Thermische Simulation und Fluid-Strömungssimulation optimieren

Anbieter zum Thema

MicroConsult Academy GmbH

CTX Thermal Solutions GmbH

IBR Leiterplatten GmbH & Co. KG

Iterative Test in einer automatischen Routine

Diese Situation ist maßgeschneidert für iterative Tests. Die Anzahl der Schritte liegt in diesem Fall im Bereich der manuellen Was-wäre-wenn-Analyse. Dennoch ist es einfacher eine automatische Routine zu programmieren und ablaufen zu lassen, die von einem parametrischen Simulationswerkzeug überwacht wird.

Bild 2 zeigt Setup und Ergebnisseiten eines solchen Werkzeugs. Die linke Spalte der Setup-Seite gewährt Zugriff auf alle Elemente des 3-D-Modells. Der „Blockwinkel“ kann als unabhängige Variable gewählt werden. In diesem Beispiel hat der Ingenieur um einen Mittelpunkt bei 45 Grad in jede Richtung vier 10-Grad-Schritte angegeben.

Auf der Ergebnisseite zeigt das Diagramm, dass T_j ihren Minimalwert von weniger als 25 °C hat, wenn der Winkel des Luftleitblechs auf ungefähr 25 Grad eingestellt ist. Die Tabelle zeigt aber auch das Verhältnis zwischen T_j und dem statischen Druck auf den Lüfter. Bei der untersten T_j wird der statische Druck auf die Ventilatoren unannehmbar hoch. Dies erfordert einige technische Bewertungen und eine Abstimmung zwischen den Werten von Wärme und Druck.

Durch eine Vergrößerung des Leitblechwinkels auf 55 Grad würde der Systemdruck um fast 25% sinken, während die Sperrschichttemperatur von CPU 1 nur um 3 °C höher wäre und weiterhin in der Toleranz des Bauelements läge.

Gehäuseinnenraum erkunden... der Designraum

Die Optimierung der Luftleitblech-Einstellung ist nur ein erster Schritt. Es gibt noch unbeantwortete Fragen, da die interne Umgebung des Servers aus vielen interagierenden Variablen besteht. Der „Designraum“ umfasst alle relevanten systembezogenen Leistungswerte. Eine eingehende Bewertung dieser Variablen kann nur durch eine iterative Studie aller Parameter und ihrer Auswirkungen erfolgen, einzeln oder in Kombination mit anderen Parametern.

Ein Beispiel dafür ist der auf jeder CPU verwendete Kühlkörper. Kühlkörper unterscheiden sich hinsichtlich Kosten, Gewicht und thermischen Leistungswerten erheblich. Was ist die effektivste Konfiguration, um T_j zu verringern?

Die besten Antworten auf derartige Fragen zu finden, kann Hunderte von Simulationen erfordern und selbst die Automatisierung kann den erforderlichen numerischen Rechenaufwand nicht beschleunigen. Eine als statistische Versuchsplanung und Auswertung (Design of Experiments – DOE) bekannte Technik kann die Anzahl der Simulationen jedoch erheblich reduzieren und Zeit einsparen.

Statistische Versuchsplanung und Auswertung

Ein automatisierter DOE-Prozess führt eine Vorabanalyse des Designraums durch. Angesichts einer Reihe anwenderspezifischer Variablen und einer nominellen Anzahl von Simulationen (üblicherweise fünf oder mehr pro Variable, wie in Bild 3B), erstellt das DOE-Werkzeug eine erste Reaktionsfläche.

Das Eingangsformat ähnelt dem in Bild 2. Die Ergebnisse aus jeder Simulation helfen dem Simulator den nächsten Schritt vorherzusagen, um die besten Ergebnisse zu erzielen.

Obwohl nur grobkörnig, wird diese Fläche zum Ausgangspunkt für eine groß angelegte Optimierung. Der Simulator weiß nun, welcher der zehn Anfangspunkte der beste ist und kann fortfahren, mit diesen Informationen die Fläche weiter zu verfeinern. Um noch bessere Ergebnisse zu erzielen, wird jeder Schritt, der in eine Richtung bewegt wird, berechnet.

Eine vollständige Reaktionsfläche zeigt Bild 4. Die zweidimensionale kartesische Darstellung in Bild 3 wurde so gedreht, dass sie der „Boden“ einer 3-D-Oberflächenkarte wird, in dem T_j die Z-Achse bildet. Bild 4 stellt die Abhängigkeit von T_j zu den beiden berücksichtigten Designparametern mathematisch dar. In dieser Darstellung wurden die Grenzen des Designraums und einige der roten DOE-Testpunkte überlagert, um die anwenderdefinierten Spezifikationen und Beschränkungen klarzustellen. //