Data centres account for approximately 1.5% of global electricity demand, a share expected to more than double by 2030, while cooling systems account for 30–40% of total energy consumption. Digital twins are a promising solution for monitoring, optimisation, and predictive maintenance. This thesis investigates two machine-learning-based digital twin models for a data centre cooling system, based on two redundant dual-compressor double-screw chillers with staged capacity control operating under different cooling modes. The first model targets quasi-steady-state energy performance monitoring, while the second reproduces the dynamic behaviour of the chillers. The first model consists of two black-box regression models for predicting chiller cooling power and electrical power under quasi-steady-state operating conditions, from which the Energy Efficiency Ratio (EER) is derived. After data preprocessing and feature selection, automated machine learning is employed to identify the optimal models and hyperparameters for predicting cooling and electrical power. Cooling power is predicted with a mean absolute percentage error (MAPE) of 1.82%, electrical power with a MAPE of 2.00%, resulting in an EER prediction with a MAPE of 2.92%. The second model is a closed-loop simulation that reproduces the cooling-system dynamics and estimates its energy performance. The novelty of the thesis lies in the modular architecture of the closed-loop simulation model integrating: a refrigeration-unit dynamic model, a control-logic model and an emission subsystem model. The refrigeration unit model is a long short-term memory network that predicts the electric power consumption with a MAPE of 5.16% and the supply temperature with a mean absolute error of 0.21 °C. The control logic, based on a machine-learning classifier, predicts the compression capacity step with an accuracy of 91%. The emission subsystem is modelled as a grey-box thermal capacity calibrated on measured data. Although the simulation exhibits discrepancies in oscillation frequency compared with measurements, it accurately reproduces the aggregated energy indicators. The maximum errors in electric energy use, cooling energy use and EER are 1.62%, 0.03% and 1.66%, respectively.

I data center costituiscono circa l’1.5% della domanda mondiale di energia elettrica, destinata a piu' che raddoppiare entro il 2030, con i sistemi di raffreddamento che rappresentano tipicamente il 30–40% dei consumi. I gemelli digitali rappresentano una soluzione promettente per il monitoraggio, l’ottimizzazione e la manutenzione predittiva. Questa tesi sviluppa due digital twin models (DTm) basati su tecniche di machine learning per il sistema di raffreddamento di un data center dotato di due chiller ridondanti con doppio compressore a doppia-vite e parzializzazione a stadi, operanti in diverse modalita' di raffreddamento. Il primo modello e' sviluppato per il monitoraggio delle prestazioni energetiche in condizioni quasi-stazionarie, mentre il secondo riproduce il comportamento dinamico del chiller. Il primo e' un modello di regressione black-box che prevede la potenza elettrica e frigorifera sulla base delle condizioni operative e ricava l’Energy Efficiency Ratio (EER) del chiller. Dopo la pre-elaborazione dei dati e la selezione delle feature, un approccio di machine learning automatizzato identifica i modelli e gli iperparametri ottimali per prevedere potenza frigorifera ed elettrica. La potenza frigorifera è prevista con un errore assoluto percentuale medio (MAPE) dell’1.82%, mentre la potenza elettrica e' prevista con un MAPE del 2.00%, l’EER presenta un MAPE del 2.92%. Il secondo e' un modello di simulazione che riproduce la dinamica del sistema e ne stima le prestazioni energetiche. L’elemento innovativo della tesi risiede nell’architettura modulare, che integra unita' frigorifera dinamica, logica di controllo e sottosistema di emissione. Il modello dell’unità frigorifera e' una rete long short-term memory che prevede la potenza elettrica con un MAPE del 5.16% e la temperatura di mandata con un errore assoluto medio di 0.21 °C. La logica di controllo, basata su un classificatore machine learning, prevede il passo percentuale del compressore con un’accuratezza del 91%. Il sottosistema di emissione e' modellato come una capacita' termica grey-box calibrata su dati misurati. Nonostante discrepanze nella frequenza di oscillazione rispetto ai dati misurati, la simulazione riproduce accuratamente gli indicatori energetici aggregati. Gli errori massimi per energia elettrica, frigorifera ed EER sono pari a 1.62%, 0.03% e 1.66%, rispettivamente.

Machine-learning-based modelling of a staged-capacity dual-compressor screw chiller for digital twin applications

Bertè, Andrea
2025/2026

Abstract

Data centres account for approximately 1.5% of global electricity demand, a share expected to more than double by 2030, while cooling systems account for 30–40% of total energy consumption. Digital twins are a promising solution for monitoring, optimisation, and predictive maintenance. This thesis investigates two machine-learning-based digital twin models for a data centre cooling system, based on two redundant dual-compressor double-screw chillers with staged capacity control operating under different cooling modes. The first model targets quasi-steady-state energy performance monitoring, while the second reproduces the dynamic behaviour of the chillers. The first model consists of two black-box regression models for predicting chiller cooling power and electrical power under quasi-steady-state operating conditions, from which the Energy Efficiency Ratio (EER) is derived. After data preprocessing and feature selection, automated machine learning is employed to identify the optimal models and hyperparameters for predicting cooling and electrical power. Cooling power is predicted with a mean absolute percentage error (MAPE) of 1.82%, electrical power with a MAPE of 2.00%, resulting in an EER prediction with a MAPE of 2.92%. The second model is a closed-loop simulation that reproduces the cooling-system dynamics and estimates its energy performance. The novelty of the thesis lies in the modular architecture of the closed-loop simulation model integrating: a refrigeration-unit dynamic model, a control-logic model and an emission subsystem model. The refrigeration unit model is a long short-term memory network that predicts the electric power consumption with a MAPE of 5.16% and the supply temperature with a mean absolute error of 0.21 °C. The control logic, based on a machine-learning classifier, predicts the compression capacity step with an accuracy of 91%. The emission subsystem is modelled as a grey-box thermal capacity calibrated on measured data. Although the simulation exhibits discrepancies in oscillation frequency compared with measurements, it accurately reproduces the aggregated energy indicators. The maximum errors in electric energy use, cooling energy use and EER are 1.62%, 0.03% and 1.66%, respectively.
ING - Scuola di Ingegneria Industriale e dell'Informazione
22-lug-2026
2025/2026
I data center costituiscono circa l’1.5% della domanda mondiale di energia elettrica, destinata a piu' che raddoppiare entro il 2030, con i sistemi di raffreddamento che rappresentano tipicamente il 30–40% dei consumi. I gemelli digitali rappresentano una soluzione promettente per il monitoraggio, l’ottimizzazione e la manutenzione predittiva. Questa tesi sviluppa due digital twin models (DTm) basati su tecniche di machine learning per il sistema di raffreddamento di un data center dotato di due chiller ridondanti con doppio compressore a doppia-vite e parzializzazione a stadi, operanti in diverse modalita' di raffreddamento. Il primo modello e' sviluppato per il monitoraggio delle prestazioni energetiche in condizioni quasi-stazionarie, mentre il secondo riproduce il comportamento dinamico del chiller. Il primo e' un modello di regressione black-box che prevede la potenza elettrica e frigorifera sulla base delle condizioni operative e ricava l’Energy Efficiency Ratio (EER) del chiller. Dopo la pre-elaborazione dei dati e la selezione delle feature, un approccio di machine learning automatizzato identifica i modelli e gli iperparametri ottimali per prevedere potenza frigorifera ed elettrica. La potenza frigorifera è prevista con un errore assoluto percentuale medio (MAPE) dell’1.82%, mentre la potenza elettrica e' prevista con un MAPE del 2.00%, l’EER presenta un MAPE del 2.92%. Il secondo e' un modello di simulazione che riproduce la dinamica del sistema e ne stima le prestazioni energetiche. L’elemento innovativo della tesi risiede nell’architettura modulare, che integra unita' frigorifera dinamica, logica di controllo e sottosistema di emissione. Il modello dell’unità frigorifera e' una rete long short-term memory che prevede la potenza elettrica con un MAPE del 5.16% e la temperatura di mandata con un errore assoluto medio di 0.21 °C. La logica di controllo, basata su un classificatore machine learning, prevede il passo percentuale del compressore con un’accuratezza del 91%. Il sottosistema di emissione e' modellato come una capacita' termica grey-box calibrata su dati misurati. Nonostante discrepanze nella frequenza di oscillazione rispetto ai dati misurati, la simulazione riproduce accuratamente gli indicatori energetici aggregati. Gli errori massimi per energia elettrica, frigorifera ed EER sono pari a 1.62%, 0.03% e 1.66%, rispettivamente.
File allegati
File Dimensione Formato  
2026_07_Bertè_Executive Summary.pdf

accessibile in internet per tutti a partire dal 02/07/2029

Descrizione: Executive summary
Dimensione 662.64 kB
Formato Adobe PDF
662.64 kB Adobe PDF   Visualizza/Apri
2026_07_Bertè_Tesi.pdf

accessibile in internet per tutti a partire dal 02/07/2029

Descrizione: Testo della tesi
Dimensione 7.38 MB
Formato Adobe PDF
7.38 MB Adobe PDF   Visualizza/Apri

I documenti in POLITesi sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/10589/261326