コンテンツにスキップ

GPU 水冷コールドプレートの 3 階層同時多目的最適化(1D → FVM → LBM)

英語 | 日本語

« 最適化・逆問題・不確かさ · « Home

700 W 級 GPU モジュールを冷却する千鳥配置の円柱ピンフィン水冷コールドプレートを対象に、1D モデル・定常 FVM・非定常 3D 熱 LBM の 3 階層すべてを Miyabi-G(GH200 1 ノード・13.7 分)上で同時稼働させて多目的最適化したケースです。

GPU 水冷コールドプレートの非定常 3D 熱 LBM(速度場と温度場、307 万セル)

GPU 水冷コールドプレートの 1D→FVM→LBM パレート前線と Miyabi-G GH200 の CPU/GPU 同時稼働率

問題設定

  • 対象領域: 周期流路スライス \(L = 36\text{ mm} \times W = 12\text{ mm} \times H = 3.0\text{ mm}\)(加熱チップ領域 \(x \in [6, 30]\text{ mm}\)、熱流束 \(q'' = 437.5\text{ kW/m}^2\) = 40 mm 角 700 W 相当、スライス投入熱量 \(Q = 126.0\text{ W}\))
  • 冷媒: 水(\(T_{\text{in}} = 25\,^\circ\text{C}\)、\(\rho = 994\text{ kg/m}^3\)、\(\nu = 7.2\times 10^{-7}\text{ m}^2/\text{s}\)、\(\text{Pr} = 4.82\))、銅ピン(\(k_{\text{Cu}} = 385\text{ W/(m}\cdot\text{K)}\))
  • 設計変数(4 変数): ピン直径 \(D \in [1.0, 2.4]\text{ mm}\)、流れ方向ピッチ比 \(S_L/D \in [1.6, 3.2]\)、横方向ピッチ比 \(S_T/D \in [1.6, 3.2]\)、流入速度 \(U_{\text{in}} \in [0.18, 0.65]\text{ m/s}\)
  • 目的関数(2 目的最小化): 圧力損失 \(\Delta P\) [Pa] とチップ最高温度 \(T_{\max}\) [°C]

3 階層と計算資源の同時割り当て(Miyabi-G・GH200 1 ノード)

階層 手法・格子 計算機リソース 評価件数・速度 平均稼働率
1D モデル Zhukauskas / Short 千鳥ピンフィン相関+フィン効率 \(\eta_f\) Grace CPU(1 コア) 2,000 候補 / 0.1 s(初期シード 8 点) —
定常 FVM blockMesh + snappyHexMesh(14万–19万セル)+ buoyantBoussinesqSimpleFoam(\(k\)-\(\omega\) SST)+ Optuna NSGA-II Grace CPU 64 コア(4 ワーカー × 16 MPI) 116 件(約 20–26 s/件)、パレート前線 15 点 71.9%(FVM 稼働中 82.9%)
非定常熱 LBM D3Q19 TRT+Smagorinsky LES + D3Q7 熱 LBM(nvc++ -stdpar=gpu)、480×160×40 = 307 万セル × 70,000 ステップ Hopper H100 GPU + Grace 8 コア 15 件連続検証(55 s/件、平均 3,933 MLUPS) 96.4%(~390 W)

階層間の物理的比較(代表パレート解)

設計点(D / S_L/D / S_T/D / U_in) 1D \(\Delta P\) [Pa] FVM \(\Delta P\) [Pa] LBM \(\Delta P\) [Pa] 1D \(T_{\max}\) [°C] FVM \(T_{\text{avg}}\) [°C] LBM \(T_{\max}\) [°C] LBM \(T_{\text{rms}}\) [K]
低圧損側(1.84 mm / 3.12 / 2.77 / 0.32 m/s) 168 191 184 71.1 79.8 77.4 1.92
代表ニー点(1.02 mm / 2.42 / 1.99 / 0.25 m/s) 988 464 715 46.6 60.0 52.7 0.57
高冷却側(1.10 mm / 1.77 / 2.90 / 0.54 m/s) 5,318 1,148 2,173 36.8 64.6 40.3 0.23
極低温度側(1.08 mm / 2.01 / 1.89 / 0.63 m/s) 14,277 2,863 7,141 33.8 58.6 35.8 0.19
  • 定常 RANS(FVM)ではピン後流に定在循環領域が残るため温度を高めに見積もる一方、非定常 3D 熱 LBM はピン間のカルマン渦放出による熱混合を直接解像し、1D 経験相関に近い低温側へシフトするとともに、定常計算では得られないホットスポット温度変動 \(T_{\text{rms}}\)(0.19–1.92 K)を定量化できる。