفظ انرژی در مقیاس جهانی است. دیتاسنترهایی که از این فناوری بهره می‌برند، نه تنها سبزتر و پایدارتر عمل می‌کنند، بلکه هزینه‌های عملیاتی (OPEX) بسیار پایین‌تری خواهند داشت. با پیشرفت این الگوریتم‌ها، به زودی شاهد سیستم‌های تهویه‌ای خواهیم بود که به جای واکنش نشان دادن به محیط، محیط را خود خلق و مدیریت می‌کنند.