論文の概要: Balancing Bits and Drops: Stress-Adjusted Water Management for Data Centers

• arxiv url: http://arxiv.org/abs/2607.22617v1
• Date: Mon, 15 Jun 2026 16:28:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.987578
• Title: Balancing Bits and Drops: Stress-Adjusted Water Management for Data Centers
• Title（参考訳）: ビットとドロップのバランシング:データセンターにおける応力調整型水管理
• Abstract要約: データセンターは淡水産業の最大の消費者である。 本稿では, データセンターの水消費の持続可能性への影響を定量化する, ストレス調整型水フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 14.19070105368302
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data centers are critical to today's digital economy, but are also among the largest industrial consumers of freshwater. Beyond the sheer volume of water use, the environmental impact of data center water consumption varies significantly across locations and seasons, depending on local and regional water stress. However, prior research has largely focused on reducing total water use, overlooking that the same unit of water can have drastically different environmental consequences depending on when and where it is consumed. In this paper, we introduce a stress-adjusted water framework that quantifies the true sustainability impact of data center water consumption by incorporating both spatial and temporal water stress. Using the AWARE-US model, we capture county-level monthly variations in water availability and extend this framework to account for the off-site water footprint of electricity generation. Based on this stress-aware accounting, we analyze stress-adjusted water-computing strategies spanning both the software and infrastructure layers. Specifically, we study workload scheduling policies that jointly optimize water and carbon efficiency, evaluate the potential of rainwater harvesting as a supplemental water source, and investigate the feasibility of dry cooling as a water-free alternative to evaporative cooling.
• Abstract（参考訳）: データセンターは今日のデジタル経済にとって重要であるが、淡水産業の最大の消費者でもある。 大量の水の使用に加えて、データセンターの水消費の環境への影響は、地域や地域の水ストレスによって、場所や季節によって大きく異なる。 しかし、以前の研究では、同じ水の単位が、いつ、どこで消費されるかによって、環境に大きく異なる結果をもたらす可能性があることを見越して、総水使用量の削減に重点を置いていた。 本稿では, 空間的および時間的水ストレスを両立させることにより, データセンターの水消費の真の持続可能性への影響を定量化する, ストレス調整型水枠組みを提案する。 AWARE-USモデルを用いて、郡レベルの給水量の変化を捉え、この枠組みを拡張し、発電のオフサイト給水フットプリントを考慮に入れた。 このストレス対応会計に基づいて、ソフトウェア層とインフラストラクチャ層の両方にまたがるストレス調整型ウォーターコンピュート戦略を分析する。 具体的には,水と炭素の効率を共同で最適化する作業負荷スケジューリングポリシについて検討し,雨水収穫の可能性について補水源として評価し,蒸発冷却に代わる無水代替手段としての乾燥冷却の可能性について検討した。

関連論文リスト

• Small Bottle, Big Pipe: Quantifying and Addressing the Impact of Data Centers on Public Water Systems [34.87519714070721]
  合衆国のデータセンターは、2030年までに1日あたり697万1,451ガロン(MGD)の水道容量を必要とする可能性がある。 高成長のIT負荷は、その年の大半でニューヨーク市の約半分を供給できる十分な能力を必要とする可能性がある。
  論文  参考訳（メタデータ） (2026-03-03T07:50:54Z)
• 50 Years of Water Body Monitoring: The Case of Qaraaoun Reservoir, Lebanon [0.0]
  レバノン最大の表層水域であるカラオウン貯水池の持続的な管理は、その貯蔵量の信頼性に頼っている。 本研究では,オープンソースの衛星画像,高度水没セグメンテーション,機械学習を統合したセンサレスアプローチを提案する。
  論文  参考訳（メタデータ） (2025-10-28T13:23:32Z)
• Not All Water Consumption Is Equal: A Water Stress Weighted Metric for Sustainable Computing [2.5832043241251337]
  本研究では,水ストレスの空間的および時間的変動を要因として,計算における水の影響を評価する最初のフレームワークであるSCARFを提案する。 ScarFは、時間とともに消費量と局所的な水ストレスの両方を考慮する調整水衝撃(AWI)測定値を計算する。 位置選択と時間選択を最適化し、節水型コンピューティングの道を開くことにより、水の衝撃を抑えるための隠れた機会を示す。
  論文  参考訳（メタデータ） (2025-06-28T06:26:06Z)
• Distinct hydrologic response patterns and trends worldwide revealed by physics-embedded learning [2.784303921367749]
  本稿では, 物理埋め込み型ビッグデータ学習モデルについて, 特徴的水文応答パターン(「署名」)とそのシフトを確実に把握するためのブレークスルーとして紹介する。 長期の水収支を現実的に表現することで、このモデルは世界中の基本的な緑-青-水分配とベースフロー比において、20年間で最大20%の広範な変化を明らかにした。
  論文  参考訳（メタデータ） (2025-04-14T20:58:52Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• SEN12-WATER: A New Dataset for Hydrological Applications and its Benchmarking [40.996860106131244]
  気候と干ばつの増加は、世界中の水資源管理に重大な課題をもたらしている。 本稿では,干ばつ関連分析のためのエンドツーエンドディープラーニングフレームワークを用いたベンチマークとともに,新しいデータセットであるSEN12-WATERを提案する。
  論文  参考訳（メタデータ） (2024-09-25T16:50:59Z)
• A Dataset for Research on Water Sustainability [18.979261592551676]
  本研究は, 冷却システムにおける直接水利用と, 発電に埋め込まれた間接水利用のためのデータセットを構築した。 当社のデータセットは、2019年から2023年までの米国の主要都市と州の時給水効率で構成されています。 本稿では,データセットの予備解析を行い,その利点を享受できる3つの潜在的なアプリケーションについて論じる。
  論文  参考訳（メタデータ） (2024-05-24T02:59:52Z)
• An evaluation of deep learning models for predicting water depth evolution in urban floods [59.31940764426359]
  高空間分解能水深予測のための異なる深層学習モデルの比較を行った。 深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。 その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
  論文  参考訳（メタデータ） (2023-02-20T16:08:54Z)
• Multi-scale Digital Twin: Developing a fast and physics-informed surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
  気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。 U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。 並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
  論文  参考訳（メタデータ） (2022-11-20T06:46:35Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)
• Predictive Analytics for Water Asset Management: Machine Learning and Survival Analysis [55.41644538483948]
  本研究では,水管故障の予測のための統計的および機械学習の枠組みについて検討する。 スペイン,バルセロナの配水ネットワーク内の全管の故障記録を含むデータセットを用いて検討を行った。 その結果, 管形状, 年齢, 材質, 土壌被覆など, 重要な危険因子の影響が明らかにされた。
  論文  参考訳（メタデータ） (2020-07-02T19:08:36Z)

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。