ABSTRACT
With the rapid growth of AI and Big Data, reducing energy consumption in data centers has become a significant challenge. Small-scale server rooms, which often depend on standalone cooling units instead of specialized infrastructure, are especially vulnerable to airflow inefficiencies and localized hotspots. While traditional HVAC theory can estimate total cooling loads, it does not effectively predict the local thermal distributions that depend on equipment placement. This study employs Computational Fluid Dynamics (CFD) to address these limitations. It focuses on a server room containing five HPCs and three cooling units, comparing theoretical HVAC calculations with 3D thermal fluid analysis conducted using Ansys Fluent. The research evaluates the thermal performance of the existing layout (Model 1) and suggests an improved configuration (Model 2). The findings reveal that strategic equipment placement can eliminate hotspots and stabilize operations while reducing the necessary cooling capacity. This research provides a practical framework for enhancing energy efficiency in small-scale server environments.
-
KEYWORDS: Small scale server room, Computational fluid dynamincs, Cooling load, Energy efficiency, Hot spot
-
KEYWORDS: 소규모 서버실, 전산유체역학, 냉방부하, 에너지 효율, 국부과열
NOMENCLATURE
A = Area [m2]
Cp = Specific Heat [J/(kg∙K)]
U = Coefficient of Heat Transfer [W∕m2∙K)]
h = Height
hfg = Latent Heat of Vaporization [J/kg]
m = Mass
m˙ = Mass Flow Rate [kg∕s]
Q = Infiltration [L∕S]
q = Cooling Load [W]
Tm = Maximum Outdoor Temperature − (daily range)/2 [°C]
Ti = Inside Air Temperature [°C]
To = Outside Air Temperature [°C]
Treturn = Average Return Air Temperature [°C]
Tsupply = Average Supply Air Temperature [°C]
ΔTequipment = Average Air Temperature Difference across the HPC [°C]
xi = Inside Air Humidity Ratio [kg(water)/kg(dry air)]
xo = Outside Air Humidity Ratio [kg(water)/kg(dry air)]
ρ = Density [kg∕m3]
CLTD = Cooling Load Temperature Difference [K]
SC = Shading Coefficient
SCL = Solar Cooling Load [W/m2]
1. 서론
AI 및 빅데이터 시대에 HPC(고성능 컴퓨터) 사용이 급증함에 따라, 막대한 서버 발열과 그로 인한 냉각 에너지 비용이 주요 문제로 대두되었다. 데이터센터의 에너지 소비는 데이터를 저장하고 처리하는 데 필요한 장비로 인해 높으며, 2021년 기준 전 세계 전기 수요의 0.9-1.3%를 차지하는 것으로 추정된다. 특히, 일반적인 데이터센터의 총에너지 소비 중 IT 장비가 30%를 사용하는 반면, 냉각 시스템은 45%를 소비하는 것으로 보고되어, 냉방 효율화는 실질적인 에너지 절감의 핵심 과제가 되었다[
1].
특히 본 연구 대상인 소규모 서버실은 전문 공조 설비가 아닌 독립형 냉방장치에 의존하는 경우가 많아, 냉각 공기 순환이 비효율적이거나 특정 서버 랙만 과열되는 국부과열(Hotspot) 문제에 더욱 취약하다. 전통적인 HVAC(공조) 이론 기반 냉방부하 계산은 실내에 필요한 ‘총 냉각 용량(kW)’을 산출하는 데는 유용하지만, HPC와 냉방장치의 배치에 따른 국부적인 온도 편차나 기류 문제를 예측하지 못하는 명확한 한계가 있다[
1]. 반면, Ansys Fluent를 활용하는 CFD(전산유체역학) 시뮬레이션은 3차원 열유동 해석을 통해 국부과열의 위치와 원인을 정밀하게 진단할 수 있다.
이에 본 연구는 대상 서버실(HPC 5대, 냉방장치 3대)을 대상으로 HVAC 이론 계산치와 CFD 시뮬레이션 결과를 비교 분석한다. 여기서 더 나아가, CFD 분석을 기반으로 현재 배치(Model 1)의 문제점을 진단하고 HPC와 냉방장치의 배치를 최적화하는 개선안(Model 2)을 설계하였다. 최종적으로는 개선된 배치를 통해 국부과열 문제를 해소함으로써, 더 낮은 총 요구 냉동 용량으로도 서버실 전체를 안정적으로 운영할 수 있음을 입증하여 소규모 서버실의 실질적인 에너지 절감 방안을 제시하고자 한다.
2. 방법론
2.1 서버실 개요
본 연구의 대상은 교내의 소규모 서버실로, 내부에는 HPC 5대와 냉방장치 3대가 설치되어 운영 중이다. 냉방장치 중 2대는 독립형(타워형) 냉방장치이며, 1대는 천장 매립형 냉방장치이다.
서버실의 외벽은 50 cm 두께의 콘크리트-벽돌 복합체로 되어 있으며 내벽은 20 cm 두께의 콘크리트로 되어있다. 창은 남동쪽을 바라보고 설치되어 있으나 외부의 조경으로 그늘져 있다. 또한 내부엔 흰 블라인드가 설치되어 있으며, 조명과 사람은 평소엔 출입하지 않는다.
Fig. 1에 해당 공간의 사진을 첨부하였다.
본 연구에서는 기존 배치의 문제점을 진단하고 개선 효과를 비교 분석하기 위해
Fig. 2와 같이 두 가지 모델을 설정하였다. ‘Model 1’은 연구 대상 공간의 현재 배치를 나타낸다. 이 배치는 냉방장치의 급기 경로와 HPC의 배기 경로가 명확히 분리되지 않아, 고온의 배기가 냉각 공기와 섞이는 공기 재순환(Recirculation)이 발생할 수 있다. 이로 인해 냉각 효율이 저하되고 특정 HPC가 과열되는 국부과열 문제에 취약하다. 반면, ‘Model 2’는 Hot Aisle Containment 방식을 참고하여 이를 개선한 배치이다[
2]. 구체적으로 HPC 랙의 후면을 마주 보게 배치하여 고온의 배기가 2대의 독립형 냉방장치로 직접 흡입되도록 유도하였다. 이에 따라 냉방장치에서 토출된 찬 공기는 HPC 전면으로 원활히 공급되며, 고온과 저온의 공기가 섞이지 않고 분리되어 Hot Aisle을 형성하게 된다. 이러한 배치는 추가적인 구조물 설치 없이 기존 장비의 팬(Fan)만을 이용하여 효율적인 공기 흐름을 유도한다는 장점이 있다.
다음 2.2절에서는 HVAC 이론을 기반으로 206호실의 총 요구 냉방부하를 계산하였다.
2.2 냉방부하 계산
연구 대상 공간의 총 요구 냉방부하는 먼저 전통적인 HVAC(공조) 이론을 기반으로 산출되었다. 서버실의 안정적인 운영을 위한 설계 실내 온도는 ASHRAE(미국 냉동 공조 학회)의 “2021 Equipment Thermal Guidelines for Data Processing Environments”에서 제시하는 권장범위를 준수하여 23°C로 설정 하였다[
3].
이 ASHRAE 가이드라인은 HPC의 입구 온도를 기준으로 권장 범위를 제공한다. 또한 공간적인 온도 편차를 고려하지 않는 냉방부하 계산의 특성상, 본 계산에서는 실내 평균 온도를 23°C로 가정하였다.
이 설계 온도를 기준으로, 외벽, 내벽, 창문을 통한 전도 및 복사, 그리고 틈새바람으로 인한 현열 및 잠열을 포함한 여러 열 취득 요소를 고려하였다. 벽과 창을 통한 전도는
식(1)을, 창을 통한 일사는
식(2)를, 틈새바람에 의한 열취득은 현열과 잠열을 각각
식(3)과
식(4)를 이용하여 계산하였다[
4].
이 중 가장 큰 비중을 차지하는 것은 5대의 HPC 장비에서 발생하는 내부 발열이다. 특히, 태양열과 구조체의 축열 효과를 고려한 벽체 및 지붕의 열 취득량을 계산하기 위해 외벽과 창에 CLTD(냉방부하 상당 외기온도차) 법이 사용되었다. CLTD는 단순 외기온도차가 아닌, 열 저장 효과가 반영된 가상의 보정 온도차를 의미한다.
기준 온도 및 시간, 위치에 따라, 상당 온도차와 일사량 정보를 얻을 수 있었으며, 본 연구에서는 2025년 7월 27일을 기준으로 하였다[
5].
식(5)에 따라 해당 날짜의 최고 기온과 일교차, 위도와 경도를 고려하여 CLTD 값은 보정되었으며, 위의 식에 따라 서버실의 총 요구 냉방부하는 11.282 kW로 계산되었다.
각 요소로부터의 열 취득에 대한 냉방부하 표를
Table 1에 제시하였다. 이 값은 특정 배치를 고려하는 3D CFD 시뮬레이션에서 파생된 냉각 부하와 비교하기 위한 이론적 기준으로 사용된다.
본 연구의 3차원 열유동 해석은 상용 CFD(전산유체역학) 소프트웨어인 Ansys Fluent를 사용하여 수행되었다.
Fig. 3에 시뮬레이션에 사용된 서버실과 HPC 랙, 독립형 냉방장치의 모델링을, 시뮬레이션 설정을
Table 3에 요약하여 나타냈다. 시뮬레이션에 적용된 주요 물리 모델은 다음과 같다. 서버실 내부의 열전달 해석을 위해 Energy 모델을 사용하였으며, 벽면 및 장비 표면 간의 복사열 전달을 고려하기 위한 Radiation 모델은 DO (Discrete Ordinates) 모델을 사용하였다. 또한, 난류 유동 해석을 위해 Viscous 모델 중 Standard k-e 모델을 적용하였다. 이 모델은 데이터센터와 같은 대규모 공간의 열유동 해석에서 계산 효율성이 높고 수렴성이 우수하여 널리 사용된다. 특히, HPC와 냉방 장치에 의한 강제 대류가 지배적인 유동 특성상, 난류 영역에서 안정적인 해를 제공하는 이 모델이 본 연구의 목적에 가장 부합한다고 판단하였다.
앞의 냉방부하 계산과의 비교를 위해 각 재질 물성치는
Table 2와 같이, 외부 벽(Concrete 1), 내부 벽(Concrete 2), 창문(Glass)의 밀도, 비열, 열전도율 값을 HVAC 이론 기반 냉방부하 계산에 사용된 값과 동일하게 입력하였다. 모델의 외부 온도 또한 상당온도차를 이용한 역산을 통해 계산하였다.
주요 경계 조건(Boundary Conditions)은 다음과 같이 설정하였다. 5대의 HPC는 발열과 내부의 복잡한 구조에 의한 공기 저항을 효율적으로 모사하기 위해 랙의 중단부에 다공성 매체 영역(Porosity 0.5)을 적용하였다. 특히 내부 부품의 집적도에 따른 거시적인 압력 손실을 반영하고자, 거시적인 유로 차폐율 및 부품 점유 밀도를 공유하는 문헌[
6]의 Active Server(작동 중인 서버)의 저항 계수(D = 715,633.6, F = 24.8)를 인용하였다. 이를 통해 서버실 전체 규모의 열유동 분포를 합리적인 계산 비용으로 예측하였다. 한 개의 랙에 설치된 HPC는 6개의 유닛으로 구성되어 주로 사용된 Intel xeon 6430 CPU의 TDP (270 W) 와 기타 주변 부품의 발열량을 고려하여 각 랙의 발열량을 2 kW (4000 kW/m
3)로 가정하였으며, HPC 유닛에 사용된 팬의 성능지표를 참고하여 0.33m/s의 내부 팬 유동 조건을 적용하였다[
7,
8]. 또한 외부로부터의 냉방 부하를 고려하기 위해 모델의 바깥면에 냉방부하 계산에 사용된 상당온도차를 이용하여 외부온도를 역산 후 적용하였다. 2대의 독립형 냉방장치는 36 CMM, 1대의 천장 매립형 냉방장치는 17 CMM을 기준으로 공기 유량을 설정해주었다[
9,
10]. 이후 목표 온도인 23°C에 도달할 수 있도록 냉방장치의 출구 온도를 매개변수(Parameter)로 하여 피팅(Fitting) 하였다. 냉방부하(Q)는
식(6)을 통해 산출하였다.
이렇게 계산된 각 쿨러의 냉방 부하의 총합을 ‘총 요구 냉방 부하(Total Required Cooling Load)’로 정의하였다.
2.4 성능 평가 지표
본 연구에서는 CFD 시뮬레이션 결과를 정량적으로 평가하기 위해 데이터센터 냉각 효율 지표인 RTI (Return Temperature Index)와 HPC 입구 온도의 표준편차를 사용하였다.
2.4.1 RTI
RTI는 냉방장치와 IT 장비 간의 시스템 수준 공기 흐름 효율성을 평가하는 지표이다. 이는 냉방장치로 돌아오는 공기가 IT 장비를 통과하며 얼마나 효율적으로 열을 흡수했는지, 혹은 비효율적인 공기 혼합이 발생했는지를 나타낸다. RTI는
식(7)을 통해 계산하였다[
1].
RTI가 100%일 경우 이상적인 공기 흐름을 의미하며, 100%를 초과할 경우 HPC에서 배출된 고온의 공기가 다시 HPC 입구로 흡입되는 재순환(Recirculation)을, 100% 미만일 경우 냉방 장치의 찬 공기가 HPC를 통과하지 않고 바로 돌아가는 바이패스(Bypass)를 의미한다.
2.4.2 냉각 균일성(표준편차)
국부과열 위험을 평가하고 냉각의 안정성을 판단하기 위해 HPC 입구 온도의 표준편차(Std. Dev.)를 핵심 지표로 사용하였다. 표준편차는 5대 HPC의 입구 온도가 평균값에서 얼마나 흩어져 있는지를 나타낸다.
이 값이 낮을수록 모든 HPC에 균일한 온도의 냉각 공기가 공급되고 있음을 의미하며, 이는 국부과열 없이 시스템이 안정적으로 운영됨을 시사한다. 반대로 이 값이 높을수록 특정 HPC에 고온의 공기가 유입되어 국부과열 위험이 크다는 것을 의미한다.
3. 결과
3.1 냉방 시스템의 필요성 검증
먼저, 대상 서버실 내부 HPC의 총 발열량을 정량적으로 확인하고 냉방의 필요성을 입증하기 위해, 냉방장치가 전혀 작동하지 않는 상황을 가정하여 시뮬레이션을 수행하였으며, 해당 모델을 ‘Model 0’으로 설정했다. Model 0의 해석 결과를 온도 Contour로
Fig. 4에 나타냈다. HPC의 입구 온도 뿐만 아니라 전체적인 내부 공기의 평균 온도가 서버의 권장 작동 범위를 훨씬 초과하여 매우 높게 나타났다.
물론, 시뮬레이션에서 도출된 온도는 HPC가 100% 가동되는 상황을 가정한 것으로, 실제 운영 환경에서는 HPC가 과열로부터 스스로를 보호하기 위해 성능을 강제로 저하(Thermal Throttling)시키므로, 시뮬레이션과 같은 온도에 도달하지는 않을 것이다. 하지만 본 시뮬레이션 결과는 5대의 HPC에서 발생하는 막대한 열 부하를 관리하고 서버의 성능 저하를 방지하기 위해 냉방 시스템이 필수적임을 보여준다.
3.2 열유동 해석 및 국부과열 비교 분석
Fig. 5는 Model 1(기존 배치) 과 Model 2 (개선 배치)의 온도 분포(Contour)와 속도 유선(Streamline)을 나란히 비교하여 보여 준다. Model 1의 경우,
Fig. 5(a)에서 일부 HPC의 전면부에 온도가 높은 부분을 확인할 수 있으며,
Fig. 5(c)를 통해 HPC 후면의 뜨거운 공기의 유선이 다시 HPC 전면으로 돌아가는 재순환이 발생하는 것을 확인할 수 있다. 또한, HPC 랙 후면과 특정 벽면 근처에 고온의 공기가 정체되는 국부과열 영역이 관찰되며, 이는 HPC가 자신의 배기열을 다시 흡입하여 냉각 효율이 저하되는 주원인이 된다.
반면, Hot Aisle Containment 방식을 참고한 Model 2에서는 이러한 문제가 효과적으로 해결되었다. HPC를 통과한 뜨거운 공기가 쿨러로 직접 흡입되고, 쿨러에서 나온 찬 공기는 HPC 전면으로 공급되는 공기 순환 경로가 명확하게 확립되었다. 그 결과,
Fig. 5(b)에서는 Model 1에서 발생했던 국부과열 문제가 해소되었음을 시각적으로 확인할 수 있다.
이러한 시각적 분석에서 관찰된 재순환의 심각성을 정량적으로 입증하기 위해 2.4절에서 정의한
식(7)에 따라 RTI 값을 계산하여
Table 4에 나타냈다. 계산 결과, Model 1의 RTI는 151%, Model 2는 139%로 나타났다. 2.4.1절의 정의에 따라 두 값 모두 100%를 초과한 것은, HPC와 냉방장치 간의 차폐(Containment)가 완벽히 이뤄지지 않아 일정 수준의 재순환이 발생하고 있음을 시사한다. 하지만 Model 1의 RTI 값이 Model 2보다 현저히 높게 나타나, 기존 배치의 재순환이 냉각 효율을 저하시켰음을 정량적으로 입증한다. 반면 Model 2는 배치 변경을 통해 이러한 재순환을 성공적으로 억제했음을 수치로 보여준다.
서버 장비의 안정적인 운영을 위해서는 모든 HPC에 균일한 온도의 냉각 공기를 공급하는 것이 중요하다.
Fig. 6에 각 Model의 평균 온도와 최댓값, 최솟값을 나타냈다. Model 1과 Model 2 모두 HPC의 입구 온도를 평균 296 K로 맞춰 주었음에도 방의 전체적인 평균온도는 상이했으며, Model 2에서 위치에 따른 온도의 최댓값과 최솟값의 범위가 좁아진 것을 확인할 수 있다.
본 연구에서 중요하게 다루는 HPC의 입구온도의 균일도를 자세히 확인하기 위해
Figs. 7과
8에 각 Model들의 HPC별 입구 온도 Contour를 나타내었으며, 균일도를 정량적으로 표현하기 위해 표준편차를 구하였다. Model 1의 경우, HPC의 위치에 따라 입구 온도가 290에서 300 K 이상까지 넓은 범위로 분포하며 매우 불균일한 특성을 보였다. 반면 Model 2는 모든 HPC의 입구 온도가 295에서 298 K대의 좁은 범위 내에서 매우 균일하게 유지되는 것을 보여준다.
표준편차 또한 Model 1의 표준편차는 2.298 K로 매우 높게 나타났으나, Model 2의 표준편차는 0.500 K로 대폭 감소하였다. 이는 배치 개선을 통해 HPC 입구 온도의 균일성이 약 78% 향상되었음을 의미하며, 서버 전체의 운영 안정성 향상에 크게 기여함을 시사한다.
3.4 요구 냉방부하 비교 및 에너지 절감 효과
Table 5에 두 모델이 서버실 전체를 안정적인 온도로 유지하기 위해 필요한 총 요구 냉방 부하를 CFD 시뮬레이션으로 산출하여 비교하였으며,
Fig. 9에 HVAC 이론에 따른 냉방 부하와 두 Model의 냉방부하를 나타냈다. Model 1은 HPC의 입구 온도를 23도로 유지하기 위해 총 16.882 kW의 냉방 용량이 필요한 것으로 계산되었다. 반면, Model 2는 단지 장비의 배치를 최적화하는 것만으로도 총 13.025 kW의 냉방 용량만으로 서버실 전체를 안정적으로 냉방할 수 있었다. 이는 배치 최적화를 통해 총 요구 냉방 부하가 약 23%가량 감소했음을 의미하며, 이는 직접적인 에너지 절감 효과로 이어진다.
또한, 2.2절에서 HVAC 이론을 기반으로 계산된 총 요구 부하 11.282 kW는 Model 2의 CFD 해석 결과인 13.025 kW보다도 낮은 값을 보였으며, Model 1과 같이 비효율적인 배치에서는 재순환과 국부과열로 인해 이론치보다 50%가량 더 많은 냉방 에너지(16.882 kW)가 요구될 수 있음을 확인하였다.
4. 결론
본 연구는 206호 소규모 서버실을 대상으로 CFD 열유동 해석을 수행하여, 기존 배치(Model 1)의 냉각 비효율성 원인을 진단하고 개선 배치(Model 2)의 효과를 정량적으로 입증하였다. 주요 연구 결과는 다음과 같다.
첫째, Model 1에서 관찰된 공기 재순환(Recirculation) 및 국부과열 문제를 Hot Aisle Containment 방식을 참고한 Model 2 배치를 통해 효과적으로 제거하였다. 둘째, HPC 입구 온도의 표준편차를 2.298에서 0.500 K로 약 78% 감소시켜 서버 안정성을 크게 향상시켰다. 셋째, 총 요구 냉방부하를 16.882 (Model 1)에서 13.025 kW (Model 2)로 약 23% 감소시킴으로써 실질적인 에너지 절감 효과를 확인하였다.
본 연구 결과는 3D 레이아웃을 고려하지 않는 전통적인 HVAC 냉방부하 계산(11.282 kW)이 Model 1과 같이 비효율적인 배치에서는 실제 요구 부하(16.882 kW)를 심각하게 과소평가할 수 있음을 입증한다. 이는 소규모 서버실의 핫스팟 진단 및 실질적인 에너지 절감을 위해서는 3D 배치를 고려한 CFD 해석이 필수적임을 시사한다.
최종적으로 본 연구는 더 낮은 총 요구 냉방부하로도 서버실 전체를 안정적으로 운영할 수 있는 실질적인 방안을 제시했다는 점에서 의의가 있다. 향후 실제 206호실의 구역별 온도 측정을 통한 시뮬레이션 모델의 검증(Validation) 및 다양한 냉방장치 운영 조건에 따른 민감도 분석을 수행할 수 있을 것이다.
FOOTNOTES
-
ACKNOWLEDGEMENT
본 논문은 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임(No. RS-2023-00213741).
본 논문은 2026년도 정부(산업통상부)의 재원으로 한국산업기술진흥원의 지원을 받아 수행된 연구임(No. RS-2026-25533435, 2026년 산업혁신인재성장지원사업).
Fig. 1Photograph of the target room
Fig. 2
Fig. 3D models of (a) room, (b) HPC and (c) cooler
Fig. 4Model 0 temperature contour
Fig. 5(a),(b) Temperature contour and (c),(d) Velocity streamline
Fig. 6Comparison of average indoor air temperature
Fig. 7Comparison of HPC inlet temperature
Fig. 8HPC inlet temperature contour for model 1, 2
Fig. 9Comparison of total cooling load
Table 1Cooling load calculation table
Table 1
|
Component |
Heat Gain [W] |
|
Conduction |
Exterior wall |
32.78 |
|
Interior wall |
586.76 |
|
Window |
378.31 |
|
Radiation |
154.44 |
|
Infiltration |
Sensible heat |
129.20 |
|
Latent heat |
0.21 |
|
Internal heat gain |
HPC |
10000 |
|
Total cooling load |
11.282 [kW] |
Table 2
Table 2
|
Material |
Density [kg/m3] |
Specific heat [J/(kg·K)] |
Thermal conductivity [W/(m·K)] |
|
Wall_out |
Concrete 1 |
1611.19 |
862.73 |
0.315 |
|
Wall_in |
Concrete 2 |
2240.00 |
900.00 |
1.667 |
|
Window |
Glass |
2464.9 |
898.61 |
0.084 |
Table 3
Table 3
|
Model |
Energy |
|
Viscous (Standard k-e) |
|
Radiation (DO) |
|
Cell zone conditions |
Fluid_cooler |
parameter |
|
Fluid_HPC |
4000 W/m3
|
|
Boundary conditions |
Cooler 1, 2 |
3.10 m/s (23Pa) |
|
Cooler 3 |
1.34 m/s |
|
Window |
309.5 K |
|
Wall_outside |
315.7 K |
|
Wall_inside |
299.0 K |
Table 4RTI values for each model
Table 4
|
Model 1 |
Model2 |
|
RTI |
151% |
139% |
Table 5Comparison of total required cooling load calculated by CFD simulation
Table 5
|
Cooler 1 |
Cooler 2 |
Cooler 3 |
Total |
|
Model 1 [kW] |
5.777 |
7.522 |
3.584 |
16.882 |
|
Model 2[kW] |
5.629 |
6.384 |
1.012 |
13.025 |
REFERENCES
- 1. Alkrush, A. A., Salem, M. S., Abdelrehim, O., Hegazi, A., (2024), Data centers cooling: A critical review of techniques, challenges, and energy saving solutions, International Journal of Refrigeration, 160, 246-262.
- 2. Cho, J., Suh, W., Woo, J., (2020), CFD-based comparison study of hot aisle containment and cold aisle containment solutions in high-density data centers, Korean Journal of Air-Conditioning and Refrigeration Engineering, 32(9), 419-434.
- 3. ASHRAE. (2021), Equipment thermal guidelines for data processing environments, 5th Edition, American Society of Heating, Refrigerating and Air-Conditioning Engineers.
- 4. Kwon, Y. P., (2011), Mechanical facilities for building. Daega Books.
- 5. Korea Meteorological Administration. Automatic weather station (AWS) observation data. https://www.weather.go.kr/w/observation/land/aws-obs.do?db=DAYDB&tm=2025.07.27%2016%3A08&stnId=364&sidoCode=asos&sort=&config=.
- 6. Dogan, A., Yilmaz, S., Kuzay, M., Yilmaz, C., Demirel, E., (2022), CFD modeling of pressure drop through an OCP server for data center applications, Energies, 15(17), 6438.
- 7. Intel Corporation. Intel Xeon Gold 6430 processor specifications. https://www.intel.co.kr/content/www/kr/ko/products/sku/231737/intel-xeon-gold-6430-processor-60m-cache-2-10-ghz/specifications.html.
- 8. Dynatron Corporation, S5R1. https://www.dynatron.co/product-page/s5r1.
- 9. Samsung Electronics. Support for model AP145TNPPHH6. https://www.samsung.com/sec/support/model/AP145TNPPHH6/.
- 10. Hangukgongjo, 2-way ceiling cassette. https://www.airconsystem.co.kr/skin71/product_list.php?boardT=v&page_idx=144&goods_data=aWR4PTI0OCZfJnN0YXJ0UGFnZT0wJl8mbGlzdE5vPTMmXyZ0YWJsZT1yZWRfZ29vZHMmXyZwYWdlX2lkeD0xNDQmXyZzZWFyY2hfaXRlbT0=.
Biography
- Won Hyeong Lee
B.S. candidate in the Department of Mechanical Engineering, Dankook University. His research interests are fuel cells and CFD.
- Do Yeong Jung
M.S. candidate in the Department of Mechanical Engineering, Dankook University. His research interests are fuel cells and CFD.
- Seung Heon Lee
M.S candidate in the Department of Mechanical Engineering, Dankook University. Research interests are finite element method, metamodel, deposition, and characterization of thin film using CFD.
- Jun Geon Park
M.S. candidate in the Department of Mechanical Engineering, Dankook University. His research interests are fuel cells, finite element method, deposition and characterization of thin films.
- Dong Kun Song
Ph.D. candidate in the Department of Mechanical Engineering, Dankook University. His research interests are fuel cells, thin film process, fluid dynamics, and artificial intelligence.
