Wenn KI Durst bekommt, Teil 3 Modellieren, simulieren, skalieren: Nachhaltige Datacenter-Plunung

Anbieter zum Thema

dc-ce RZ-Beratung Berlin, Frankfurt, Erding

DAXTEN GmbH

DeRZ - Deutsche Rechenzentren GmbH

ConSysTech GmbH

Simulation, „Modelica“ und digitale Zwillinge helfen, Energie- und Wasserverbrauch von Rechenzentren realistisch zu optimieren. Mit einem mathematisches Modell, einem FMU-Export und etwas Python wird aus Theorie operative Exzellenz.

Nachdem Teil 1 den Wasserfußabdruck moderner Rechenzentren und Teil 2 die Kühltechnik beleuchtet haben, geht es nun um die entscheidende Frage: Wie treffen Betreiber fundierte Entscheidungen?

Wenn KI Durst bekommt

Der versteckte Wasserfußabdruck moderner Rechenzentren

Wenn die KI Durst bekommt, Teil 2

Ohne Wasserstrategie kocht selbst das beste Rechenzentrum über

Statische Kennzahlen reichen nicht mehr

Power Usage Effectiveness (PUE) und Water Usage Effectiveness (WUE) haben sich als Standardkennzahlen etabliert. Doch so wichtig sie für Benchmarking und Reporting sind, so begrenzt ist ihre Aussagekraft für Planung und Betrieb.

Beide Kennzahlen sind integrale Größen, meist als Jahreswerte betrachtet. Sie verschleiern, was im Rechenzentrum tatsächlich passiert: zeitlich variable IT-Lasten, schwankende Außentemperaturen, wechselnde Kühlmodi und Regelstrategien.

Der reale Betrieb ist dynamisch. Kühlung arbeitet stundenweise im Wechsel zwischen Freikühlung, mechanischer Kälteerzeugung und – in warmen Klimaten – adiabatischer Verdunstung. Wer diese Dynamik ignoriert, fliegt blind. Genau hier setzt die in meinem Artikel „Cloud and Artificial Intelligence Services Come with a Surging Water Demand for Data Centre Cooling, DKV-Tagung 2025, Artikel RZ.5“ vom November 2025 vorgestellte Modellierungs- und Simulationsmethodik an.

Das Modell hinter den Zahlen

Grundlage der darin behandelten Untersuchung ist ein transientes mathematisch-physikalisches Modell, das Energie- und Wasserflüsse im Rechenzentrum zeitaufgelöst abbildet. Im Zentrum stehen:

• Transiente Energiebilanzen, die IT-Leistung, periphere Verbraucher (USV, Pumpen, Ventilatoren, Kältemaschinen) und Wärme-Abfuhr koppeln.

• Eine Wasser-Massenbilanz, die ausschließlich den real verlorenen Wasseranteil durch Verdunstung erfasst, also genau den Teil, der für die Ressourcendiskussion relevant ist.

• Klar definierte Parameter wie PUE, WUE und der Flüssigkühlanteil, die eine saubere Einordnung der Ergebnisse erlauben.

Durch diese Struktur lassen sich Energie- und Wasserverbräuche nicht nur berechnen, sondern kausal erklären. Die in die gezeigten Diagramme, etwa Boxplots zu stündlichen Energie- und Wasserbedarfen – sind direkte Resultate dieser zeitaufgelösten Bilanzierung.

Implementiert wurde das Modell in der Modelica-Sprache, und das aus gutem Grund. Modelica erlaubt eine physikalisch transparente Beschreibung komplexer Energiesysteme und greift auf offene, etablierte Bibliotheken zurück. Ein entscheidender Vorteil ist der Export als Functional Mock-up Unit (FMU).

Damit wird das Modell portabel: Es kann außerhalb der Entwicklungsumgebung genutzt, mit Python-Skripten, Gebäudeleittechnik (GLT) oder digitalen Zwillingen gekoppelt werden. Aus einem ursprünglichen Forschungsmodell wird so ein Baustein für reale Planungs- und Betriebsprozesse.

Vom Szenario zur Entscheidung

Der genutzten Workflows zeigen, wie aus Modellierung konkrete Entscheidungen entstehen:

• Sub-hourly Simulationen über ein ganzes Jahr erfassen Klima- und Lastdynamiken realistisch.

• Szenario-Runs per Python erlauben systematische Vergleiche, etwa zwischen Kühlkonzepten oder Standorten.

• Visualisierung mittels Boxplots und Balkendiagrammen macht Muster sichtbar: Freikühlanteile, Lastspitzen, Wasserverbrauchsperioden.

• Daraus lassen sich konkrete Design- und Betriebsentscheidungen ableiten, statt sich auf pauschale Annahmen zu stützen.

Die Diagramme im Artikel zeigen eindrücklich, wie stark sich identische Rechenzentren allein durch Klima und Kühlstrategie unterscheiden können. Daraus ergibt sich, dass insbesondere drei Ergebnisse relevant für die Praxis sind:

• 1. Direkte Heiß-Flüssigkeits-Kühlung (DHLC) stabilisiert die PUE standortunabhängig bei etwa 1,1, ein Niveau, das mit luftbasierten Konzepten kaum erreichbar ist.

• 2. Wasser-Hotspots sind primär klimabedingt, nicht Last-getrieben. Hohe WUE-Werte entstehen dort, wo adiabatische Kühlung dauerhaft notwendig ist.

• 3. Klimawandel verschärft bestehende Muster, erzeugt sie aber nicht neu. Die Standortwahl bleibt der dominierende Faktor für Wasserverbrauch.

Diese Differenzierung wäre ohne zeitaufgelöste Modellierung unmöglich. Damit solche Modelle jedoch in der Praxis Wirkung entfalten, sind weitere Schritte notwendig:

• Skalierung auf Multi-MW-Standorte und modulare Designs

• Integration in operative Systeme, etwa als Entscheidungsunterstützung im Betrieb

• Übergang von jährlichen Auswertungen zu kontinuierlicher, nahezu Echtzeit-Optimierung

Die Perspektive ist klar: In Zukunft werden Modelle nicht nur planen, sondern mitregeln. Co-Simulationen, gekoppelt mit Sensorik und KI-gestützten Algorithmen, ermöglichen Rechenzentren, ihre Energie- und Wasserströme selbstständig zu optimieren; angepasst an Wetter, Last und Betriebsziele.

Mega-Trend Agentic AI

Agenten im Rechenzentrum zerstören Paradigmen

(ID:50693313)