人工智能與數字孿生技術賦能碳中和數據中心的智能優化策略 周昕 9787523510919 【台灣高等教育出版社】

*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202312*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：人工智能與數字孿生技術賦能碳中和數據中心的智能優化策略
ISBN：9787523510919
出版社：科學技術文獻
著編譯者：周昕
頁數：276
所在地：中國大陸 *此為代購商品
書號：1696813
可大量預訂，請先連絡。

內容簡介

本書深入探討了數據中心領域的十大前沿主題，包括能效優化、任務分配、冷卻控制等，關注點在於數字孿生技術和深度強化學習在這些領域的應用。書中詳細剖析了數據中心能效的關鍵挑戰，探討了深度強化學習在任務分配和冷卻控制中的創新應用。同時，也介紹了數字孿生技術在數據中心運維優化中的重要性，以及機器學習在綠色冷卻控制和智能電網管理等方面的應用。此外，還深入探討了數據中心可持續性發展的策略和實踐，以及機器學習在電力存儲系統和電能存儲材料探索中的應用，旨在為讀者提供思考和應用的啟示。

作者簡介

周昕，男，1985年生。南洋理工大學博士后，博士畢業於日本廣島大學信息工程專業。2017年由「江西科技師範大學高層次人才引智計劃」入職信息與機電工程學院。主要研究方向包括強化學習、數字孿生、應用機器學習、系統控制優化、并行優化計算等。獲2020年度IEEE Industrial Technical Excellence Award。主持國家自然科學基金（地區項目）1項（No 62262026）、江西省自然科學基金資助項目（面上項目）1項（No 20232BAB202020）、江西省教育廳科學技術研究項目（一般項目）1項（No GJJ211111）。

目錄

第一章 數據中心能效優化
1 1 引言
1 2 相關工作
1 2 1 基於時間驅動的優化方法
1 2 2 基於事件驅動的優化方法
1 3 問題表述
1 3 1 系統架構
1 3 2 系統模型
1 3 3 問題表述
1 4 基於DRL的聯合優化演算法
1 4 1 DRL用於離散和連續動作空間
1 4 2 參數化動作空間DQN（PADQN）
1 4 3 雙時間尺度控制
1 5 評估
1 5 1 實驗設置
1 5 2 性能指標
1 5 3 基準演算法
1 5 4 PADQN訓練結果
1 5 5 性能對比
1 5 6 對決策間隔tcool的性能敏感性
1 6 未來研究方向
1 6 1 開發適應動態和時常的協同策略
1 6 2 設計容錯自適應的閉環聯合控制
1 6 3 在複雜環境下實現能效全面提升
1 7 總結
第二章 深度強化學習在數據中心任務分配中的創新應用
2 1 引言
2 2 相關工作
2 2 1 傳統方法
2 2 2 深度強化學習應用
2 2 3 實際案例和應用
2 3 DRL應用於任務分配
2 3 1 問題描述
2 3 2 方法概述
2 4 基於長短期記憶（LSTM）網路的系統狀態預測
2 4 1 預測方法
2 4 2 實際數據中心的評估
2 4 3 基於DRL的作業分配
2 4 4 性能評估
2 5 結論
2 5 1 討論
2 5 2 總結
2 5 3 未來研究方向
第三章 深度強化學習在數據中心冷卻控制中的創新應用
3 1 引言
3 2 相關工作
3 2 1 冷卻控制的傳統方法與挑戰
3 2 2 深度強化學習作為新興解決方案
3 2 3 數據驅動模型
3 2 4 冷卻控制
3 2 5 基於DRL的冷卻控制的相關研究
3 3 系統概述
3 3 1 數據收集
3 3 2 物理建模
3 3 3 運營管理
3 3 4 驗證模塊
3 4 數據分析和建模
3 4 1 現有方法與我們的深度強化學習方法比較
3 4 2 基於數據的深度模型
3 4 3 基於物理規則的模型
3 5 基於深度強化學習的操作優化
3 5 1 深度強化學習在數據中心中的操作優化
3 5 2 深度強化學習在特定任務中的應用
3 6 評估
3 7 結論
第四章 數據中心數字孿生技術的基本原理及其廣泛應用
4 1 引言
4 2 相關工作
4 2 1 數據中心建模
4 2 2 代理輔助優化
4 2 3 基於知識的神經網路
4 2 4 CFD模型校準
4 2 5 CFD模型簡化
4 3 問題陳述
4 3 1 Kalibre方法的問題定義
4 4 通過代理進行CFD校準
4 4 1 基於知識的神經代理
4 4 2 CFD校準的四步迭代
4 4 3 Kalibre方法的實施
4 5 績效評估
4 5 1 實驗方法和設置
4 5 2 評價結果
4 6 結論
第五章 機器學習在綠色數據中心冷卻控制中的安全強化
5 1 介紹
5 2 相關工作
5 2 1 數據中心冷卻控制
5 2 2 安全強化學習
5 2 3 直流冷卻控制模型
5 2 4 深度強化學習（Deep Reinforcement Learning，DRL)
5 3 獎勵塑造績效
5 3 1 獎勵塑造的MDP公式
5 3 2 性能測量
5 4 方法
5 4 1 SAFARI方法
5 5 結論
第六章 基於物理引導的機器學習在數據中心數字孿生中的創新應用
6 1 引言
6 2 相關工作
6 2 1 物理引導的熱建模
6 2 2 數據驅動的熱建模
6 2 3 基於物理的學習和控制
6 2 4 MBRL和AutoML
6 3 預備知識
6 3 1 適當的正交分解
6 3 2 高斯過程回歸
6 3 3 Data Hall熱力學
6 3 4 系統功耗
6 4 系統模型
6 4 1 系統配置
6 4 2 多尺度數據中心熱建模
6 5 REDUCIO方法
6 5 1 方法概論
6 5 2 離線GP模型培訓
6 5 3 在線POD係數估計
6 5 4 評估
6 6 Phyllis的詳細設計
6 6 1 離線熱力學建模
6 6 2 步驟1：具有安全意識的在線探索
6 6 3 步驟2：電能使用和余量建模
6 6 4 步驟3和4：預培訓和微調
6 7 結論
第七章 機器學習在智能電網管理中的創新應用
7 1 引言
7 2 相關工作
7 2 1 績效指標
7 2 2 材料發現中的閉環機器學習
7 2 3 機器學習在能源材料研究中的應用
7 2 4 智能電網
7 2 5 可再生能源中的機器學習機會
7 3 智能電網的挑戰
7 3 1 機器學習在智能電網管理中的關鍵挑戰
7 3 2 需要解決的問題
7 4 方法
7 4 1 機器學習在智能電網管理中的應用
7 4 2 能源材料研究對智能電網管理的幫助
7 4 3 優化智能電網
7 4 4 政策優化
7 5 結論
第八章 數據中心可持續發展
8 1 引言
8 2 重新審視數據中心可持續性度量
8 2 1 能源效率指標
8 2 2 氣流管理指標
8 2 3 冷卻效率指標
8 2 4 電力供應系統效率指標
8 2 5 環境影響指標
8 3 數據中心可持續性研究現狀與趨勢
8 3 1 數據中
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。