CN112367809B - 基于深度学习的定向高效散热装置及安装监控方法 - Google Patents

基于深度学习的定向高效散热装置及安装监控方法 Download PDF

Info

Publication number
CN112367809B
CN112367809B CN202011206246.6A CN202011206246A CN112367809B CN 112367809 B CN112367809 B CN 112367809B CN 202011206246 A CN202011206246 A CN 202011206246A CN 112367809 B CN112367809 B CN 112367809B
Authority
CN
China
Prior art keywords
heat dissipation
heat
substrate
vertical
electronic element
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011206246.6A
Other languages
English (en)
Other versions
CN112367809A (zh
Inventor
侯彦
汪辉
杨佳琳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 20 Research Institute
Original Assignee
CETC 20 Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CETC 20 Research Institute filed Critical CETC 20 Research Institute
Priority to CN202011206246.6A priority Critical patent/CN112367809B/zh
Publication of CN112367809A publication Critical patent/CN112367809A/zh
Application granted granted Critical
Publication of CN112367809B publication Critical patent/CN112367809B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K7/00—Constructional details common to different types of electric apparatus
    • H05K7/20—Modifications to facilitate cooling, ventilating, or heating
    • H05K7/2029—Modifications to facilitate cooling, ventilating, or heating using a liquid coolant with phase change in electronic enclosures
    • H05K7/20327—Accessories for moving fluid, for connecting fluid conduits, for distributing fluid or for preventing leakage, e.g. pumps, tanks or manifolds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Thermal Sciences (AREA)
  • Cooling Or The Like Of Semiconductors Or Solid State Devices (AREA)

Abstract

本发明提供了一种于深度学习的定向高效散热装置及安装监控方法，将微流体和电子元器件进行协同设计，生产出一个集成的歧管微通道冷却结构，深度卷积神经网络模型对每个电子元件工作时超过安全温度产生的热量进行预测，并通过控制电路控制每个学习与控制单元来控制每个竖槽中冷却液流量以针对不同电路中不同电子设备热消耗进行高效的精准定向散热，有效地管理电子元件产生的大热通量，实现了电子器件上定点散热，可以大幅度提高散热效果，节省材料，同时通过深度卷积神经网络技术可以时时监控并将热量及时散失出去。本发明解决了传统风冷的低效问题，解决了传统水冷的设备冗杂能耗大，无法针对不同环境不同位置精准散热的缺点。

Description

基于深度学习的定向高效散热装置及安装监控方法
技术领域
本发明涉及散热冷却技术领域，特别是涉及一种电子设备的散热冷却装置。
背景技术
随着目前导航等电子设备的发展，在目前电子设备高性能的同时，如何散热冷却成为了一个十分重要的问题，电子设备内部运行时将一大部分电能转化为了内能，表现为设备内部温度升高，从而影响电子设备的性能，据统计，在导致电子设备失效的因素中，温度占55％，灰尘占6％，湿度占19％，振动占20％，电子设备的运行实践又表明，随着温度的增加，电子元器件的失效概率呈指数增长，对于某些电子器件，温度每升高10℃，失效率甚至会增大一倍以上。
散热问题对于导航设备的性能影响更为显著，过于复杂的散热系统会影响移动设备的便捷性，而过于简便的散热系统又会限制电脑的工作性能，同时移动设备的产热功率伴随着操作者运行的软件、环境的不同会提现于随时间和位置的不同变化，而传统的散热系统对于这一方面大多是统一加大散热功率，既造成能源的浪费，又不能精确的实现点对点、准时的散热，因此一种高效、小型、时时、精准定向的散热装置具有重要的意义。
发明内容
为了克服现有技术的不足，本发明提供一种基于深度学习的定向高效散热装置及安装监控方法，将微流体和电子元器件进行协同设计，生产出一个集成的歧管微通道冷却结构，可以有效地管理电子元件产生的大热通量，实现了电子器件上定点散热，可以大幅度提高散热效果，节省材料，同时通过深度卷积神经网络技术可以时时监控并将热量及时散失出去，从而可有效解决上述问题。
本发明解决其技术问题所采用的技术方案是：
本发明提供一种基于深度学习的定向高效散热装置，包括电子元件(1)、基板(2)、散热管(3)和学习与控制单元(4)。
所述电子元件(1)分布于基板(2)的上表面，所述的基板(2)为长方形，在基板(2)的下表面上，每个电子元件(1)的对应位置沿基板(2)的垂直方向开有圆槽(2B)；所述的散热管(3)分为散热竖管(3A)和散热横管(3B)，散热横管(3B)的直径大于散热竖管(3A)的直径，且散热竖管(3A)位于散热横管(3B)的上表面，散热竖管(3A)和散热横管(3B)的轴向方向互相垂直，散热竖管(3A)垂直嵌入基板(2)的圆槽(2B)中，与电子元件(1)的接触端封闭，散热竖管(3A)与电子元件(1)接触的封闭端含有温度探测器探头，探头采集电子元件(1)的温度和热量信息，温度探测器位于学习与控制单元(4)内，散热横管(3B)平行于基板(2)的下平面，散热竖管(3A)与散热横管(3B)内部保证冷却液的流通；学习与控制单元(4)位于散热竖管(3A)的一侧，用于控制散热竖管(3A)进入的冷却液流量。
在基板(2)的下表面设有竖槽(2A)，竖槽(2A)开口交错排列，竖槽(2A)的一端开口一端封闭，且相邻两个竖槽(2A)的开口分别位于基板(2)的两个相对侧边上，散热横管(3B)的轴向平行于基板(2)的下表面，散热横管(3B)分别嵌入竖槽(2A)中，并在非贯通处进行弯折，即基板(2)下表面开竖槽(2A)后，基板(2)下表面形成如图13所示的S形凸台；
所述基板(2)的长方形的长150mm，宽75mm；在基板(2)下表面沿长度方向隔15mm沿中线开非贯通的竖槽(2A)，竖槽(2A)的深度和宽度均为7.5mm，长度为65mm，共九个竖槽(2A)，竖槽(2A)平行设置且开口方向交替排列。
所述圆槽(2B)位于竖槽(2A)上方的基板(2)内，与电子元件(1)的位置对应，圆槽(2B)的深度为3.5mm。
所述的一种基于深度学习的定向高效散热装置，采用计算流体力学(CFD)技术基于连续方程、动量方程和能量方程对需要散热不同型号的电子元件(1)及基板(2)进行不同时刻正常情况、过载情况电路板上温度和热量进行模拟计算，具体过程如下：
采用Catia建模软件对需要散热的电子元件(1)及基板(2)进行建模，采用ICEM网格划分软件对建模后的模型进行网格划分，将划分后的网格导入Fluent软件对不同时刻电路板的温度场进行模拟，计算获得不同时刻下电子元件(1)及基板(2)的温度场分布值及电子元件(1)所释放出的热量，通过能量守恒方程，计算出电子元件(1)所释放出的热量值对应的降低到安全温度下需要的冷却液的流量，并将电子元件(1)及基板(2)的温度场分布值、电子元件(1)所释放出的热量及降低到安全温度下需要的冷却液的流量作为深度卷积神经网络模型的训练样本数据库，通过学习，得到在不同时刻深度卷积神经网络模型预测的电子元件散出的热量及电子元件降低到安全温度时所需要的冷却液的流量；然后通过学习与控制单元(4)的阀门，控制调节冷却液的流动方向和流量，学习与控制单元(4)根据预测结果对不同电子元件(1)下方的散热竖管(3A)内的冷却液流量进行控制。
所述的散热竖管(3A)内径为1.5mm，外径为2mm。
所述的安全温度为60℃。
本发明提供一种基于深度学习的定向高效散热装置的安装监控方法，包括以下步骤：
步骤1，按照电路板上电子元件(1)的分布对基板(2)的下表面进行开槽，开出相应位置的竖槽(2A)后，再根据电子元件(1)的位置，在基板(2)的竖槽(2A)内开出相应的圆槽(2B)，并在散热竖管(3A)的一侧布置学习与控制单元(4)，将散热横管(3B)按照竖槽(2A)和圆槽(2B)位置进行拼装和开口，如图11和图12所示，在圆槽(2B)的对应位置安装散热竖管(3A)，基于深度学习的时时监控精准定向高效散热装置结构安装结束；
步骤2，按照电子元件(1)的工作产热量和温度数据，将含有电子元件(1)的电路板温度场值及所计算出来的电子元件(1)所释放出的热量值及相对应的降低到安全温度(60℃)下需要的冷却液的流量作为深度卷积神经网络模型的训练样本数据库，进行深度卷积神经网络模型学习，并采用学习与控制单元(4)内的深度卷积神经网络模型进行预测，通过深度卷积神经网络模型预测出时间t后电子器件(1)周围的温度高于安全温度后的产热量，并预测在高于安全温度60℃时竖槽(2A)所需要的冷却液流量，将冷却液通入散热横管(3B)，散热装置依据预测的产热量以及所需的冷却液流量控制学习与控制单元(4)，限制散热竖管(3A)通过冷却液的流量，从而实现高效的精准定向散热功能。
本发明的有益效果在于可以基于深度学习的深度卷积神经网络模型对每个电子元件工作时超过安全温度产生的热量进行预测，并通过控制电路控制每个学习与控制单元来控制每个竖槽中冷却液流量以针对不同电路中不同电子设备热消耗进行高效的精准定向散热，高效的散热能力解决了传统风冷的低效问题，时时监控的精确定向功能，可供设备工作的不同功率分布进行调节，解决了传统水冷的设备冗杂能耗大，无法针对不同环境不同位置精准散热的缺点。此外，实现0.4s时间内采用0.5瓦/平方厘米的泵送功率，就可以输送超过1.8千瓦/平方厘米的热通量，其冷却效果超出当前所使用的结构的效果。单相水冷式热通量超过0.5KW/cm2时，其冷却性能系数(COP)达到了前所未有的水平(超过5000)，与平行微通道相比增加了近50倍多。
附图说明
图1为基于深度学习的定向高效散热装置的俯视立体图。
图2为基于深度学习的定向高效散热装置的仰视立体图。
图3为基于深度学习的定向高效散热装置俯视图。
图4为基于深度学习的定向高效散热装置侧视图。
图5为基于深度学习的定向高效散热装置正视图。
图6为基于深度学习的定向高效散热装置不含基板和电子元件结构的俯视立体图。
图7为基于深度学习的定向高效散热装置不含基板和电子元件结构的仰视立体图。
图8为基于深度学习的定向高效散热装置不含基板和电子元件结构的俯视图。
图9为基于深度学习的定向高效散热装置不含基板和电子元件结构的侧视图。
图10为基于深度学习的定向高效散热装置不含基板和电子元件结构的正视图。
图11为基于深度学习的定向高效散热装置单个散热管结构的俯视立体图。
图12为基于深度学习的时时监控精准定向高效散热装置单个散热管结构的仰视立体图。
图13为基于深度学习的定向高效散热装置不含散热管结构的仰视立体图。
其中，1-电子元件，2-基板，3-散热管，4-学习与控制单元，2A-竖槽，2B-圆槽，3A-散热竖管，3B-散热横管。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明提供一种基于深度学习的定向高效散热装置，可以基于深度学习的深度卷积神经网络模型对每个电子元件(1)工作时超过安全温度产生的热量进行预测，并通过控制电路控制每个学习与控制单元(4)来控制每个竖槽(2A)中冷却液流量以针对不同电路中不同电子设备热消耗进行高效的精准定向散热。下面对基于深度学习的定向高效散热装置及基于深度学习的时时监控精准定向高效散热方法进行详细介绍：
(一)基于深度学习的定向高效散热装置
基于深度学习的定向高效散热装置，包括电子元件(1)、基板(2)、散热管(3)和学习与控制单元(4)；如图1所示，为基于深度学习的定向高效散热装置的俯视立体图，如图2所示，为基于深度学习的定向高效散热装置的仰视立体图。
(1)电子元件
电子元件(1)分布于基板(2)之上，电子元件(1)受不同设备的不同部分的不同而不同，本次实例中展示的为四列九排分布的电子元件(1)，需注意不同电子设备进行划分时应保证排和列的划分。
(2)基板
如图3和图13所示，基板(2)为长方形，沿长边方向从短边前后位置开有非贯通的竖槽(2A)，竖槽(2A)中对应电子元件(1)的位置，本次实例中共有九排，沿厚度方向开有圆槽(2B)，本次实例有四列九排，基板(2)长150mm，宽75mm；在基板(2)背侧沿长度方向隔15mm沿中线开非贯通的竖槽(2A)，竖槽长宽均为7.5mm深65mm，共九个竖槽(2A)，开口方向交替排列；圆槽(2B)位于竖槽(2A)上方的基板)内与电子元件(1)位置对应，深3.5mm。
(3)散热管
散热管(3)分为散热竖管(3A)和散热横管(3B)，本次实例中共有散热竖管(3A)四列九排对应电子元件(1)，如图6和图7，散热横管(3B)九列分别交替弯折对应基板(2)竖槽(2A)非贯通区域，散热竖管(3A)嵌入基板(2)的圆槽(2B)，散热横管(3B)嵌入非贯通的竖槽(2A)并在非贯通处弯折，内部保证冷却液的流通。其中散热竖管(3A)位于圆槽(2B)内，与电子元件(1)接触端封闭，嵌于散热横管(3B)之上，内径为1.5mm，外径为2mm，向上与电子元件(1)底部相接触，向下与散热横管(3B)的内管联通。
(4)学习与控制单元
学习与控制单元(4)在本实例中位于散热竖管(3A)非弯折一侧，如图11和图12，用于控制散热竖管(3A)进入的冷却液流量，且内部含有温度传感器，用于记录在散热竖管(3A)上端探头记录的相关信息，作为卷积神经网络的输入，本实例中对应散热竖管(3A)共有四列九排。
(二)本发明提供了一种基于深度学习的定向高效散热装置的安装监控方法，包括以下步骤：
步骤1，按照电路板上电子元件(1)的分布对其下侧的基板(2)进行开槽，开出相应位置的竖槽(2A)后再根据电子元件(1)位置，在基板(2)的竖槽(2A)内开出相应的圆槽(2B)，并在圆槽(2B)附近布置学习与控制单元(4)，将散热横管(3B)按照竖槽(2A)和圆槽(2B)位置进行拼装和开口，在圆槽(2B)的对应位置在散热管(3)安装散热竖管(3A)，将基于深度学习的时时监控精准定向高效散热装置结构安装结束。
步骤2，对于基于深度学习的定向高效散热装置，对于采用CFD技术对典型不同型号的电路板进行不同时刻正常情况、过载情况电路板上温度和热量进行模拟计算，并将其作为深度卷积神经网络模型的训练样本数据库，按照电子元件(1)的工作热功率和温度数据，对电子元件(1)运行的相关产热情况进行学习，并采用深度卷积神经网络模型进行预测，通过深度卷积神经网络模型可以预测出某一时间后电子器件(1)周围的温度高于安全温度后的产热功率，将冷却液通入散热横管(3B)，并依据预测出来的热功率来控制学习与控制单元(4)来限制其散热竖管(3A)通过冷却液的流量，从而实现高效的精准定向散热功能。
本发明提供的基于深度学习的定向高效散热装置，具有以下特点：
(1)本发明提供一种基于深度学习的定向高效散热装置，用于对电子设备的高功率元件进行精准定向的散热，基于深度学习的时时监控精准定向高效散热装置结构包括电子元件(1)、基板(2)、散热管(3)和具有深度卷积神经网络预测功能的学习与控制单元(4)；电子元件(1)分布于基板(2)之上，基板(2)包含竖槽(2A)和圆槽(2B)，基板(2)上交替从两侧开有竖槽(2A)，在竖槽(2A)上对应电子元件(1)的位置下放挖有圆槽(2B)，散热管(3)包含散热竖管(3A)和散热横管(3B)，散热竖管(3A)嵌于电子元件(1)下方的圆槽(2B)，散热横管(3B)嵌于开槽的基板(2)内，学习与控制单元(4)贴于散热竖管(3A)前侧，用于控制散热竖管(3A)进入的冷却液流量。
(2)本发明通过深度卷积神经网络模型对电子元件(1)运行产热功率与温度的数据进行学习，能精准预测后面当电子元件(1)工作超过一定温度所产生的热功率，通过时时监控系统，可以控制散热竖管(3A)内的流体流动，从而实现精准高效散热。优点为：可以基于深度学习的深度卷积神经网络模型对每个电子元件(1)工作时超过安全温度产生的热量进行预测，并通过控制电路控制每个学习与控制单元(4)来控制每个竖槽(2A)中冷却液流量以针对不同电路中不同电子设备热消耗进行高效的精准定向散热。

Claims (7)

1.一种基于深度学习的定向高效散热装置，包括电子元件(1)、基板(2)、散热管(3)和学习与控制单元(4)，其特征在于：
所述电子元件(1)分布于基板(2)的上表面，所述的基板(2)为长方形，在基板(2)的下表面上，每个电子元件(1)的对应位置沿基板(2)的垂直方向开有圆槽(2B)；所述的散热管(3)分为散热竖管(3A)和散热横管(3B)，散热横管(3B)的直径大于散热竖管(3A)的直径，且散热竖管(3A)位于散热横管(3B)的上表面，散热竖管(3A)和散热横管(3B)的轴向方向互相垂直，散热竖管(3A)垂直嵌入基板(2)的圆槽(2B)中，与电子元件(1)的接触端封闭，散热横管(3B)平行于基板(2)的下平面，散热竖管(3A)与散热横管(3B)内部保证冷却液的流通；学习与控制单元(4)位于散热竖管(3A)的一侧，用于控制散热竖管(3A)进入的冷却液流量；所述的基于深度学习的定向高效散热装置采用计算流体力学(CFD)技术基于连续方程、动量方程和能量方程对需要散热不同型号的电子元件(1)及基板(2)进行不同时刻正常情况、过载情况电路板上温度和热量进行模拟计算，具体过程如下：
采用Catia建模软件对需要散热的电子元件(1)及基板(2)进行建模，采用ICEM网格划分软件对建模后的模型进行网格划分，将划分后的网格导入Fluent软件对不同时刻电路板的温度场进行模拟，计算获得不同时刻下电子元件(1)及基板(2)的温度场分布值及电子元件(1)所释放出的热量，通过能量守恒方程，计算出电子元件(1)所释放出的热量值对应的降低到安全温度下需要的冷却液的流量，并将电子元件(1)及基板(2)的温度场分布值、电子元件(1)所释放出的热量及降低到安全温度下需要的冷却液的流量作为深度卷积神经网络模型的训练样本数据库，通过学习，得到在不同时刻深度卷积神经网络模型预测的电子元件散出的热量及电子元件降低到安全温度时所需要的冷却液的流量；然后通过学习与控制单元(4)的阀门，控制调节冷却液的流动方向和流量，学习与控制单元(4)根据预测结果对不同电子元件(1)下方的散热竖管(3A)内的冷却液流量进行控制。
2.根据权利要求1所述的基于深度学习的定向高效散热装置，其特征在于：
在基板(2)的下表面设有竖槽(2A)，竖槽(2A)开口交错排列，竖槽(2A)的一端开口一端封闭，且相邻两个竖槽(2A)的开口分别位于基板(2)的两个相对侧边上，散热横管(3B)的轴向平行于基板(2)的下表面，散热横管(3B)分别嵌入竖槽(2A)中，并在非贯通处进行弯折，即基板(2)下表面开竖槽(2A)后，基板(2)下表面形成S形凸台。
3.根据权利要求1所述的基于深度学习的定向高效散热装置，其特征在于：
所述基板(2)的长方形的长150mm，宽75mm；在基板(2)下表面沿长度方向隔15mm沿中线开非贯通的竖槽(2A)，竖槽(2A)的深度和宽度均为7.5mm，长度为65mm，共九个竖槽(2A)，竖槽(2A)平行设置且开口方向交替排列。
4.根据权利要求1所述的基于深度学习的定向高效散热装置，其特征在于：
所述圆槽(2B)位于竖槽(2A)上方的基板(2)内，与电子元件(1)的位置对应，圆槽(2B)的深度为3.5mm。
5.根据权利要求1所述的基于深度学习的定向高效散热装置，其特征在于：
所述的散热竖管(3A)内径为1.5mm，外径为2mm。
6.根据权利要求1所述的基于深度学习的定向高效散热装置，其特征在于：
所述的安全温度为60℃。
7.一种利用权利要求1所述基于深度学习的定向高效散热装置的安装监控方法，其特征在于包括下述步骤：
步骤1，按照电路板上电子元件(1)的分布对基板(2)的下表面进行开槽，开出相应位置的竖槽(2A)后，再根据电子元件(1)的位置，在基板(2)的竖槽(2A)内开出相应的圆槽(2B)，并在散热竖管(3A)的一侧布置学习与控制单元(4)，将散热横管(3B)按照竖槽(2A)和圆槽(2B)位置进行拼装和开口，在圆槽(2B)的对应位置安装散热竖管(3A)，基于深度学习的时时监控精准定向高效散热装置结构安装结束；
步骤2，按照电子元件(1)的工作产热量和温度数据，将含有电子元件(1)的电路板温度场值及所计算出来的电子元件(1)所释放出的热量值及相对应的降低到安全温度(60℃)下需要的冷却液的流量作为深度卷积神经网络模型的训练样本数据库，进行深度卷积神经网络模型学习，并采用学习与控制单元(4)内的深度卷积神经网络模型进行预测，通过深度卷积神经网络模型预测出时间t后电子元件(1)周围的温度高于安全温度后的产热量，并预测在高于安全温度60℃时竖槽(2A)所需要的冷却液流量，将冷却液通入散热横管(3B)，散热装置依据预测的产热量以及所需的冷却液流量控制学习与控制单元(4)，限制散热竖管(3A)通过冷却液的流量，从而实现高效的精准定向散热功能。
CN202011206246.6A 2020-11-02 2020-11-02 基于深度学习的定向高效散热装置及安装监控方法 Active CN112367809B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011206246.6A CN112367809B (zh) 2020-11-02 2020-11-02 基于深度学习的定向高效散热装置及安装监控方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011206246.6A CN112367809B (zh) 2020-11-02 2020-11-02 基于深度学习的定向高效散热装置及安装监控方法

Publications (2)

Publication Number Publication Date
CN112367809A CN112367809A (zh) 2021-02-12
CN112367809B true CN112367809B (zh) 2022-09-30

Family

ID=74512632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011206246.6A Active CN112367809B (zh) 2020-11-02 2020-11-02 基于深度学习的定向高效散热装置及安装监控方法

Country Status (1)

Country Link
CN (1) CN112367809B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113281592B (zh) * 2021-05-12 2024-05-14 深圳市英达维诺电路科技有限公司 一种电子元件性能测试装置及测试方法
CN113203070B (zh) * 2021-05-17 2022-12-20 佛山市爱居光电有限公司 一种带有应急功能的led红外感应灯
CN114096120B (zh) * 2021-11-11 2023-03-21 珠海格力电器股份有限公司 电控箱散热系统、散热装置及电控箱
CN114340361B (zh) * 2022-02-14 2022-05-13 为准（北京）电子科技有限公司 基于水冷散热系统的电路板温度控制方法、装置和系统
CN114625229A (zh) * 2022-03-18 2022-06-14 苏州浪潮智能科技有限公司 一种浸没液冷散热调控优化方法、装置和一种数据中心

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040060689A1 (en) * 2002-09-27 2004-04-01 Pfeifer David W. Compact liquid cooled heat sink
US7134291B2 (en) * 2004-09-22 2006-11-14 Horan Christopher J Process for refrigerant charge level detection using a neural net having one output neuron
US9071078B2 (en) * 2011-01-24 2015-06-30 Rocky Research Enclosure housing electronic components having hybrid HVAC/R system with power back-up
CN102679245A (zh) * 2012-05-21 2012-09-19 广州嘉庆电子有限公司 一种平板灯
CN102833990A (zh) * 2012-09-24 2012-12-19 山东大学 一种热化学法控温的散热装置及散热方法
CN106895478B (zh) * 2017-02-10 2019-10-29 青岛高校信息产业股份有限公司 一种供热管网调节方法和系统
CN206594448U (zh) * 2017-03-22 2017-10-27 深圳市奇普仕科技有限公司 一种大面积uvled阵列用的高效散热装置
CN110137526B (zh) * 2018-02-02 2024-03-01 武汉众宇动力系统科技有限公司 燃料电池电堆以及燃料电池单体及其阴极板
CN208654726U (zh) * 2018-07-09 2019-03-26 广东合一新材料研究院有限公司 一种局部液冷服务器
CN110648984A (zh) * 2019-09-16 2020-01-03 无锡江南计算技术研究所 一种高效节能的数据中心水冷系统
CN111336854B (zh) * 2020-03-02 2021-07-16 西北工业大学 智能化自适性翅片及翅片模块和在太阳能无人机上的应用

Also Published As

Publication number Publication date
CN112367809A (zh) 2021-02-12

Similar Documents

Publication Publication Date Title
CN112367809B (zh) 基于深度学习的定向高效散热装置及安装监控方法
Khalaj et al. A Review on efficient thermal management of air-and liquid-cooled data centers: From chip to the cooling system
Liu et al. Optimizing heat-absorption efficiency of phase change materials by mimicking leaf vein morphology
AU2017202272A1 (en) System And Method For Prediction Of Temperature Values In An Electronics System
CN115048861B (zh) 3d芯片嵌入式液冷通道流量的智能化分配方法及系统
Nakayama Heat in computers: Applied heat transfer in information technology
CN115397187A (zh) 用于车辆功率模块的散热器及其设计方法
Wang et al. Numerical study of a buoyancy-induced flow along a vertical plate with discretely heated integrated circuit packages
Heindel et al. Laminar natural convection in a discretely heated cavity: II—comparisons of experimental and theoretical results
US20220183192A1 (en) Heat Radiator, Electronic Device, and Vehicle
Kaplan et al. LoCool: Fighting hot spots locally for improving system energy efficiency
Kumar et al. Optimal Performance Of Compact Electronic Appliances And Heat Sink Design
Yi et al. Thermal performance and flow pattern of an immersion spray array cooling vapor chamber
CN117195817A (zh) 一种芯片最优散热布局方法及散热系统
Rosli et al. Optimal pin fin heat sink arrangement for solving thermal distribution problem
CN220123320U (zh) 液冷散热器
Sridhar et al. System-level thermal-aware design of 3D multiprocessors with inter-tier liquid cooling
CN2632856Y (zh) 液冷式散热装置
Li et al. Placement optimization of liquid-cooled servers for power minimization in data centers
Hamburgen Optimal finned heat sinks
CN110022664B (zh) 一种利用仿生肺泡换热器进行电子元件散热的装置
CN109002141B (zh) 一种计算机主机箱散热设备
Nakayama Information processing and heat transfer engineering: some generic views on future research needs
Kang et al. Impingement heat sinks for air cooled high power electronic modules
Han et al. Investigation of liquid cooling for data center server based on micro-fluid technology

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant