論文の概要: Smart IoT-Based Leak Forecasting and Detection for Energy-Efficient Liquid Cooling in AI Data Centers

• arxiv url: http://arxiv.org/abs/2512.21801v1
• Date: Thu, 25 Dec 2025 22:51:16 GMT
• ステータス: 情報取得中
• システム内更新日: 2025-12-29 12:04:37.048624
• Title: Smart IoT-Based Leak Forecasting and Detection for Energy-Efficient Liquid Cooling in AI Data Centers
• Title（参考訳）: AIデータセンターにおける高効率液体冷却のためのスマートIoTによる漏れ予測と検出
• Authors: Krishna Chaitanya Sunkara, Rambabu Konakanchi,
• Abstract要約: 本稿では,LSTMニューラルネットワークを併用した概念実証型スマートIoTモニタリングシステムを提案する。 典型的な47ラックの施設では、このアプローチはおよそ1,500年のエネルギー無駄を防ぐことができる。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: AI data centers which are GPU centric, have adopted liquid cooling to handle extreme heat loads, but coolant leaks result in substantial energy loss through unplanned shutdowns and extended repair periods. We present a proof-of-concept smart IoT monitoring system combining LSTM neural networks for probabilistic leak forecasting with Random Forest classifiers for instant detection. Testing on synthetic data aligned with ASHRAE 2021 standards, our approach achieves 96.5% detection accuracy and 87% forecasting accuracy at 90% probability within plus or minus 30-minute windows. Analysis demonstrates that humidity, pressure, and flow rate deliver strong predictive signals, while temperature exhibits minimal immediate response due to thermal inertia in server hardware. The system employs MQTT streaming, InfluxDB storage, and Streamlit dashboards, forecasting leaks 2-4 hours ahead while identifying sudden events within 1 minute. For a typical 47-rack facility, this approach could prevent roughly 1,500 kWh annual energy waste through proactive maintenance rather than reactive emergency procedures. While validation remains synthetic-only, results establish feasibility for future operational deployment in sustainable data center operations.
• Abstract（参考訳）: GPU中心のAIデータセンターは、極端な熱負荷を処理するために液体冷却を採用しているが、冷却剤リークは計画外のシャットダウンと延長された修理期間を通じてかなりのエネルギー損失をもたらす。 本稿では,LSTMニューラルネットワークとランダムフォレスト分類器の確率的リーク予測を組み合わせた概念実証型スマートIoTモニタリングシステムを提案する。 ASHRAE 2021標準に適合する合成データを用いて, 検出精度96.5%, 予測精度87%をプラスまたはマイナス30分間の窓内で90%の確率で予測した。 解析によれば、湿度、圧力、流量が強い予測信号をもたらすのに対し、温度はサーバーハードウェアの熱慣性により最小限の即時応答を示す。 このシステムはMQTTストリーミング、InfluxDBストレージ、Streamlitダッシュボードを採用し、1分以内に突然のイベントを特定しながら、2～4時間前にリークを予測している。 典型的な47ラックの施設では、この手法は、反応性の緊急処置ではなく、積極的に保守することで、年間1,500kWhのエネルギー無駄を防ぐことができる。 バリデーションは依然として合成のみだが、持続可能なデータセンター運用における将来の運用展開の実現可能性を確立している。

関連論文リスト

• 2D-ThermAl: Physics-Informed Framework for Thermal Analysis of Circuits using Generative AI [9.414651358362388]
  ThermAl"は物理インフォームドな生成AIフレームワークで、熱源を効果的に同定し、全チップの過渡的および定常的な熱分布を推定する。 本モデルは,COMSOLを用いて生成した単純な論理ゲート(インバータ,NAND,XORなど)から複雑な設計まで,広範な熱散逸マップのデータセットに基づいて訓練されている。 実験結果から、ThermAlは0.71Cのルート平均二乗誤差(RMSE)を持つ大回路に対して正確な温度マッピングを行い、200倍高速に動作することで従来のFEMツールより優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-12-01T00:45:26Z)
• EventFlow: Real-Time Neuromorphic Event-Driven Classification of Two-Phase Boiling Flow Regimes [1.242656043400274]
  流動沸騰は、熱負荷を最小限の温度変化で放散できる効率的な伝熱機構である。 流路間の急激なシフトは、熱性能とシステムの信頼性を損なう可能性がある。 本稿では,ニューロモルフィックセンサからの信号に基づくリアルタイムフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-07T18:13:46Z)
• A Lightweight DL Model for Smart Grid Power Forecasting with Feature and Resolution Mismatch [0.4999814847776097]
  本稿では、実世界の高周波データを用いて、日々の電力需要を予測することを課題とする。 我々は、時間単位のダウンサイズ化、二重モードのインパルス化、包括正規化を組み合わせた頑健で軽量なディープラーニングパイプラインを提案する。 シーケンス・ツー・ワンのモデルでは、平均RMSEは601.9W、MAEは468.9W、精度は84.36%である。
  論文  参考訳（メタデータ） (2025-10-19T16:12:53Z)
• Automated Energy-Aware Time-Series Model Deployment on Embedded FPGAs for Resilient Combined Sewer Overflow Management [17.903318666906728]
  気候変動によって激化する極度の気象現象は、下水道システムの老朽化に挑戦する傾向にある。 下水道流域充填量の予測は早期介入に有効な洞察を与えることができる。 本稿では,エッジデバイス上でエネルギー効率の高い推論を可能にするエンドツーエンド予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-19T15:06:04Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Evaluating Short-Term Forecasting of Multiple Time Series in IoT Environments [67.24598072875744]
  IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。 この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。 これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
  論文  参考訳（メタデータ） (2022-06-15T19:46:59Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Artificial Intelligence based Sensor Data Analytics Framework for Remote Electricity Network Condition Monitoring [0.0]
  農村電化は、単一ワイヤアースリターン(SWER)ネットワークのような安価な技術の使用を要求する。 リモート消費者からのエネルギー需要は着実に増加しており、既存の路線の容量はすぐに不足する可能性がある。 SWERラインからの高インピーダンスアーク断層(HIF)は、2009年のブラックサタデーイベントのような壊滅的なブッシュファイアを引き起こす可能性があります。
  論文  参考訳（メタデータ） (2021-01-21T07:50:01Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。