面對的問題
高密度 GPU 機櫃、液冷與備援電力相互耦合；只看單點溫度或總用電，難以回答新增負載、故障切換與冷卻調整的後果。
形成的能力
以幾何、拓樸、邊界條件與即時資料校準孿生，支援熱流、電力與耦合情境推演。
工作脈絡
先在孿生環境比較，再回到機房決策。
DTW 將空間、機櫃、冷卻、電力、感測與模型放入同一個情境，協助團隊比較擴容、故障與節能方案。
- 01機房空間孿生描述房間、機櫃、冷／熱通道、CRAC／CRAH、風口、CDU 與感測器位置。
- 02熱流與冷卻推演以 OpenFOAM 工作流程承接熱流模擬，評估熱點、氣流短路、送回風與冷卻策略。
- 03電力拓樸推演以 pandapower 模型化變壓器、UPS、PDU、母線與 A／B 路徑，分析負載與故障情境。
核心能力
從產品模組，形成可重用的營運能力。
DTW 將模擬、預測與方案比較轉化為可追溯的決策證據；DTZ 則持續把機房的溫濕度、功率、流量、壓差與設備狀態等真實營運資料帶入 DTW，使數位孿生能隨現場變化更新決策狀態、校準模型並重新產生預測。每項結果都會保留資料時間、模型版本、輸入條件與假設，讓團隊知道目前狀態、可能發展與建議行動的依據；涉及電力、冷卻或設備控制的高風險變更，仍須經過工程審查與現場驗證。
機房空間孿生
描述房間、機櫃、冷／熱通道、CRAC／CRAH、風口、CDU 與感測器位置。
熱流與冷卻推演
以 OpenFOAM 工作流程承接熱流模擬，評估熱點、氣流短路、送回風與冷卻策略。
電力拓樸推演
以 pandapower 模型化變壓器、UPS、PDU、母線與 A／B 路徑，分析負載與故障情境。
快速代理模型
以 PhysicsNeMo、PyTorch 或 ONNX 代理模型加速重複情境；結果需標示模型版本與適用範圍。
營運資料校準
接入溫濕度、功率、流量、壓差與設備狀態，持續比較模型預測與真實結果。
AIDC 高密度情境
支援 GPU 機櫃、高熱密度、液冷 CDU、工作負載配置，以及冷卻與電力容量的聯合判斷。
資料與責任流程
每一步都能被看見、驗證與治理。
- 01建立機房幾何、資產與電力拓樸
- 02匯入即時量測與邊界條件
- 03建立基準、變更或故障情境
- 04執行熱流／電力／耦合求解
- 05比較 KPI、風險與不確定性後決策
適用情境
從一個高價值閉環開始。
- GPU 叢集擴容前容量評估
- 機櫃上架與工作負載配置
- 冷卻設定與熱點改善
- A／B 路徑或設備故障推演
- 液冷與風冷混合機房規劃
- PUE 與能源策略比較
責任邊界
讓真實營運資料持續校準每一次機房決策。
決策證據更新機制：DTW 將模擬、預測與方案比較轉化為可追溯的決策證據；DTZ 則持續把機房的溫濕度、功率、流量、壓差與設備狀態等真實營運資料帶入 DTW，使數位孿生能隨現場變化更新決策狀態、校準模型並重新產生預測。每項結果都會保留資料時間、模型版本、輸入條件與假設，讓團隊知道目前狀態、可能發展與建議行動的依據；涉及電力、冷卻或設備控制的高風險變更，仍須經過工程審查與現場驗證。