AI 数据中心机柜功率冲上百千瓦：液冷与浸没式冷却的流动换热问题已无法靠经验公式凑合
发布时间：
2026-10-22 11:29
来源：
AI 数据中心正在把机柜功率从 5–10 kW 一路推到三位数。经验公式和「按经验留裕量」的传统做法，在这个量级面前开始失效：热点在哪、热空气往哪回流、浸没槽里气泡怎么走，都成了必须算清楚的问题。本文用9篇2025–2026年的文献把这条换热链条拆开看。
01 液冷与浸没式冷却的流动换热问题
WHEN AIR RUNS OUT
功率密度先把问题换了。一项面向 AI 数据中心冷却架构的敏感性分析显示：机柜密度已经从传统的5–10 kW迈入30–100 kW区间，HPC 与 AI 负荷的调查峰值达44 kW，部分 AI 部署的热密度甚至达到120 kW以上（例如160 kW）；对最后一代仍可风冷的 AI 机柜，风冷与液冷的性能差距约50%[1]。
图 1：通用负荷与 HPC/AI 负荷的机柜功率分布：AI 负荷峰值集中在16–20 kW档（引自文献[1]）
问题还在从机柜向芯片尺度下沉。2.5D/3D 异构集成的综述指出：实际封装的平均热流密度已稳定超过100 W/cm²，局部热点达到甚至超过1 kW/cm²；600–700 W功耗下 interposer 热点温度可超过120°C，2.5D 叠层在约300 W时风冷已到边界，3D 叠层约350 W就必须液冷或混合冷却[2]。
图 2：按液冷适用性分档的 AI 机柜占比：适用性40–59%一档的客户数最多（约40%）（引自文献[1]）
政策侧同样在收口。国内多个省市已要求新建数据中心设计 PUE 不高于1.2，「东数西算」明确东部枢纽节点 PUE<1.25、西部<1.2，而风冷系统的最优 PUE 约在1.25——单相浸没式冷却被评估为能把 PUE 推近理论极限的技术路线[3]。宏观账也在加压：数据中心约占全球用电1.5%，预计到2030年增长约160%，其中约40%花在冷却上[4]。
这三组数字合起来说明一件事：液冷与浸没式冷却不是「更先进的选择」，而是唯一还能往上涨的散热通道。而这两条通道的物理内核——强制对流、沸腾相变、气液界面运动——恰恰全是经验公式最难覆盖的部分。
02 CFD 提前看见热点与回流
SEE IT BEFORE IT HAPPENS
机柜级的麻烦是热回流与旁通。研究指出，CFD 模型能够详细解析机房内的流动与热结构，捕捉热回流区与冷气旁通这类降低效率、抬高能耗的 adverse effects；而多区域共轭传热（CHT）方法正是做这类分析的成熟工具[5]。热点位置、回流路径、冷热通道掺混程度，在设计阶段就能算出来，不必等设备上电后再试错。
图 3：机柜级 CFD 建模：几何、测点与机柜内布置一并纳入模型（引自文献[5]）
运行期的实测数据反过来印证了「看不见的代价有多大」。一套部署了分布式传感阵列加 LSTM 预测控制的系统，把累计热点时长（阈值27°C）从48小时压到2小时、降幅近96%，冷却系统能耗下降37.5%，PUE 从1.48降到1.30[6]。值得注意的是：这些收益来自「发现并干预」已经形成的热点——而设计期的 CFD，目标是让热点根本不出现。
图 4：传感阵列 + LSTM 预测控制的运行期架构：CFD 在设计期补上同一问题的另一端（引自文献[6]）
两条路线的关系是互补而不是二选一：CFD 负责把机柜布局、冷通道封闭、液冷板流道这些「改起来最贵」的决策在图纸阶段收敛；传感与预测控制负责在运行期处理负载漂移。缺了前者，后者永远在收拾残局。
03 FlowVision 解决方案
ONE SOLVER FOR THE WHOLE CHAIN
从机房到浸没槽，FlowVision 用同一套求解器覆盖：传热与流固共轭传热（CHT）直接耦合固体壁面与冷却工质，服务机柜布局与冷板流道设计；气液界面多相流模型处理浸没式冷却里的单相/两相工质运动。按真实外形自动生成直角网格并自适应加密，机柜、服务器、冷板这类真实装配体不必先简化再计算。
图 5：单相浸没式冷却系统：冷却工质—循环泵—换热器—冷却水侧构成完整回路（引自文献[3]）
两相浸没是下一代路线，也是流动细节最挑剔的场景。两相热虹吸冷却的综述系统比较了多种工质在不同压力与充注率下的循环行为[7]；而在沸腾侧，超声强化实验测得的最大传热系数达31.0 kW/m²，其机理正是气泡脱离与流体混合的细节[8]；合成射流研究则提醒：抽吸相位下受热流体的回流会在局部恶化换热[9]——这些方向依赖的细节，靠经验关联式给不出答案。
国际能源署预计2030年数据中心用电将达945 TWh[7]。功率还在涨，留给经验公式的空间只剩缩小。把流动换热问题交给可验证的数值计算，是这个量级下少数还站得住的做法。
机柜功率过百千瓦之后，热设计的分水岭不再是经验多少，而是算不算得清。
参考文献
[1] Sensitivity analysis of liquid-to-air and liquid-to-liquid cooling metrics under multilayer AI workload conditions. Discover Networks, 2026. DOI:10.1007/s44354-026-00035-0
[2] Thermal Management Challenges in 2.5D and 3D Chiplet Integration: A Review on Architecture–Co-Design. Eng — Advances in Engineering, 2025. DOI:10.3390/eng6120373
[3] Overview of Single-phase Immersion Liquid Cooling Technology. International Journal of Energy, 2025. DOI:10.54097/dhmrxm38
[4] Convective heat transfer optimization for liquid cooling plates driven by field synergy. Energy, 2026. DOI:10.1016/j.energy.2026.142364
[5] Maximizing waste heat recovery from a building-integrated edge data center. Scientific Reports, 2025. DOI:10.1038/s41598-025-22498-x
[6] Proactive Cooling Control Algorithm for Data Centers Based on LSTM-Driven Predictive Thermal Management. Applied System Innovation, 2026. DOI:10.3390/asi9010021
[7] Two-phase thermosiphon cooling in data centers: a comprehensive review of refrigerants. Journal of Engineering and Applied Science, 2025. DOI:10.1186/s44147-025-00833-3
[8] The effect of ultrasound manipulation on boiling performance during immersion cooling. Journal of Thermal Analysis and Calorimetry, 2025. DOI:10.1007/s10973-025-14458-4
[9] Heat Transfer Enhancement in Immersion Cooling by Liquid Synthetic Jet. ICTEA, 2026. DOI:10.54097/vhc1dw52
FlowVision 流体仿真软件,AI 数据中心,热点与回流,热分层,传热/共轭传热,液界面多相流模型