Sistemas de computación de alta densidad con refrigeración de dos fases
Cuantificación/Estimación reducción consumo
Teniendo en cuenta que el PUE medio de los centros de datos a nivel mundial es de 1,7 y que no podemos elegir la localización de los edge datacenters porque tienen que estar cerca del origen de los datos, en este caso el PUE medio puede estar muy por encima de 2 utilizando tecnologías actuales.
Con este proyecto, el PUE quedaría muy próximo a 1, y de forma independiente del clima, por lo que la reducción de consumo esperada es del orden del 50% en sistemas de computación en el borde y cerca del 30% en centros de datos tradicionales.
Además, no requiere ningún tipo de acondicionamiento de la sala, por lo que reduce la inversión necesaria. Además, elimina cualquier riesgo de incendio en los equipos IT.
Cuantificación/Estimación reducción emisiones CO2
El dieléctrico utilizado tiene un GWP muy bajo y no daña a la capa de ozono, por lo que no supone ningún incremento en las emisiones de CO2.
Por otro lado, al reducir el consumo a la mitad, las emisiones de CO2 asociadas a ese consumo de electricidad también se reducen a la mitad.
Teniendo en cuenta que los centros de datos tienen un consumo muy elevado, muy pocas actuaciones tienen un impacto global muy significativo.
Innovación aplicada y buenas prácticas
Refrigeración por inmersión en Novec (3M), con muy bajo GWP
• Alimentación en continua para evitar pérdidas asociadas a las múltiples conversiones
• Punto de trabajo cercano a la temperatura de ebullición del fluido para aprovechar la evaporación para la extracción del calor generado y permitir densidades de potencia muy superiores.
• Sistemas escalables de monitorización y análisis de datos
• Control automático del punto de trabajo de todos los sistemas, basado en modelos predictivos del comportamiento térmico del sistema (redes neuronales y otras técnicas metaheurísticas)
• Protección de los equipos de cómputo basada en modelos de redes neuronales.
Usabilidad de Tecnologías de la Información y Comunicaciones
Monitorización mediante redes de sensores inalámbricas y agentes en los servidores
• Modelo basado en publicación-subscripción para mejorar la escalabilidad
• Sistema de análisis de datos masivos basado en Apache Spark
• Modelos de redes neuronales, utilizando TensorFlow, para el modelado de variables objetivo y la optimización de variables de control
• Simulación mediante técnicas formales de federaciones de centros de datos
• Co-simulación hardware-software utilizando modelos formales