技术标签: 数学建模 python Mathorcup数学建模挑战赛
据统计,全球数据中心每年消耗的电量,占全球总电量的 2%左右,而其中能源消耗的成本占整个 IT 行业的 30%-50%,特别是电子器件散热所需消耗的能量占比极大。
目前,国内大数据中心主要建设在内陆地区,预计 2020 年大数据中心年经济体量超过 3000 亿元。但大数据中心建设在陆地上需要占用大量土地,冷却时需要消耗大量的电能和冷却水资源,并花费大量建设成本。由于沿海发达省市数据中心增长迅猛,类似的资源矛盾尤为突出。
“海底数据中心项目(Project UDC)”是将服务器等互联网设施安装在带有先进冷却功能的海底密闭的压力容器中,用海底复合缆供电,并将数据回传至互联网;海底数据中心通过与海水进行热交换,利用巨量流动海水对互联网设施进行散热,有效节约了能源。海底数据中心对岸上土地占用极少,没有冷却塔,无需淡水消耗,既可以包容海洋牧场、渔业网箱等生态类活动,又可与海上风电、海上石油平台等工业类活动互相服务。将数据中心部署在沿海城市的附近水域可以极大地缩短数据与用户的距离,不仅无需占用陆上资源,还能节约能源消耗,是完全绿色可持续发展的大数据中心解决方案。
据悉,2015 年 8 月,微软首次在美国西部加利福尼亚州一处海域对一个水下数据中心的原型机进行了测试。研究人员在位于美国西北部华盛顿州的微软总部办公室对其进行操控,为期 3 个月的测试取得了超出预期的成功。该水下数据中心原型机装配了传感器,可以感知压力,湿度等状况,帮助研究人员更好地了解其在水下环境的运行情况。2018 年微软 Project Natick 项目在苏格兰海岸线附近的水域中实验性地部署了一个水下的数据中心。这是数据中心首次部署在海底,这个数据中心被设计成集装箱样式,然后被悬放在海平面 117 英尺处,之后海底数据中心通过铺设的海底电缆与陆上操作中心相连。海底数据中心以城市工业用电为主,海上风能、太阳能、潮汐能等可再生能源为辅,具有低成本、低时延、高可靠性和高安全性的特点。据微软团队测算,海底数据中心的故障率是陆地的 1/8。
2021 年 1 月 10 日,由北京海兰信数据科技股份有限公司联合中国船舶集团广船国际有限公司打造的全国首个海底数据舱在珠海高栏港揭幕,标志着我国大数据中心走进了海洋时代。对于海底数据中心,如何在有限的体积内存放更多的服务器且保证服务器工作过程中向海水中正常快速的散热是一项非常有挑战性的问题。现在各位参赛队员将参与到海底数据中心的优化设计,解决如下问题,并给微软,谷歌,华为等公司的海底数据中心的外壳散热提供设计方案。
问题 1:固体在液体中的冷却的方式主要是对流传热,对流传热可分为自然对流和强制对流。假定数据中心集装箱的尺寸为直径 1m,长 12m的圆柱形,悬空放置(圆柱形轴线与海平面平行)在中国南海温度为 20 摄氏度的海域深度,其中单个 1U 服务器的产热为 500W(正常工作温度不能超过 80 摄氏度),1U 服务器机箱的高度为 44.45 毫米,宽度为 482.6 毫米,长度为 525 毫米,请评估单个集装箱外壳中最多可以放多少个服务器(仅考虑服务器的散热需求)。
问题 2:假定集装箱外壳最大尺寸不超过 1m×1m×12m,结合第一问的分析,如何设计集装箱外壳的结构(如在圆柱体,长方体等上考虑翅片结构),可以实现最大化的散热效果,即存放更多的服务器。
问题 3:较深的海水具有较低的温度,能取得更好的散热效果,同时增大的压力会对集装箱外壳的耐压能力提出更高的要求;值得注意的是海水本身是一种强的腐蚀介质,直接与海水接触的各种金属结构物都不可避免地受到海水的腐蚀。请在问题 2 的基础上进一步选择合适的材料和海底深度进行优化设计,进一步提高散热效果,并尽可能降低成本,提高使用年限。
问题 4:潮汐和季节会改变局部水位和温度,并带来暂时性的海水流动,可能对数据中心的散热带来一定影响。请考虑潮汐和季节变化等因素对海底数据中心集装箱散热效果的影响。
问题 5:竞赛组委会希望大家可以根据自己的分析结果写一封建议信给相关公司的海底数据中心散热设计部门。
确定基本参数:
分析自然对流和强制对流:
热传导分析:
集装箱设计:
服务器数量估算:
结果报告:
问题一示例代码
import math
# 基本参数
server_heat_generation = 500 # 1U服务器产热 (W)
server_max_temperature = 80 # 服务器工作温度上限 (摄氏度)
sea_water_temperature = 20 # 海水温度 (摄氏度)
# 集装箱参数
container_diameter = 1 # 集装箱直径 (米)
container_length = 12 # 集装箱长度 (米)
container_volume = math.pi * (container_diameter / 2) ** 2 * container_length # 集装箱体积 (立方米)
# 自然对流散热计算
# 假设空气和水的导热系数相同,以简化模型
air_density = 1.225 # 空气密度 (kg/m^3)
g = 9.8 # 重力加速度 (m/s^2)
thermal_diffusivity = 2.5e-5 # 空气和水的热扩散系数 (m^2/s)
sea_water_density = 1025 # 海水密度 (kg/m^3)
sea_water_specific_heat = 4186 # 海水比热容 (J/(kg·K))
# 计算最大可容纳的服务器数量
def calculate_max_servers():
max_servers = 0
for i in range(1, 1000):
# 计算服务器产热和空气流动相关参数
server_heat = i * server_heat_generation
air_velocity = (2 * g * i * server_heat / (air_density * thermal_diffusivity * (server_max_temperature - sea_water_temperature))) ** 0.5
air_flow_rate = math.pi * (container_diameter / 2) ** 2 * air_velocity
# 计算最大服务器数量
if air_flow_rate <= (sea_water_density * sea_water_specific_heat * (server_max_temperature - sea_water_temperature)):
max_servers = i
else:
break
return max_servers
max_servers = calculate_max_servers()
print(f"集装箱内最多可以容纳 {max_servers} 个服务器,仅考虑服务器的散热需求和自然对流。")
问题二示例代码
import math
# 基本参数
server_heat_generation = 500 # 1U服务器产热 (W)
server_max_temperature = 80 # 服务器工作温度上限 (摄氏度)
sea_water_temperature = 20 # 海水温度 (摄氏度)
# 集装箱参数
container_diameter = 1 # 集装箱直径 (米)
container_length = 12 # 集装箱长度 (米)
# 翅片参数
fin_count = 50 # 翅片数量
fin_height = 0.1 # 翅片高度 (米)
fin_thickness = 0.005 # 翅片厚度 (米)
fin_spacing = 0.01 # 翅片间距 (米)
# 计算翅片表面积
def calculate_fin_area(fin_count, fin_height, fin_thickness, fin_spacing):
# 每个翅片的表面积
fin_surface_area = 2 * fin_height * fin_thickness + 2 * fin_height * fin_spacing
# 总翅片表面积
total_fin_area = fin_count * fin_surface_area
return total_fin_area
# 传热模型(简化模型)
def heat_transfer_model(total_fin_area):
# 在这里添加传热模型,考虑翅片的影响
# 简化模型用于示例,实际模型可能更复杂
# 基于传热模型计算最大服务器数量
return max_servers
# 计算最大可容纳的服务器数量
def calculate_max_servers_with_fins():
total_fin_area = calculate_fin_area(fin_count, fin_height, fin_thickness, fin_spacing)
max_servers = heat_transfer_model(total_fin_area)
return max_servers
max_servers_with_fins = calculate_max_servers_with_fins()
print(f"集装箱内最多可以容纳 {max_servers_with_fins} 个服务器,考虑了翅片的散热。")
综合评价模型:
材料性能评估:
海水温度变化模型:
更新传热模型:
服务器数量估算:
结果报告:
问题三示例代码
import math
# 基本参数
server_heat_generation = 500 # 1U服务器产热 (W)
server_max_temperature = 80 # 服务器工作温度上限 (摄氏度)
sea_water_temperature = 20 # 海水温度 (摄氏度)
# 集装箱参数
container_diameter = 1 # 集装箱直径 (米)
container_length = 12 # 集装箱长度 (米)
# 翅片参数
fin_count = 50 # 翅片数量
fin_height = 0.1 # 翅片高度 (米)
fin_thickness = 0.005 # 翅片厚度 (米)
fin_spacing = 0.01 # 翅片间距 (米)
# 材料性能参数
thermal_conductivity = 200 # 材料热导率 (W/m·K)
corrosion_resistance = "excellent" # 耐腐蚀性
# 海水温度变化参数
seasonal_temperature_change = 10 # 季节性温度变化 (摄氏度)
depth_temperature_change = 5 # 深度温度变化 (摄氏度)
# 计算翅片表面积
def calculate_fin_area(fin_count, fin_height, fin_thickness, fin_spacing):
# 每个翅片的表面积
fin_surface_area = 2 * fin_height * fin_thickness + 2 * fin_height * fin_spacing
# 总翅片表面积
total_fin_area = fin_count * fin_surface_area
return total_fin_area
# 传热模型(包括材料性能和温度变化)
def heat_transfer_model(total_fin_area, thermal_conductivity, sea_water_temperature):
# 在这里添加传热模型,考虑翅片的影响、材料性能和海水温度变化
# 简化模型用于示例,实际模型可能更复杂
# 基于传热模型计算最大服务器数量
return max_servers
# 计算最大可容纳的服务器数量
def calculate_max_servers_with_material_and_temperature():
total_fin_area = calculate_fin_area(fin_count, fin_height, fin_thickness, fin_spacing)
max_servers = heat_transfer_model(total_fin_area, thermal_conductivity, sea_water_temperature)
return max_servers
max_servers_with_material_and_temperature = calculate_max_servers_with_material_and_temperature()
print(f"集装箱内最多可以容纳 {max_servers_with_material_and_temperature} 个服务器,考虑了材料性能和海水温度变化的影响。")
更新传热模型:
数据收集:
潮汐和季节变化模拟:
更新服务器数量估算:
结果报告:
问题四示例代码
import math
# 基本参数
server_heat_generation = 500 # 1U服务器产热 (W)
server_max_temperature = 80 # 服务器工作温度上限 (摄氏度)
sea_water_temperature = 20 # 海水温度 (摄氏度)
# 集装箱参数
container_diameter = 1 # 集装箱直径 (米)
container_length = 12 # 集装箱长度 (米)
# 翅片参数
fin_count = 50 # 翅片数量
fin_height = 0.1 # 翅片高度 (米)
fin_thickness = 0.005 # 翅片厚度 (米)
fin_spacing = 0.01 # 翅片间距 (米)
# 季节性温度变化参数
seasonal_temperature_change = 10 # 季节性温度变化 (摄氏度)
# 计算翅片表面积
def calculate_fin_area(fin_count, fin_height, fin_thickness, fin_spacing):
# 每个翅片的表面积
fin_surface_area = 2 * fin_height * fin_thickness + 2 * fin_height * fin_spacing
# 总翅片表面积
total_fin_area = fin_count * fin_surface_area
return total_fin_area
# 传热模型(包括季节性温度变化)
def heat_transfer_model(total_fin_area, sea_water_temperature):
# 在这里添加传热模型,考虑季节性温度变化的影响
# 简化模型用于示例,实际模型可能更复杂
# 基于传热模型计算最大服务器数量
return max_servers
# 计算最大可容纳的服务器数量
def calculate_max_servers_with_seasonal_temperature():
total_fin_area = calculate_fin_area(fin_count, fin_height, fin_thickness, fin_spacing)
max_servers = heat_transfer_model(total_fin_area, sea_water_temperature)
return max_servers
max_servers_with_seasonal_temperature = calculate_max_servers_with_seasonal_temperature()
print(f"集装箱内最多可以容纳 {max_servers_with_seasonal_temperature} 个服务器,考虑了季节性温度变化的影响。")
文章浏览阅读3.4k次,点赞8次,收藏42次。一、什么是内部类?or 内部类的概念内部类是定义在另一个类中的类;下面类TestB是类TestA的内部类。即内部类对象引用了实例化该内部对象的外围类对象。public class TestA{ class TestB {}}二、 为什么需要内部类?or 内部类有什么作用?1、 内部类方法可以访问该类定义所在的作用域中的数据,包括私有数据。2、内部类可以对同一个包中的其他类隐藏起来。3、 当想要定义一个回调函数且不想编写大量代码时,使用匿名内部类比较便捷。三、 内部类的分类成员内部_成员内部类和局部内部类的区别
文章浏览阅读118次。分布式系统要求拆分分布式思想的实质搭配要求分布式系统要求按照某些特定的规则将项目进行拆分。如果将一个项目的所有模板功能都写到一起,当某个模块出现问题时将直接导致整个服务器出现问题。拆分按照业务拆分为不同的服务器,有效的降低系统架构的耦合性在业务拆分的基础上可按照代码层级进行拆分(view、controller、service、pojo)分布式思想的实质分布式思想的实质是为了系统的..._分布式系统运维工具
文章浏览阅读174次。1.数据源准备2.数据处理step1:数据表处理应用函数:①VLOOKUP函数; ② CONCATENATE函数终表:step2:数据透视表统计分析(1) 透视表汇总不同渠道用户数, 金额(2)透视表汇总不同日期购买用户数,金额(3)透视表汇总不同用户购买订单数,金额step3:讲第二步结果可视化, 比如, 柱形图(1)不同渠道用户数, 金额(2)不同日期..._exce l趋势分析数据量
文章浏览阅读3.3k次。堡垒机可以为企业实现服务器、网络设备、数据库、安全设备等的集中管控和安全可靠运行,帮助IT运维人员提高工作效率。通俗来说,就是用来控制哪些人可以登录哪些资产(事先防范和事中控制),以及录像记录登录资产后做了什么事情(事后溯源)。由于堡垒机内部保存着企业所有的设备资产和权限关系,是企业内部信息安全的重要一环。但目前出现的以下问题产生了很大安全隐患:密码设置过于简单,容易被暴力破解;为方便记忆,设置统一的密码,一旦单点被破,极易引发全面危机。在单一的静态密码验证机制下,登录密码是堡垒机安全的唯一_horizon宁盾双因素配置
文章浏览阅读7.7k次,点赞4次,收藏16次。Chrome作为一款挺不错的浏览器,其有着诸多的优良特性,并且支持跨平台。其支持(Windows、Linux、Mac OS X、BSD、Android),在绝大多数情况下,其的安装都很简单,但有时会由于网络原因,无法安装,所以在这里总结下Chrome的安装。Windows下的安装:在线安装:离线安装:Linux下的安装:在线安装:离线安装:..._chrome linux debian离线安装依赖
文章浏览阅读153次。中国发达城市榜单每天都在刷新,但无非是北上广轮流坐庄。北京拥有最顶尖的文化资源,上海是“摩登”的国际化大都市,广州是活力四射的千年商都。GDP和发展潜力是衡量城市的数字指...
文章浏览阅读3.3k次。前言spark在java使用比较少,多是scala的用法,我这里介绍一下我在项目中使用的代码配置详细算法的使用请点击我主页列表查看版本jar版本说明spark3.0.1scala2.12这个版本注意和spark版本对应,只是为了引jar包springboot版本2.3.2.RELEASEmaven<!-- spark --> <dependency> <gro_使用java调用spark注册进去的程序
文章浏览阅读4.8k次。汽车零部件开发工具巨头V公司全套bootloader中UDS协议栈源代码,自己完成底层外设驱动开发后,集成即可使用,代码精简高效,大厂出品有量产保证。:139800617636213023darcy169_uds协议栈 源代码
文章浏览阅读4.6k次,点赞20次,收藏148次。AUTOSAR基础篇之OS(下)前言首先,请问大家几个小小的问题,你清楚:你知道多核OS在什么场景下使用吗?多核系统OS又是如何协同启动或者关闭的呢?AUTOSAR OS存在哪些功能安全等方面的要求呢?多核OS之间的启动关闭与单核相比又存在哪些异同呢?。。。。。。今天,我们来一起探索并回答这些问题。为了便于大家理解,以下是本文的主题大纲:[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JCXrdI0k-1636287756923)(https://gite_autosar 定义了 5 种多核支持类型
文章浏览阅读2.2k次,点赞6次,收藏14次。原因:自己写的头文件没有被加入到方案的包含目录中去,无法被检索到,也就无法打开。将自己写的头文件都放入header files。然后在VS界面上,右键方案名,点击属性。将自己头文件夹的目录添加进去。_vs2013打不开自己定义的头文件
文章浏览阅读3.3w次,点赞80次,收藏342次。此时,可以将系统中所有用户的 Session 数据全部保存到 Redis 中,用户在提交新的请求后,系统先从Redis 中查找相应的Session 数据,如果存在,则再进行相关操作,否则跳转到登录页面。此时,可以将系统中所有用户的 Session 数据全部保存到 Redis 中,用户在提交新的请求后,系统先从Redis 中查找相应的Session 数据,如果存在,则再进行相关操作,否则跳转到登录页面。当数据量很大时,count 的数量的指定可能会不起作用,Redis 会自动调整每次的遍历数目。_redis命令
文章浏览阅读449次,点赞3次,收藏3次。URP的设计目标是在保持高性能的同时,提供更多的渲染功能和自定义选项。与普通项目相比,会多出Presets文件夹,里面包含着一些设置,包括本色,声音,法线,贴图等设置。全局只有主光源和附加光源,主光源只支持平行光,附加光源数量有限制,主光源和附加光源在一次Pass中可以一起着色。URP:全局只有主光源和附加光源,主光源只支持平行光,附加光源数量有限制,一次Pass可以计算多个光源。可编程渲染管线:渲染策略是可以供程序员定制的,可以定制的有:光照计算和光源,深度测试,摄像机光照烘焙,后期处理策略等等。_urp渲染管线