사전등록을 희망하시는 경우 여기를 클릭해주시기 바랍니다.  img {border:0} #Table_01 table {font-size: 0 !important;} #Table_01 table tr {font-size: 0 !important;} #Table_01 table tr td {font-size: 0 !important;} #Table_01 table tr td a {font-size: 0 !important;} #Table_01 table tr td p {font-size: 0 !important;} #Table_01 table tr td p span {font-size: 0 !important;} #Table_01 table tr td span {font-size: 0 !important;} #footertd a img {width:initial !important;} @media screen and (max-width:700px){ body, table, table tr, table td img{width:100%} }

              교육 소식 >             5월 OpenFOAM 사용자 교육 >             OpenFOAM 사용자 교육 5월 OpenFOAM 사용자 교육에 대해 안내드립니다. OpenFOAM에 관심은 있으나 첫 발을 내딛지 못한 고객 여러분께 도움을 드리고자 초보 사용자를 위한 예제 실습 위주의 교육을 진행합니다. OpenFOAM 소개, 사용 방법 및 예제 실습을 통해 사용자의 OpenFOAM 숙련도를 높일 수 있도록 도와드립니다. 일정 : 5월 22일 ~ 5월 24일 (링크)를 클릭하시면 5월 OpenFOAM 사용자 교육에 대해 더욱 자세하게 확인할 수 있습니다.                                   5월 OpenFOAM 코드 개발자 교육 >             OpenFOAM 코드 개발자 교육 5월 OpenFOAM 코드 개발자 교육에 대해 안내드립니다. OpenFOAM을 이용하여 사용자 요구에 맞는 customized solver를 만들고자 하시는 여러분께 도움을 드리고자 OpenFOAM solver를 직접 modify하는 방법에 대해 교육을 진행합니다. OpenFOAm compile 사용법 및 High Level 프로그래밍, 경계조건 라이브러리 만들기 실습 등을 통해 직접 코드를 수정 및 compile 하는 시간을 가집니다. 일정 : 5월 29일 ~ 5월 31일 (링크)를 클릭하시면 5월 OpenFOAM 코드 개발자 교육에 대해 더욱 자세하게 확인할 수 있습니다.             6월 BARAM을 활용한 CFD 실전 교육 >             BARAM을 활용한 CFD 실전 교육 6월 BARAM을 활용한 CFD 실전 교육에 대해 안내드립니다. CFD 기본 이론, 개념, 과정 설명과 예제 실습을 통해 CFD를 처음 접하시는 분들의 이해를 도와드립니다. 실습은 공개소스 S/W인 BARAM을 사용하므로 교육 후에도 제한 없이 사용하실 수 있습니다. 일정 : 6월 27일 ~ 6월 28일 (링크)를 클릭하시면 5월 OpenFOAM 코드 개발자 교육에 대해 더욱 자세하게 확인할 수 있습니다.             일반 소식 >             19th OFW (OpenFOAM Workshop) >              6월 25일 ~ 6월 28일, 3박 4일 동안 중국 베이징 대학교에서 19th OFW가 개최됩니다. 사전 등록 기간은 5월 15일까지입니다. OFW는 OpenFOAM을 활용한 다양한 해외 연구개발 사례를 쉽게 접할 수 있는 기회이며, OpenFOAM 관련 행사 중 가장 큰 국제 행사입니다. 관심있으신 OpenFOAM 사용자 분들의 많은 참가 부탁드립니다.                         2024년도 한국전산유체공학회 춘계학술대회 >              2024년도 한국전산유체공학회 춘계학술대회가 5월 29일 (수) ~ 5월 31일 (금), 2박 3일 동안 소노캄 제주에서 개최됩니다. 이번 행사에서는 탄소 중립을 위한 조선 공학분야에서 CFD 연구 사례, 파이썬 병렬프로그래밍의 단기강좌도 진행됩니다. 관심 있으신 분들의 많은 참여 바랍니다.             WHAT IS OPENFOAM? OpenFOAM은 오픈소스 CFD 소프트웨어이다. GNU GPL 라이센스를 사용하고 있어 누구나 자유롭게 사용이 가능하며 수정 및 재배포를 할 수 있다.       WHAT IS MESHLESS CFD? 질점격자 기반의 CFD해석 기법으로 FVM해석 기법의 보존성을 갖추고 있으며 전처리 작업시간을 획기적으로 줄일 수 있습니다.FAMUS는 무격자 기법의 CFD 해석 SW 입니다.       WHAT IS BARAM? BARAM은 넥스트폼이 개발한 OpenFOAM CFD 해석 프로그램입니다. 넥스트폼이 개발한 OpenFOAM Solver와 Utility를 GUI 기반으로 사용이 가능합니다.           수신거부

알테어가 항공우주 분야에 특화된 전산유체역학(CFD) 소프트웨어 제조사인 리서치인플라이트(Research in Flight)를 인수했다고 밝혔다. 이번 인수로 알테어는 항공우주 및 방위 산업에서의 입지를 더욱 강화할 수 있을 것으로 보고 있다.   리서치인플라이트의 대표 제품인 ‘플라이트스트림(FlightStream)’은 높은 정확도와 사용 편의성을 내세운 전산유체역학 소프트웨어로 미 공군, 미 육군, 나사(NASA) 에임스 연구센터에서 사용 중이다. 주로 항공기 설계 및 해석에 활용되며 초음속 비행체 개발에도 쓰인다.   알테어는 플라이트스트림의 빠른 계산 속도와 낮은 하드웨어 사양에 주목했다고 밝혔다. 이를 통해 많은 엔지니어와 설계자가 개발 초기에 수많은 설계안의 공기 역학적 특성을 심층적으로 분석할 수 있다는 것이다. 알테어는 플라이트스트림의 기술이 고비용의 실물 테스트 횟수를 줄일 수 있어 항공기 개발 비용과 시간을 절감할 수 있을 것으로 기대하고 있다.   플라이트스트림의 또 다른 장점은 복잡한 공기역학 현상 해석 능력이다. 플라이트스트림은 아음속부터 초음속에 이르기까지 광범위한 비행 조건에서의 공기 흐름을 정밀하게 예측할 수 있어 최근 개발이 한창인 도심항공교통(UAM)이나 전기 수직이착륙기(eVTOL) 설계에 용이할 것으로 보인다. 또한 경계층에서의 유동 박리현상, 점성 효과 등 공기역학적 현상을 세부적으로 분석해 항공기의 안정성과 성능 확보를 지원한다.     리서치인플라이트의 플라이트스트림은 알테어의 설계 및 시뮬레이션 플랫폼인 하이퍼웍스에 추가될 예정이다. 알테어 유닛 라이선스 시스템을 통해 플라이트스트림을 제공함으로써, 사용자는 개별 제품을 구매하지 않고 여러 제품을 경제적으로 사용할 수 있게 된다. 리서치인플라이트의 비벡 아후자 공동창립자는 “이번 인수를 통해 리서치인플라이트의 CFD 솔루션이 알테어의 기술 포트폴리오에 추가됨으로써 더 많은 사용자들이 사용하고, 이를 통해 항공우주 분야에서 입지를 넓힐 수 있길 바란다”고 전했다.   알테어의 짐 스카파 CEO는 “리서치인플라이트 인수를 통해 항공우주 및 방위 분야 기술력을 더욱 강화하게 되었다. 특히 항공기의 다양한 운용 상태에 대한 공기 역학적 특성을 신속하게 평가하고 최적화할 수 있어 UAM, eVTOL 등 새로운 항공 기술 개발에 큰 도움이 될 것으로 기대된다”고 밝혔다.

문화유산 분야의 이미지 데이터베이스와 활용 사례 (5)   지난 호에서는 우리의 소중한 문화유산인 전통 한지에 관한 데이터베이스 구축의 중요성과 문화유산 분야에서의 활용 사례에 관하여 살펴보았다. 데이터베이스에 어떠한 정보가 유용한 정보인지를 판단하기 위하여 종이의 역사와 동아시아 전통 종이의 차이를 정리하였다. 한지 제지 공정, 한지의 다양한 명칭, 한지의 특징, 한지의 원료, 한지의 색상 및 빛의 투과 특성, 전통한지의 우수성과 전통 계승 및 보존의 중요성에 관해서 살펴보았다.  이번 호에서는 국내외의 고지도를 소개하고 고지도에서 얻을 수 있는 다양한 지리 및 역사 정보에 관하여 살펴본다. 근대의 측량 기술이 도입되기 전에 제작된 고지도의 한계와 수록된 정보의 해석에 있어서의 주의점에 관해서도 생각해 보고자 한다. 고지도 데이터베이스의 중요성과 문화유산, 역사, 인문학 분야에서의 해석 및 활용 사례에 관하여 살펴보도록 한다.   ■ 연재순서 제1회 이미지 데이터와 데이터베이스의 중요성 제2회 서화, 낙관, 탁본 데이터베이스 제3회 옛 사진 데이터베이스 제4회 한지 데이터베이스 제5회 고지도 데이터베이스  제6회 고서 자형 데이터베이스 제7회 필사본 고서 데이터베이스  제8회 목판본 고서 데이터베이스  제9회 금속활자본 고서 데이터베이스  제10회 근대 서지 데이터베이스  제11회 도자기 데이터베이스 제12회 안료 데이터베이스   ■ 유우식 웨이퍼마스터스의 사장 겸 CTO이다. 동국대학교 전자공학과, 일본 교토대학 대학원과 미국 브라운대학교를 거쳐 미국 내 다수의 반도체 재료 및 생산설비분야 기업에서 반도체를 포함한 전자재료, 공정, 물성, 소재분석, 이미지 해석 및 프로그램 개발과 관련한 연구를 진행하고 있다. 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 상임연구위원, 문화유산회복재단 학술위원이다. 이메일 | woosik.yoo@wafermasters.com  홈페이지 | www.wafermasters.com   그림 1. 대동여지도와 대한민국전도의 유사도와 축척 비교(10리를 4km로 계산하면 대동여지도는 실제의 크기보다 약 25% 크게 그려져 있다.)   우리나라의 지도 국어사전에서는 지도(地圖)를  ‘지구 표면의 상태를 일정한 비율로 줄여, 이를 약속된 기호로 평면에 나타낸 그림’으로 설명하고 있다. 근대 이후에 제작된 지도를 바탕으로 한 설명이라고 볼 수 있다. 현대에는 수치 정보를 바탕으로 한 지리 정보 시스템(GIS : Geographic Information System)과 GPS(Global Positioning System)를 사용하여 항공기, 선박, 자동차 및 보행자의 위치를 무선으로 안내하는 시스템이 사용되고 있다. 지도의 수치 정보와 자신의 위치 정보는 컴퓨터에서 처리되며 화면에 표시된다. 물론 전통적인 방법으로 종이에 인쇄하여 사용하는 것도 가능하다. 우리나라 지도 제작의 역사는 삼국시대 이전으로 거슬러 올라갈 것으로 추정된다. 삼국시대 이전에도 외부와 교류가 활발했고 기록 활동도 있었으므로, 어떠한 형태로든 지도가 만들어졌을 것으로 보인다. 필사에 의한 간단한 약도부터 초기 형태의 지도가 만들어져 활용되었을 것이다. 그러나 현재는 조선 시대 이후의 것들만 전해지고 있다. 현존하는 고지도 가운데 가장 오래된 지도는 조선 초기인 1402년(태종 2년)에 제작된 ‘혼일강리역대국도지도’이다. 이 지도는 당시 제작된 세계 지도로는 세계적으로도 가장 뛰어난 지도 중의 하나로 인정되고 있으나 원본은 전하지 않는다. 필사본은 일본 류코쿠대학이 소장하고 있다. 일본 텐리대학과 서울대학교 규장각에는 필사 모사본이 있다.  조선 전기에는 국토의 측량을 기초로 우리나라 영토의 부분부분을 그린 지도가 활발하게 만들어졌다. 조선 전기의 대표적인 전도(全圖)로는 1530년(중종 25년)에 간행된 ‘신증동국여지승람’에 수록된 ‘팔도총도’를 들 수 있다. 이 전도는 특정 지역의 지역적 성격을 종합적으로 지도와 함께 기록한 지지(地誌)를 보완하는 형태로 부도(附圖)의 형식을 영토의 전체적인 모양을 두 면에 수록하였으며 대표적인 산, 강, 고을의 이름이 간략하게 적혀 있다.    대동여지도 개항 이전인 1876년(고종 13년), 근대적 측량이 이루어지기 전에 제작된 한반도의 지도 중 가장 정확한 지도로 꼽히는 것이 ‘대동여지도’이다. 김정호가 1861년(철종 12년)에 지도첩의 형태로 제작한 한반도의 지도이다. 접었을 때의 책의 크기는 가로 20cm, 세로 30cm로 보관과 운반이 용이하게 만들어졌다. 지도는 가로 19판, 세로 22층(또는 22첩)으로 이루어졌다. 지도의 축척을 나타내는 방안(方眼)에 의하면 지도의 한 면은 가로 80리, 세로 120리에 해당하며 지도의 두 면이 한 장의 목판으로 인쇄되었다. 지도를 펼치면 가로 약 3.8m, 세로 약 6.7m에 이른다. 현재 세 건이 대한민국의 보물로 지정되어 있으며, 대동여지도의 인쇄에 사용된 목판이 2008년에 대한민국 보물로 지정되었다. <그림 1>에서 보는 바와 같이 현재의 한반도 지도의 윤곽과 비교해도 손색이 없다. 1834년(순조 34년)에 제작하고 1840년대까지 3차례에 걸쳐 개정한 ‘청구도’와 1530년에 편찬한 ‘신증동국여지승람’ 등을 참고하여 만들어진 것으로 여겨지고 있다.  대동여지도의 백두산 부분을 살펴보면 단순한 지리 정보 뿐만 아니라 청나라와의 국경을 정한 내용, 청나라와 조선의 담당자, 비석을 세운 날짜 등을 기록하여 세운 비석인  정계비(定界碑)의 위치까지 표시되어 있다.(그림 2) 정계비를 세운 날짜는 강희 51년 5월 15일로 1712년(숙종 38년)의 일이다. ‘강희임진정계(康熙壬辰定界)’라고 적혀 있어 청나라 강희제의 임진년인 1712년에 청나라와 조선의 경계를 정해서 비석을 세운 것임도 기록해 두었다. 대동여지도가 1861년에 만들어진 것이므로 149년 전의 역사적 사실을 기록한 셈이다. 이처럼 고지도에는 단순한 지리 정보뿐만 아니라 역사 정보도 기록되어 있는 경우가 많아, 귀중한 역사 연구자료로서의 가치도 매우 높다.    그림 2. 대동여지도에 그려진 백두산 부분.조선과 청나라의 국경을 표시하기 위하여 1712년 5월 15일에 세워진 백두산정계비의 위치가 표시되어 있다.    대동여지도는 100리(里)를 1척(尺)으로, 10리를 1촌(寸)으로 한 백리척(百里尺) 축척의 지도이나 당시의 10리를 현재의 길이 단위로 정확히는 알 수 없다. 조선 시대의 10리를 오늘날과 마찬가지인 4km로 계산하면 축척은 1 : 16만으로 계산된다. ‘대동지지’와 ‘속대전’의 기록인 “주척(周尺)을 쓰되 6척은 1보(步)이고 360보는 1리(里)이며 3600보는 10리로 된다”라는 내용을 기준으로 축척을 추정하면 1 : 21만 6000이다. 그러나 필자가 현대에 만들어진 지도와 크기가 유사하게 조정하여 대동여지도의 축척을 계산하면 약 1 : 12만 8000이었다. 문헌상의 기록을 바탕으로 추정한 축척과는 25% 또는 69%의 차이가 발생한다. 대동여지도에서는 실제 거리로 약 1280m(=1.28km)에 해당하는 직선 거리가 1cm로 표시된 셈이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

시뮤텐스 소프트웨어를 활용한 복합소재 해석 (2)   시뮤텐스(SIMUTENCE)의 시뮤필(SimuFill)은 성형 프로세스 모델링을 위한 기존 소프트웨어 아키텍처(아바쿠스 및 몰드플로우 플러그인)를 개선하여 고급 압축 및 사출 성형 분석이 가능하다. 시트 몰딩 컴파운드(SMC), 장섬유 강화 열가소성 수지(LFT) 및 유리 매트 열가소성 수지(GMT)의 압축 성형은 단섬유 섬유 복합재에 가장 많이 적용되는 제조 공정 중 하나이다. 그러나 이러한 재료를 성형하면 부분적으로 채워진 캐비티(미충진 영역)가 수반될 수 있어, 섬유 배향의 변화와 같은 흐름에 따른 효과 분석이 필요하다. ■ 자료 제공 : 씨투이에스코리아, www.c2eskorea.com   시뮤필(SimuFill) 제품을 통해 제공되는 몰드플로우 애드온(Moldflow Add-on)은 PVT 거동을 경화도의 함수로 모델링할 수 있으며, 각각 열가소성 수지와 열경화성 수지의 결정화 및 경화 동역학을 예측하는 것이 포함된다.   LFT 스트랜드에 대한 섬유 배향 초기화 유동 길이가 충분히 짧은 경우 초기 섬유 배향은 최종 섬유 배향에 큰 영향을 미친다. LFT 스트랜드(strands)에서 국부적인 섬유 배향은 불균일하며 압출 공정을 통해 결정된다. 시뮤필을 사용하면 분석 방정식을 사용하여 LFT 스트랜드의 로컬 섬유 배향을 초기화할 수 있다.     결정화 및 경화 동역학 시뮤필을 사용하면 열가소성 재료(LFT, GMT)의 결정화 역학과 열경화성 재료(SMC)의 경화 역학을 예측할 수 있다. 이는 결정화/경화도를 초기 조건으로 고려하여 금형 충진 및 부품 변형/스프링을 정확하게 예측할 수 있다. 시뮤필은 아바쿠스(Abaqus)의 후 변형 분석용 추가 기능인 시뮤워프(SimuWarp)에서도 사용되는 몰드플로우용 Nakamura-Ziabicki 모델(결정화 모델)을 제공한다.     PVT 모델링 PVT 거동의 정확한 모델링은 열 신장 및 수축으로 인한 잔류 변형률을 정확하게 예측하는 데에 중요하다. 잔류 변형은 잔류 응력과 변형을 유발한다. 시뮤필은 열가소성 수지와 열경화성 수지 모두에 대한 경화도의 함수로서 PVT 거동을 예측하기 위한 정교한 모델을 제공한다.     프레스 톤수 최적화 프레스 톤수는 제조에 매우 중요하고 자본 투자에 있어 비용을 유발하는 요소이다. 복잡한 재료 거동, 설계 반복 및 처리 전략은 필요한 공정 톤수에 큰 영향을 미친다. 시뮤필을 사용한 성형 시뮬레이션은 공정력을 신뢰할 수 있는 추정을 가능하게 하므로 자본 투자를 줄이는 데에 핵심 역할을 한다.     초기 Charge 성형 대부분의 시뮬레이션 접근 방식은 재료 흐름이 시작되기 전에 복잡한 초기 Charge 구성의 성형을 포착하지 못한다. 시뮤필을 사용하면 복잡한 초기 Charge 구성을 설명하기 위해 재료 성형 및 재료 흐름을 예측하는 순차적 접근 방식이 가능하다. 초기 Charge 구성을 고려하고 최적화하면 완전한 금형 충진과 공정 시간 단축이 보장된다.       ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공사례   파이앤시스(PyAnsys)는 파이썬(Python)을 활용하여 앤시스(Ansys) 제품을 사용할 수 있는 라이브러리를 뜻한다. 파이앤시스는 구조해석과 관련한 PyMAPDL, PyMechanical과 전처리 및 후처리에 대한 PyDPF가 있다. 이와 같은 라이브러리를 이용하면 파이썬 내에 있는 패키지와 함께 다양한 작업이 가능해진다. 이번 호에서는 파이앤시스 중에서도 PyMAPDL에 대한 사용 방법과 활용 예시를 소개하고자 한다.   ■ 노은솔 태성에스엔이 구조 3팀 매니저로 구조해석 및 자동화 프로그램에 대한 기술 지원을 담당하고 있다. 이메일 | esnoh@tsne.co.kr 홈페이지 | www.tsne.co.kr   앤시스에서 구조, 열, 음향 등 다양한 해석에 사용되는 유한요소 솔버 중 하나인 Mechanical APDL은 명령어를 기반으로 구동된다. 복잡한 연산이나 매개변수 설정 및 자동화 기능이 가능하기 때문에 여전히 많이 사용되고 있다. 하지만 앤시스 워크벤치(Ansys Workbench)의 제한적인 기능을 활용할 경우, 추가적으로 APDL 명령어를 사용해야 한다. 말하자면 APDL 명령어로 여러 기능을 구현할 수 있지만, 넓은 범위에서 적용하기에는 한계가 있는 것이다. 예로 머신러닝이나 딥러닝과 관련한 라이브러리인 텐서플로(TensorFlow)나 케라스(Keras) 등은 APDL 명령어 내에서는 사용할 수 없으며, 파이썬과 APDL 연동에도 한계가 있다.  이 때 PyMAPDL 라이브러리를 사용하면 파이썬 내에서 APDL을 사용하기 때문에 활용도가 넓어진다. 이번 호에서는 PyMAPDL의 사용 방법과 활용 예시를 다뤄보고자 한다.    PyMAPDL 사용 방법 PyMAPDL은 파이썬에서 사용될 때 gRPC(Google Remote Procedure Call)를 기반으로 파이썬 명령어를 APDL 명령어로 변환하여 MAPDL 인스턴스(Instance)에 전송하고, 결과를 파이썬으로 다시 반환한다. 이러한 작업 과정 때문에 파이썬과 MAPDL 간 원활한 데이터 통신이 가능해지며, 다수의 MAPDL 인스턴스를 생성하여 다른 명령으로 동시 작업 또한 가능하다.   그림 1. PyMAPDL gRPC   먼저 PyMAPDL을 사용하기 위해서 앤시스 메커니컬(Ansys Mechanical)이 설치되어 있어야 하며, 관련 라이선스를 보유하고 있어야 한다. 현재 파이앤시스 홈페이지에 따르면 파이썬 3.8 이상 버전을 지원하고 있으며, gRPC 기반으로 사용하기 위해서 앤시스 2021 R1 이상을 권장한다. 파이썬과 앤시스 모두 설치되어 있는 환경이라면 추가적으로 PyMAPDL 라이브러리를 설치해야 한다. 터미널 창에 ‘pip install ansys-mapdl-core’ 한 줄의 입력으로 쉽게 설치되며, 버전을 따로 지정하지 않을 경우 최신 버전으로 설치된다. PyMAPDL은 <그림 2>와 같이 ‘launch_mapdl’ 함수를 호출하여 사용한다. 이는 Mechanical APDL Product Launcher를 실행하는 것과 유사하다. 해당 함수를 활용할 때 입력 가능한 주요 인자들을 입력하여 작업 폴더 위치나 파일 이름, 계산 방식 및 라이선스 등을 지정할 수 있다.    그림 2. PyMAPDL 실행 명령어   기존에 APDL에서 육면체 형상을 모델링하여 요소를 생성하는 과정은 <그림 3>과 같이 작성되고, 동일한 작업을 PyMAPDL로는 <그림 4>와 같이 구성할 수 있다. 작성된 APDL과 PyMAPDL 명령어를 비교하면 형태가 매우 유사한 것을 볼 수 있다. 이 때 PyMAPDL은 파이썬에서 두 가지 방식으로 사용된다. 첫 번째는 ‘run’ 명령어를 활용하여 APDL 명령어를 스트링(string)으로 입력해 직접 실행하는 방법이며, 두 번째는 파이썬 명령어로 변환해서 처리하는 방법이다.   그림 3. MAPDL 모델링 및 요소 생성 예시   그림 4. PyMAPDL 모델링 및 요소 생성 예시     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업 디지털 전환을 위한 버추얼 트윈 (1)   이번 호부터 산업 분야에서 버추얼 트윈(virtual twin)을 구축하고 활용하기 위한 다쏘시스템의 솔루션을 살펴본다. 첫 번째로 소개하는 다이몰라(CATIA Dymola)는 모델 기반 시스템 설계와 시뮬레이션을 위한 툴이다. 다이몰라는 다양한 산업 분야에서 사용되며, 기계, 전기, 열, 유체, 제어 시스템 등 다양한 시스템의 거동(behavior)을 모델링 및 시뮬레이션할 수 있다. 다이몰라를 알기 위해서는 우선 모델리카(Modelica)에 대해 알아야 한다.   ■ 안치우 다쏘시스템코리아의 카티아 인더스트리 프로세스 컨설턴트로 CATIA Dymola를 활용한 1D 시뮬레이션을 담당하고 있다. 관심 분야는 Modelica, FMI, 1D~3D 코시뮬레이션, SysML 기반의 Modelica 모델 개발이며 LG전자, 삼성전자, SK하이닉스 등 다수의 프로젝트 및 제안을 수행하고 있다. 홈페이지 | www.3ds.com/ko   1D 시뮬레이션이란 시간의 흐름에 따라 지배 방정식을 1차원으로 한정지어 계산하는 방법을 의미한다. 예를 들어, 스프링-댐퍼 시스템에서 길이 방향인 하나의 차원에서 수학적 모델링을 통해 빠른 시간 내에 결과를 도출해 검토할 수 있다. 장점으로는 모델 구성 및 검토의 시간이 빠르고, 표현의 제약이 적으며, 시스템간 상호 작용을 효율적으로 검토 가능하다. 단점으로는 시스템의 기능을 수식화하기 위해 도메인(domain)에 대한 높은 이해도가 필요하고, 인풋(input) 정보의 품질에 따라 아웃풋(output)이 민감하게 반응한다.   모델리카는 시스템 모델링을 위한 언어이다. 모델리카(Modelica)는 1996년 모델리카 어소시에이션(Modelica Association)에 의해 개발된 시스템 모델링을 위한 언어이다. 무료로 사용할 수 있고, 여러 개발자 및 전문가에 의해 개발되고 있다. 모델리카는 시스템 모델링을 지원하며, 다쏘시스템에서는 시스템 모델링의 원활한 시뮬레이션을 위한 솔버 알고리즘을 개발하고 있다. 다이몰라에는 모델 시뮬레이션을 위한 다양한 솔버가 내장되어 있다. 사용자는 문제 해결을 위한 미분방정식에 대한 표현을 모델리카 문법에 맞게 표현함으로써 시뮬레이션을 위한 모델링은 끝났다고 볼 수 있으며, 이러한 이유 때문에 모델리카는 C, C++, 포트란(Fortran) 등 타 언어에 비해 코드량이 적다는 것을 알 수 있다. 모델리카의 모델링 방법에는 텍스트 타입으로 방정식을 정의할 수 있고, 또한 유저에게 친근한 GUI(그래픽 사용자 인터페이스)를 활용한 객체 모델링 기반으로 모델을 구성할 수 있다.    모델리카는 비인과적/인과적 해석을 모두 지원한다. 인과적(causal) 모델링과 비인과적(acausal) 모델링은 둘 다 시스템이나 현상을 설명하고 예측하기 위한 방법론이다.   그림 1   비인과적 모델링은 원인과 결과 간의 인과 관계를 명확히 구분하지 않고 시스템의 구성요소 간의 관계를 모델링하는 방법이다. 이 방법은 일반적으로 동적 시스템의 거동을 설명하거나 예측할 때 사용하며, 시스템의 구성 요소와 그들 간의 관계를 수학적 방정식으로 표현하여 시스템의 동작을 설명한다. 각 요소가 다른 요소에 의해 어떻게 영향을 받는지를 보다 전체적으로 이해하는 데에 도움이 된다. 인과적 모델링은 원인과 결과 간의 인과관계를 중심으로 모델을 구성한다. 이 모델링 기법은 일반적으로 인과관계를 고려하여 시스템의 동작을 설명하고 예측한다. 예를 들면 A가 B에 어떻게 영향을 주는지, 또는 어떤 요인이 결과에 어떻게 기여하는지를 분석한다. 주로 원인과 결과 간의 관계를 나타내는 도표나 그래프를 사용해 시각화하며, 시간의 흐름을 고려하여 이전 사건이 이후 사건에 어떻게 영향을 미치는지를 이해한다.  비인과적 모델링은 물리적 시스템의 동작을 설명하는데 유용하다. 예를 들어, 열 전달, 유체 흐름, 전기 회로 등과 같은 시스템에서 원인과 결과 간의 명확한 인과 관계를 파악하기 어려운 경우가 있다. 이러한 시스템은 에너지, 질량 또는 정보의 흐름을 모델링하여 설명할 수 있다.    모델리카는 해석 솔버에 대한 개발이 필요 없다. 실제 모델링 후 유저는 소스코드를 볼 수 있고, 해석 결과를 확인 할 수 있다. 그렇지만 솔버에 대한 구현 방식은 확인할 수 없다. 다이몰라에 솔버가 내장되어 있어 유저는 미분방정식에 대한 표현을 모델리카 문법에 맞게 표현하면, 유저가 모델링한 시스템에 대한 해석 결과를 확인할 수 있다. 이러한 이유로 인해 모델리카의 코드량은 타 언어에 비해 적다. 솔버가 해석 결과를 보여주기 위해 <그림 2>를 참조하면, 모델리카 file(*.mo)를 C 언어로 변환하고 참조할 라이브러리와 함께 컴파일을 수행하기 때문에 유저는 이 과정을 인식하지 못하는 경우가 많다.   그림 2     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (9)   이번 호에서는 다양한 유형의 난류 모델과 사용 시기, 그리고 복잡한 형상을 위한 고충실도 난류 모델링에 있어 케이던스의 밀레니엄 M1 CFD 슈퍼컴퓨터가 어떻게 혁신을 가져오는지에 대해 소개한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   자동차 산업은 거의 매일 새로운 혁신과 개발이 등장하며 끊임없이 발전하고 있다. 자동차 업계는 전기 구동 차량과 대량 생산이 증가하는 추세에 발맞춰, 보다 지속 가능한 미래를 만들기 위해 노력하고 있다. 2022년 전 세계 자동차 생산량은 5.7% 증가하여 8540만 대를 생산할 것으로 예상된다. 그러나 업계는 여러 디자인 또는 새로운 헤드라이트, 스플리터, 사이드 스커트 추가와 같은 아주 작은 디자인 변경에 대해서도 풍동 테스트 또는 프로토타입 테스트를 수용하면서 연비 기준을 충족해야 하는 과제에 직면해 있다. 그 결과, 항력 계수 등 관심 있는 유동장 정보와 성능 관련 수치를 예측하여 필요한 실험 횟수를 크게 줄일 수 있는 시뮬레이션 기반 접근 방식이 점점 더 인기를 얻고 있다. 유체 흐름의 난류를 이해하고 전산 유체 역학(CFD) 시뮬레이션을 통해 동일한 난류를 재현하려면 다양한 난류 모델을 사용해야 한다. 자동차 애플리케이션과 리소스 가용성에 따라 적합한 난류 모델을 선택하면 설계 주기를 단축하는 데 도움이 될 수 있다.      유체의 난류 모델링 난류는 압력과 속도의 혼란스러운 변화를 특징으로 하는 불규칙한 흐름을 일컫는 용어이다. 우리는 일상 생활에서 난류를 경험하며 공기 역학, 연소, 혼합, 열 전달 등과 같은 다양한 엔지니어링 응용 분야에서 중요한 역할을 한다. 하지만 유체 역학을 지배하는 나비에-스토크스 방정식은 매우 비선형적인 편미분 방정식이며 난류에 대한 이론적 해법은 존재하지 않는다. 난류는 광범위한 공간적, 시간적 규모를 포함하기 때문에 모델링과 시뮬레이션이 어려울 수 있다. 일반적으로 큰 와류는 난기류에 의해 생성된 에너지의 대부분을 전달하고 작은 와류는 이 에너지를 열로 발산한다. 이 현상을 ‘에너지 캐스케이드’라고 한다. 수년에 걸쳐 다양한 난기류 모델링 접근법이 개발되었으며, 가장 일반적인 세 가지 접근법을 간략히 설명하면 다음과 같다.   직접 수치 시뮬레이션(DNS) DNS에서는 모델이나 근사치 없이 미세한 그리드와 매우 작은 시간 단계를 사용하여 모든 규모에서 난기류를 해결한다. DNS의 계산 비용은 엄청나게 높지만 결과는 가장 정확하다. DNS 시뮬레이션은 난류장에 대한 포괄적인 정보를 제공하기 위한 ‘수치 실험’으로 사용된다.   대규모 와류 시뮬레이션(LES) 이름에서 알 수 있듯이 이 난류 모델링 기법은 큰 소용돌이를 해결하고 보편적인 특성을 가진 작은 소용돌이를 모델링한다. LES 시뮬레이션은 최소 길이 스케일을 건너뛰어 계산 비용을 줄이면서도, 시간에 따라 변화하는 난기류의 변동 요소를 자세히 보여준다.   레이놀즈-평균 나비에-스토크스 모델(RANS) RANS 방정식은 나비에-스토크스 방정식의 시간 평균을 취하여 도출되었다. 난기류 효과는 미지의 레이놀즈 응력 항을 추가로 모델링하여 시뮬레이션한다. RANS 시뮬레이션은 평균 흐름을 해결하고 난류 변동을 평균화하므로 다른 두 가지 접근 방식보다 훨씬 비용 효율적이다.   올바른 선택 - DNS, LES 또는 RANS 올바른 난류 모델을 선택하는 것은 모든 시뮬레이션의 중요한 측면이며, 이는 주로 시뮬레이션의 목적, 흐름의 레이놀즈 수, 기하학적 구조 및 사용 가능한 계산 리소스에 따라 달라진다. 학술 연구의 경우 DNS 시뮬레이션은 난류의 근본적인 메커니즘과 구조를 이해하는데 가장 적합한 결과를 제공한다. DNS는 레이놀즈 수가 낮은 경우에 적합하지만, 막대한 시간과 리소스가 필요하기 때문에 대부분의 산업 분야에서는 실용적인 선택이 아니다. 반면에 LES는 일반적으로 레이놀즈 수가 높은 복잡한 형상을 포함하는 산업용 사례를 처리하는데 적합한 옵션이다. LES가 생성하는 고충실도 결과물은 경쟁이 치열한 자동차 시장에서 중요한 한 차원 높은 성능 개선이 가능한 설계를 가능하게 한다. RANS 시뮬레이션은 LES에 비해 근사치의 범위가 넓기 때문에 정확도가 떨어진다. 그러나 정확도와 계산 비용 간의 균형으로 인해 RANS는 계산 리소스와 시뮬레이션 시간이 제한된 업계 사용자에게 일반적인 솔루션이다. 이 방법은 또한 짧은 시간 내에 여러 사례를 분석해야 할 때 널리 사용된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

더욱 빠르고 효율적인 제품 개발을 위한 AI 기술 본격화 추진   제조산업에서도 AI(인공지능)에 대한 관심이 높아지고 있다. 한편으로 실질적인 AI 도입과 활용에 대한 제조업계의 고민도 커졌다. 알테어는 시뮬레이션, HPC, 클라우드, 데이터 애널리틱스 등 자사의 기술 역량을 바탕으로 제조산업을 위한 AI 기술 개발을 가속화하고 있으며, 향후 본격적으로 제조시장에 확산시킨다는 전략을 내세웠다. ■ 정수진 편집장   ▲ 한국알테어 이승훈 기술 총괄 본부장은 제품 개발에서 AI의 활용이 구체화되고 있다고 짚었다.   제조산업에서 AI에 대한 관심이 높아지고, 도입과 활용이 확산되는 배경은 무엇이라고 보는지 제품의 생산 방식이 다품종 소량 생산 방식이 확대되면서 제품의 개발 주기가 꾸준히 짧아지고 있다. 이에 따라 제품 개발과 관련한 예측과 의사결정은 더욱 빨라져야 한다는 요구도 높다. 이를 위해 프로토타입을 만들어 실험하는 방식에서 컴퓨터와 CAE 소프트웨어를 사용하는 시뮬레이션으로 변화해 왔는데, 시뮬레이션 역시 해결해야 하는 과제가 있다. 시뮬레이션을 활용하려면 전문적인 엔지니어링 지식이 필요하고, 시뮬레이션에 걸리는 시간이 더욱 빨라지는 제품 개발 주기에 맞추기 어려워졌다. 시뮬레이션이 제품의 초기 개발에서 생산까지 더욱 폭넓게 쓰이는 상황이 시뮬레이션 기반의 의사결정에 걸리는 시간을 늘리게 된 측면도 있다. AI는 이에 대한 해결책으로 관심을 모으고 있다. 제조업체에서 실험 데이터와 해석 데이터가 상당히 쌓여 있는 상황인데, 이를 AI 학습에 활용해서 빠르게 인사이트를 얻고 제품 개발에 반영할 수 있겠다는 아이디어가 이제 구체화되고 있는 시점이라고 볼 수 있겠다.   최근 AI와 관련한 제조산업의 동향이나 이슈가 있다면 제조업체에서 해석 데이터와 실험 데이터가 쌓여 있기는 한데, 이 데이터가 각 엔지니어의 PC에 흩어져 있는 것이 현실이다. 이에 따라 여러 곳에 저장된 데이터를 통합 관리하는 시스템에 대한 요구가 있다. 또한, 이 데이터를 AI에 활용하기 위한 추가 가공의 자동화에 대한 목소리도 있다. 엔지니어링 데이터를 AI에 활용하기 위해서는 AI에 맞는 데이터의 전처리(pre-processing)가 중요하다. 전처리란, 아무렇게나 쌓여 있는 데이터를 분류하고 AI에 적용하기 위해 적절한 포맷의 데이터로 변환하는 작업을 가리킨다. 이 부분에서 많은 제조기업 고객사들이 데이터를 어떻게 가공해야 할 지에 대한 고민을 갖고 있기도 하다. 이전에는 파이썬(Python)과 같은 프로그래밍 언어를 배워서 데이터 변환 코드를 만들어야 했는데, 알테어는 데이터를 자동으로 변환할 수 있는 솔루션을 제공해 쌓여 있는 데이터의 분류와 정제 과정을 더 쉽게 할 수 있도록 돕는다. 이런 부분에서 LG전자의 사레를 소개할 만하다. LG전자는 알테어와 협업해서 해석 엔지니어가 퇴근한 후에 해석 데이터를 취합하고 변환과 AI 학습까지 수행하는 자동화 시스템을 구축했다. 학습된 AI는 웹 환경에서 설계 엔지니어에게 필요한 데이터를 제공하고, 설계 엔지니어는 제품에 대한 치수나 조건을 입력하면 시뮬레이션을 거치지 않고 빠르게 가상 시험 결과를 확인할 수 있게 됐다. AI는 제품의 초기 개발 단계뿐 아니라 전체 개발 과정에 적용할 수 있다. 초기 단계에서는 실험에서 나온 데이터가 존재한다면 이를 기반으로 어떤 결과가 나올지 쉽게 확인할 수 있다. 이후 단계에서도 다양한 데이터를 학습해 추가적인 예측을 할 수 있고, 대시보드 등을 통해 누구나 데이터 및 예측 결과를 확인하거나, 몇 가지 조건을 입력해 새로운 예측을 할 수 있는 단계로 나아갈 수도 있다. 최종 단계의 데이터는 후속 제품이나 다른 제품을 개발할 때 활용하는 것도 가능하다.   제품 개발 사이클의 단축이라는 점에서는 시뮬레이션이 가져다 줄 수 있는 이점과 비슷한 부분이 있어 보인다. AI의 역할은 시뮬레이션을 보완하는 것인가, 아니면 시뮬레이션을 대신할 수 있는 것인가 지금은 AI가 기존의 시뮬레이션을 완전히 대체할 수 있는 단계는 아니다. 하지만 AI를 통해 제품의 초기 개발 단계에서 데이터 기반의 예측 결과를 빠르게 얻을 수 있고, 향후 설계를 위한 인사이트를 얻을 수 있다는 점에서 의미가 있다. AI를 학습시키기 위한 데이터는 필요하기 때문에 시뮬레이션은 여전히 중요하다. 지금의 상황은 실험이나 해석 데이터를 기반으로 AI를 통해 인사이트를 얻는 단계라고 볼 수 있다. 시뮬레이션이 자리잡기까지의 과정을 살펴보면, 초기에는 실험과 시뮬레이션을 함께 사용하다가 시뮬레이션 부분이 강화되면서 실험의 비중을 줄여 왔다. 앞으로 AI 기술이 더욱 발전하고 데이터가 더 많이 쌓인다면 AI가 확대되고 시뮬레이션이 줄어들 수도 있을 것 같다. 이런 흐름은 단계적으로 일어날 수도 있고, 제품별로 변화의 속도가 달라질 수도 있다고 본다.   ▲ 알테어는 시뮬레이션과 연계해 제조 분야에서 활용할 수 있는 AI 솔루션을 내세운다.   제조산업의 AI 활용을 위한 알테어의 기술 차별점은 무엇인지 알테어는 멀티피직스 시뮬레이션뿐 아니라 복잡한 시뮬레이션을 활용하기 위한 고성능 컴퓨팅(HPC)과 클라우드, 데이터 애널리틱스와 AI 등 폭넓은 기술 역량을 갖추었다는 점에서 차별점이 있다고 본다. 이는 온프레미스와 클라우드, CPU 컴퓨팅과 GPU 컴퓨팅을 모두 지원해 시뮬레이션 및 AI를 유연하게 활용하도록 도울 수 있다는 뜻이다.  알테어는 지난 2022년 데이터 기반 AI를 위한 머신러닝 분석 플랫폼인 래피드마이너(RapidMiner)를 인수하면서 AI 분야 진출을 시작했다. 래피드마이너는 제조뿐 아니라 BFSI(은행.금융.서비스.보험) 등 다양한 산업에서 활용할 수 있는 솔루션이다. 예를 들어, 고객 지원이나 불만사항에 대한 다응, 주가 예측 등에도 래피드마이너가 유용하다. 또한, 2023년부터는 래피드마이너 등 기존 제품군으로 AI 시장에 대응하는 것 외에 제조산업을 타깃으로 하는 특화 기술을 개발했고, 올해는 이 부분을 본격적으로 선보이고자 한다. 제조산업을 위한 알테어의 AI 기술로는 설계 탐색과 최적화를 위한 디자인AI(DesignAI), 비슷한 형상을 자동 인식하고 분류하는 셰이프AI(shapeAI), 해석 결과를 학습해 물리현상을 빠르게 예측하는 피직스AI(physicsAI), 시스템 레벨에서 빠른 3D → 1D 변환을 위한 롬AI(romAI)가 있다.  이런 AI 기술은 적은 수의 데이터로도 학습이 가능하며, 알테어의 기존 시뮬레이션 솔루션 제품군에 들어가는 형태로 제공되어 익숙한 인터페이스로 사용할 수 있다. 하이퍼메시(HyperMesh)에는 이미 피직스AI와 셰이프AI가 포함되어 있고 향후 심랩(SimLab)과 인스파이어(Inspire)를 비롯해 다양한 솔루션에 AI가 추가될 예정이다. 알테어는 래피드마이너를 활용한 데이터 기반의 AI와 시뮬레이션 기반의 AI를 모두 지원한다. 그리고 타사 솔루션의 데이터를 활용할 수 있는 개방성과 유연한 라이선스 사용도 장점으로 내세우고 있다.    향후 제조 분야의 AI 전망과 알테어의 전략을 소개한다면 AI에 대한 고객들의 기대치가 높다고 느낀다. 알테어는 지난 4월 4일 ‘AI 워크숍’을 진행했는데, 기업의 의사결정권자부터 현업 엔지니어까지 예상보다 많은 분들이 참여해 높은 관심을 보였다. 관심이 높은 만큼 실제 활용 방향에 대한 고민이 많다는 것을 알 수 있었다. 사용자의 기대치와 실제로 할 수 있는 것 사이의 거리, 알테어와 같은 솔루션 기업과 사용자인 제조기업의 시각차도 어느 정도 확인할 수 있었다. 이런 부분은 고객들을 많이 만나고 의견을 나누면서 간극을 좁혀야 할 것 같다. 당장 AI가 시뮬레이션을 완벽하게 대체하기는 어렵겠지만, 클라우드 기반의 통합 환경에서 시뮬레이션과 AI를 통합해 사용할 수 있도록 하는 것을 목표로 삼고 있다. 클라우드는 데이터의 통합 관리와 공유 측면에서도 이점이 있다고 본다. 시뮬레이션과 AI를 위해 대규모 데이터를 관리하기 어려운 소규모 기업은 클라우드의 장점에 주목할 만하다고 본다. 한편으로 보안 등의 우려를 가진 기업에게는 프라이빗 클라우드 환경을 제공해 데이터 보안을 유지하면서 알테어 원 클라우드와 동일한 환경에서 작업할 수도 있다. 알테어는 AI 솔루션 제품군을 빠르게 업데이트하면서 사용자의 피드백을 반영하고 있다. 고객들이 AI에 대해 갖고 있는 기대치 또는 눈높이가 상당히 높은 것으로 보여서, 이에 대응해 경쟁 우위를 확보하고자 노력 중이다. 제조 분야에서도 AI에 대한 관심이 높지만, 어떻게 활용할지에 대한 고민이 큰 상황으로 보인다. 알테어는 이런 부분에서 도움을 줄 수 있도록 AI 기술 개발과 함께 커스터마이징과 컨설팅 등을 폭넓게 제공하고자 한다. 본사의 개발팀과도 활발히 소통하면서 사용성이나 적용 범위 등에 대한 고객의 어려움을 덜고, 최대한 빠르게 고객이 원하는 AI를 구현할 수 있도록 할 계획이다.     ■ 기사 내용은 PDF로도 제공됩니다.

CAD 데이터 변환과 상호운영성 기술로 한국 시장 공략 강화   데이터킷(Datakit)은 CAD 데이터 변환 프로그램인 크로스매니저(CrossManager)의 개발사로, 크로스매니저는 파트너사인 몰드케어를 통해 국내 공급되고 있다. 데이터킷의 필리프 블라슈(Philippe Blache) CEO는 다양한 설계 관련 정보의 변환과 상호운영성을 통해 제조·건축 등 산업 영역에서 더 많은 가치를 제공한다는 비전을 제시하고 있다. ■ 정수진 편집장    ▲ 데이터킷 필리프 블라슈 CEO   데이터킷은 어떤 회사인지 1994년 프랑스에서 설립된 데이터킷은 CAD, CAM, CAE, BOM, PLM, 계측, BIM, 건설 등 다양한 소프트웨어 간의 상호 호환 운용성(interoperability) 분야에 집중하고 있는 기업이다.  데이터킷의 데이터 변환 솔루션은 설계, 제조, 검사 및 보관 전반에 걸쳐 연결성을 구축하여, 제품 개발 프로세스의 디지털 전환을 가속화하고 시장 출시에 걸리는 시간을 줄인다. 데이터킷은 수년간 표준화 특히 STEP AP242 표준에 참여했으며, LOTAR(Long Term Archiving and Retrieval) 협회 워크숍 및 MBx 상호 운용성 포럼에 참여하고 있다. 또한 빌딩스마트(BuildingSMART)의 IFC 구현자 포럼 회원으로서 BIM 커뮤니티에도 참여하고 있다.   크로스매니저의 특징에 대해 소개한다면 크로스매니저를 사용하면 모델과 관련된 많은 기능을 포함한 크고 상세한 다중 파일 변환이 가능하다. 크로스매니저는 ▲2D 도면, 3D B-Rep 및 메시(mesh) 표현을 비롯해 ▲부품, 어셈블리 및 색상/질감 등 속성과 ▲PMI(제품 제조 정보), FD&T(Functional Dimensioning and Tolerancing), GD&T(기하공차), 메타데이터, 자재/공급업체/비용 등 속성을 포함한 제품 제조 정보까지 다양한 정보를 변환할 수 있다. 또한 CAD 소프트웨어 별 고유(native) 파일 및 표준 형식 파일로 변환할 수 있는 수백 가지의 기능과 솔루션을 제공한다.   크로스매니저가 다른 솔루션과 차별화되는 점은 무엇인지 데이터킷은 30년 동안 상호 호환 운용성에 초점을 맞추고 있으며, 시장에서 가장 특별하고 폭넓은 경험을 제공하기 위해 R&D에 노력을 기울여 왔다. 크로스매니저 변환기를 사용하면 모델과 관련된 광범위한 데이터를 변환 및 보존할 수 있으며, 최신 버전의 CAD 소프트웨어와의 호환성을 위해 수백 가지 CAD별 고유 파일 및 중립 포맷에 대한 분기별 업데이트를 제공한다. 또한, 확장 가능한 단일 또는 멀티 포맷 라이선스, 컴퓨터나 서버에서 실행되는 고정/원격/플로팅 라이선스, 영구 또는 구독 라이선스 등 다양한 유형의 라이선스를 제공한다. 이외에 크로스매니저 어드밴스 버전에서는 자동화 프로세스 및 일괄 처리가 가능하다. 크로스매니저는 설계회사의 CAD 투 CAD(CAD-to-CAD) 변환에 가장 많이 사용되지만, 제조 또는 제조 부품의 정확성 확인, FEA(유한요소해석) 그리고 사실적인 렌더링, 시각화, 시뮬레이션, 메타버스, 견적 준비 등의 요구를 충족시키기 위한 기반으로도 사용된다.   ▲ 데이터킷의 크로스매니저는 다양한 네이티브 포맷 및 중립 포맷의 CAD 데이터를 변환하는 기능을 제공한다.   CAD 데이터 변환 솔루션의 성장세에 대해서는 어떻게 보는지 모델 기반 엔지니어링과 관련된 광범위한 기능을 포함한 크고 상세한 다중 파일 변환에 대한 요구는 기업 내부 그리고 다른 기업 간에도 계속 늘어날 것으로 본다. 다른 한편으로는 이런 업무는 전문가들의 작업이 되고 있으며, 데이터킷과 같은 기업이 글로벌하면서 세부적으로 필요한 접근 방식을 지원할 수 있다. 또한, 다른 산업과 다른 작업 습관을 가진 BIM(빌딩 정보 모델링) 영역은 데이터 변환 시장에 거대한 성장 잠재력을 제공하고 있다. 형상과 치수뿐 아니라 다양한 정보를 포함하면서 CAD 데이터가 복잡해지고 있다. 이런 상황에서 CAD 데이터를 효과적으로 변환하고 활용하기 위해 필요한 점이 있다면 무엇이라고 보는지 우리는 사용자와 사용자의 의도에 초점을 맞춘다. 사용자의 프로필, 직업, 일하는 방식, 설계/제조/검사 파트나 어셈블리와 관련하여 사용자가 100%의 정확도와 최고의 성능을 기대하고 있는지, 아니면 설계에서 보관에 이르기까지 전체 제품 수명주기의 자동화를 개선하기 위해 기능, PMI 또는 2D 데이터와 같은 특정 데이터를 요구하는지를 알아야 한다.   최근에는 CAD 솔루션들이 자체적으로 데이터 호환에 관한 기능을 강화하고 있는데, CAD 데이터 변환 전용의 솔루션이 필요한 이유에 대해 소개한다면 실제로 많은 CAD 솔루션이 데이터 변환 기능을 제공한다. 데이터킷은 광범위한 시장에서의 경험과 인지도를 바탕으로, 우리의 솔루션 중 일부를 글로벌 소프트웨어 업체에 제공하고 있다. 또한 데이터킷의 솔루션은 최종 사용자에게 직접 제안된다. 최종 사용자를 위한 전용 솔루션이 크로스매니저이며, 임베디드 OEM 구매가 아닌 사용자가 필요로 하는 형식에 대한 파일 간 변환을 제공한다. 사실 설계 회사의 관점에서 보면, 파일을 읽고 선택한 형식으로 쓸 수 있도록 하는 것이 숙제이다. 크로스매니저를 사용하면 선택한 형식의 PMI와 같은 데이터를 포함된 파일이나 어셈블리를 읽고 쓸 수 있다는 점에서 확실한 가치를 가진다고 본다.   ▲ 데이터킷은 다양한 설계 정보의 변환 기능을 독립형 제품 및 CAD 플러그인으로 제공하고 있다.   한국 시장에 대한 전망과 한국 내 크로스매니저 비즈니스 계획에 대해 소개한다면 지난 3월에 한국을 비롯해 아시아 지역 각국의 파트너사를 만나 크로스매니저의 비즈니스를 위한 미팅을 진행했는데, 데이터킷의 기술 데이터 변환 솔루션이 한국 시장의 요구를 충족한다고 믿는다. 우리는 크로스매니저의 한국어 버전을 제공하고 있으며, 소프트웨어 공급업체와의 파트너십에 대해서도 자신감을 갖고 있다. 또한, 한국 파트너사인 몰드케어에서는 한국 내 기업에게 크로스매니저와 솔리드웍스 전용 플러그인을 공급하고 있다. 지난 한국 방문을 통해 몰드케어와 긴밀히 협력하기로 얘기를 나누었고, SIMTOS와 같은 전시회에 참가하는 등 시장 확대를 위해 더 많은 기회를 함께 모색하기로 했다. 우리는 한국 생산 현장의 작업자가 설계 . 생산 . 출시까지의 프로세스를 쉽게 도와주고, 제품의 품질을 보장하는 신뢰할 수 있는 데이터 변환 솔루션을 개발하고 있다고 확신한다.     ■ 기사 내용은 PDF로도 제공됩니다.