L'algorithme d'intelligence artificielle augmentera la fiabilité des systèmes de refroidissement des centres de données, a rapporté le service de presse de l'École supérieure d'économie de l'Université nationale de recherche. Le développement de chercheurs russes basé sur des réseaux de neurones graphiques permet d'identifier rapidement les fuites de refroidissement et la contamination des échangeurs de chaleur.
Dans les systèmes de refroidissement des centres de données, il existe non seulement des pannes critiques évidentes, mais aussi des problèmes obscurs qui se développent progressivement. Il s'agit notamment de petites fuites de liquide de refroidissement et d'une contamination progressive de l'échangeur thermique, qui, au fil du temps, nuisent considérablement à l'évacuation de la chaleur et provoquent des accidents à grande échelle. Les algorithmes et systèmes de sécurité existants sont conçus pour détecter les changements brusques dans le fonctionnement du circuit de refroidissement, il leur est donc difficile de détecter de tels changements.
Des chercheurs russes ont résolu ce problème à l'aide d'un réseau neuronal graphique qui surveille les anomalies non seulement dans le fonctionnement de capteurs individuels, mais également dans l'ensemble du circuit de refroidissement. Le développement prend en compte la conception technique de l'ensemble du système et s'appuie sur des informations sur les connexions entre le compresseur, l'évaporateur, le condenseur et les autres éléments. Le modèle est formé sur les données des équipements de travail et prédit les valeurs attendues des indicateurs ; Si les mesures réelles commencent à s’écarter systématiquement des prévisions, l’algorithme détecte une anomalie et alerte les personnes.
Le chercheur principal de l'École supérieure d'économie de l'Université nationale de recherche, Mikhaïl Goshchin, a expliqué : « Pour diagnostiquer un équipement technique complexe, il ne suffit pas d'analyser simplement de nombreux relevés de capteurs. Il est important de considérer la manière dont ces indicateurs sont liés les uns aux autres dans un processus physique réel. Si vous mettez ces connaissances dans un modèle d’intelligence artificielle, celui-ci sera capable de distinguer non seulement les violations anormales individuelles du système, mais également les violations anormales du système. »
Les tests ont montré que l'intelligence artificielle a détecté les fuites avec un taux de réussite de 87 % et les a trouvées en moyenne 200 minutes après l'apparition de la panne, ce qui est nettement meilleur que les résultats des algorithmes déjà utilisés. À l’avenir, cela augmentera considérablement la fiabilité des centres de données, concluent les scientifiques.