포인트셰이프 디자인을 사용한 역설계 사례   포인트셰이프 디자인(PointShape Design)은 드림티엔에스에서 자체 개발한 역설계 소프트웨어이다. 3D CAD 기반의 CGM(CATIA) 커널이 적용됐고, 사용자에게 친숙한 디자인 프로세스 및 사용자 인터페이스를 제공한다. 이번 호에서는 자동차의 서스펜션 제품의 3D CAD 모델을 쉽게 생성하는 방법에 대해 소개한다.   ■ 자료 제공 : 드림티엔에스, www.pointshape.com   이번 호에서 살펴 볼 역설계 프로세스는 다음과 같다. 스캔 데이터 불러오기 및 정렬 스캔 데이터 단면 추출 및 스케치 모델링 툴과 편집 툴을 사용하여 3D 모델 작업 Analyzing 기능을 통한 설계 데이터 편차 확인 최종 설계 데이터 완성   스캔 데이터 불러오기 및 정렬(Import & Alignment) 3D 스캐너를 통해 취득한 스캔 데이터를 <그림 1>과 같이 프로그램에서 불러온다. 스캔 데이터의 좌표 정렬 상태는 스캔 당시 스캐너의 좌표를 기준으로 정렬되어 있는 상대좌표 상태이기 때문에, 스캔 데이터를 절대 좌표에 정렬한 후 역설계를 진행한다. 3-2-1 Alignment 기능을 사용하여 좌표 정렬할 스캔 데이터를 선택하고 평면, 벡터, 점을 순서대로 선택하여 스캔 데이터를 절대 좌표에 정렬한다.   그림 1   그림 2   스캔 데이터 단면 추출 및 스케치(Plane(Offset) - 2D Sketch) Ref. Plane의 Offset 기능을 사용하여 해당 위치에 2개의 평면을 생성한 후, 해당 평면을 스케치 평면으로 사용하여 단면 폴리라인(polyline)을 각각 추출하고 추출된 단면 폴리라인을 따라 스케치한다. 스케치를 한 후 트림(Trim) 기능을 이용하여 라인을 다듬는다.   그림 3   그림 4   모델링 툴을 사용하여 3D 모델 작업 해당 부분을 스케치한 후 <그림 5~6>과 같이 익스트루드(Extrude) 기능을 사용하여 형상을 만든다.   그림 5   그림 6   스케치를 통해 해당 평면을 생성하고 폴리라인을 따라 스케치를 한 후 트림 기능을 사용하여 라인을 다듬고 익스트루드 기능을 사용하여 형상을 만든다.   그림 7   그림 8   스케치를 통해 해당 평면을 생성하고 폴리라인을 따라 스케치를 한 후 트림 기능을 사용하여 라인을 다듬고 익스트루드 기능을 사용하여 형상을 만든다.   ■ 자세한 기사 내용은 PDF로 제공됩니다.

이미지 정보의 취득, 분석 및 활용 (11)   지난 호에서는 ‘제어’의 개념에 관하여 간단히 설명하고 고대 그리스 알렉산드리아 신전에서 사용되었다고 하는 자동문의 동작 원리, 증기기관의 원심조속기를 비롯하여 다양한 방식의 제어 사례를 소개하였다. 모든 제어에 필요한 기본적인 구성 요소의 기능과 역할에 관하여 살펴보고 수동, 자동, 반자동, 적응형, 학습형 등 다양한 제어 방식의 차이점과 특징에 관해서도 다루었다. 인간의 경험, 심리 상태로 인한 개인차와 선택적 거부 습성이 제어 결과에 미치는 영향에 관해서도 알아 보았다. 이번 호에서는 ‘구슬이 서말이라도 꿰어야 보배’라는 속담이 있듯이 ‘정보의 가시화’와 그 중요성에 관하여 여러 사례를 바탕으로 소개한다. 데이터 가시화, 시각화의 중요성은 인포그래픽스(infographics)라는 새로운 분야를 탄생시켰다. 수집된 정보를 시각적으로 잘 표현하여 이해하기 쉽고 활용하기 쉽게 하기 위한 노력이 정보의 수집 이상으로 중요하다.   ■ 연재순서 제1회 측정의 목적(호기심, 정보 수집) 제2회 단위(비교의 기준) 제3회 길이 측정 제4회 무게 측정 제5회 시간 측정 제6회 에너지 측정 제7회 정적 측정과 동적 측정 제8회 측정 결과의 분석 제9회 분석 결과의 활용 제10회 제어(수동, 자동, 반자동, 학습형) 제11회 정보의 가시화 제12회 입체 이미지 정보의 유혹과 과제   ■ 유우식 미국 웨이퍼마스터스(WaferMasters)의 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. 일본 오사카대학 대학원 공학연구과 공동연구원, 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 연구원, 문화유산 회복재단 학술위원이다. 이메일 | woosik.yoo@wafermasters.com 홈페이지 | www.wafermasters.com   그림 1. 나무위키에 소개된 라면의 재료, 구성, 제조 방법, 조리 방법, 소비 특성 등에 관한 서술적인 설명문   ‘정보’와 ‘인포그래픽’ ‘정보’는 일상생활부터 전문영역에 이르기까지 매우 다양한 뜻으로 사용된다. 예를 들면 언어(말과 글), 개인 식별, 화폐, 금융, 법률, 규칙, 지식을 비롯하여 자연 환경 속의 빛이나 소리, 냄새, 맛, 압력 등 오감을 자극하는 신호와 생체의 신경, 호르몬 등의 생체 신호에 이르기까지를 정보라고 할 수 있다. 이 연재에서는 이미지 정보의 취득, 분석 및 활용이라는 주제로 정보에 접근하고 있으므로 시각적인 정보에 초점을 맞추어 이야기하고자 한다. 전자공학, 컴퓨터공학, 정보공학 분야에서는 정보(情報, information, info, info.)에 대해 특정 목적을 위하여 광(光) 또는 전자적 방식으로 처리되어 부호, 문자, 음성, 음향 및 영상 등을 표현하는 모든 종류의 자료(데이터, data) 또는 지식을 가리킨다. 탐구 대상에 관한 힌트가 될만한 것이라면 무엇이든 정보라고 할 수 있다. 경우에 따라서는 힌트가 되지 못하는 정보도 있을 것이므로 정량화할 수 있는 모든 것을 정보라고 할 수 있을 것이다. 우리가 감각으로 느끼는 모든 것은 정량화된 정보이지만, 여러 종류의 정보를 바탕으로 인식하고 그 의미를 부여하기 때문에 판단 결과는 늘 정성적인 느낌으로 다가온다. 그 느낌을 타인과 공유하거나 전달하기 위해서는 언어적인 표현을 하게 된다. 주로 말과 글로 전달하지만 의미가 보다 잘 전달될 수 있게 하기 위하여 표정이나 손짓 발짓 몸짓 등의 제스처를 사용하기도 하고, 그림이나 그래프 숫자를 사용하여 의미를 전달하고 전달된 내용을 확인하곤 한다. 정보의 홍수 속에 살아가는 현대 사회에서는 정보를 시각화하는 것을 의미하는 인포그래픽(infographic :  정보를 나타내는 information과 graphic의 합성어로 시각디자인을 의미)의 중요성이 대두되고 있다. 좋은 인포그래픽은 처음 보는 사람도 직관적으로 쉽게 정보를 얻을 수 있게 디자인되어 있다. 해석에 시간이 오래 걸린다면 정보 전달 효율이 떨어지는 것이므로 좋은 인포그래픽이라고 하기 어렵다. 같은 정보라도 관심의 대상에 따라서 효율적인 정보 전달에 적합한 디자인이 필요하다. 통계의 차트도 인포그래픽의 고전적인 형태라고 볼 수 있다. 주변에서 쉽게 볼 수 있는 기본적인 인포그래픽으로는 지하철이나 버스 노선도를 꼽을 수 있다. <그림 1>에 우리나라 사람들의 대중적인 사랑을 받고 있는 라면에 관하여 나무위키에서 소개한 서술적인 정보를 표시하였다. 일부 단어와 표현은 하이라이트하여 단정적인 내용을 구별하기 쉽게 하였다. 내용을 읽어본 후 개인적인 경험과 지식을 바탕으로 라면을 상상해 보고 설명이 적절한지, 설명이 부족한 부분은 없는지 생각해 보는 것도 인포그래픽의 중요성을 이해하는데 도움이 될 것 같다. 아마도 라면의 맛, 냄새, 온도를 떠올리며 입가에 미소를 짓거나 침샘을 자극할 수도 있을 것이다.   정보의 다양성 라면을 어떻게 정의할 것인가? 직접 경험한 사람은 본인의 경험을 바탕으로 서술할 것이고, 경험하지 못한 사람은 여러가지 정보를 찾아본 후 그 정보를 바탕으로 라면에 관해서 상상하게 될 것이다. 어디까지가 라면에 관한 정보가 될까? 나무위키에 소개된 라면이라는 제목에 소개된 여러가지 항목을 <그림 2>에 정리하였다.   그림 2. 라면의 특징을 설명하고 다양한 정보를 소개하기 위해 사용된 목차   여러 사람들이 편집한 것으로 집필자가 중요하다고 생각되는 항목을 소개할 수 있도록 분류하여 목차를 만든 것이다. 일반 소비자에게는 전혀 관심이 없는 내용도 있을 것이고 라면의 역사, 문화적 의미에 관심이 많은 사람이라면 항목을 추가하고 싶어지는 사람도 있을 것이다. 라면은 지속적으로 새로운 제품도 나오고 유행도 바뀌기 때문에 시기를 특정하지 않고 정의하는 것 자체가 어려운 일이 될 수 있다. 이것은 비단 라면에만 국한된 것이 아니다. 우리가 사용하고 있는 언어 자체도 시대에 따라서 그 의미도 달라질 수 있기 때문에, 무언가를 언어적으로 정확하게 서술한다는 것은 매우 어려운 일이다. 때로는 새로운 용어를 만들어 설명할 수 밖에 없는 경우도 생기게 된다. <그림 2>의 목차만 보더라도 10년 전에는 등장하지 않았을 법한 라면 제조사의 이름이 눈에 띈다.   ■ 자세한 기사 내용은 PDF로 제공됩니다.

국내 E-CAD 시장 분석과 전장설계 활용을 위한 제언 (1)   2023년 우리나라의 E-CAD(전기 CAD) 시장은 현재 약 140억 원 정도의 규모로 성장하였다. 이플랜(EPLAN)은 한국에서 80% 이상의 점유율로 시장을 주도하고 있다. 이번 호부터 2회에 걸쳐 이러한 2023년의 시장 환경 및 특정 공급자가 리드하는 상황에서 후발주자들의 움직임을 분석한다. 그리고 이러한 상황에서 실제 E-CAD를 전장설계에 활용하는 한국 사용자들의 지혜로운 선택과 E-CAD 시스템을 올바르게 사용하기 위한 방향을 제시하는 것을 목표로 한다.   ■ 연재순서 제1회 국내 E-CAD 제품 시장 분석 제2회 E-CAD를 전장설계에 활용하기 위한 제언   ■ 구형서 전기 CAD 솔루션 공급기업인 이플랜코리아의 지사장을 지냈다. 그 전에는 기구 분야 PLM 공급사에서 엔지니어, 마케팅, 사업개발 및 영업을 담당했다. 이메일 | koo.max39@gmail.com   E-CAD 시장의 현황과 규모 우리나라의 E-CAD 시장은 이플랜(EPLAN)이 2008년 연락사무소로 시장에 진출하기 전과 후로 나눌 수 있을 정도로 큰 변화가 있다. 즉 2008년 이전까지 연간 약 13억 원 미만의 시장을 <그림 1>과 같이 나누었으나, 이플랜의 공격적인 투자로 AutoCAD-E와 Promis.e는 시장을 급속하게 잃었다.   그림 1.  2007년 E-CAD 시장 점유율(단위 : 유로)   이후 이플랜은 2016년 독립법인으로 전환하면서 <그림 2>의 2021/2022년 시장점유율과 같이 E-CAD 시장을 주도하며, 공장 자동화 산업 위주로 연간 500여 라이선스를 공급하면서 2022년에는 약 100억 원대 시장으로 성장시켰다. <그림 2>에 기록되지 않은 건축, 플랜트, SOC 같은 산업을 고려한다면 2022년 E-CAD 공급자의 매출규모 기준 시장은 140억 원 정도로 추정된다.   그림 2. 자동화 설계 부문 E-CAD 시장(단위 : 백만원) * 기업공지기준(공지하지 않는 조직/기업은 추정치) * 연간 1억 미만의 기업은 명기하지 않음   2023년 1월 Digital Journal(www.digitaljournal.com)에 발표된 E-CAD Market Size(By 360 Research)에서는 전기 설계의 세계 시장 규모를 21억 9000만 달러로 예측하고 있다. 한국의 GDP 규모가 전 세계의 1.8%~2% 정도이고 제조 분야의 비중이 다른 나라에 비해서 큰 것을 고려하면, 우리나라 전기 설계 시장은 약 4500만 달러(약 540억 원)로 추정할 수 있다. 이 규모는 오토캐드나 일반 CAD를 전기 설계에 이용하는 경우까지 포함하므로, 순수한 E-CAD 제품을 이 중 40%~50%로 본다면 약 1800만~2300만 달러(250~300억 원)로 추정할 수 있다.   E-CAD 공급사의 SWOT - 선두주자 EPLAN 이플랜은 E-CAD 시장에서 선두주자로서 다음과 같은 강점과 기회를 가지고 있다. 다양한 기업의 규모와 산업에 걸쳐 많은 고객을 확보하고 있다.(1700개 고객에 5000여 라이선스) 경력이 풍부한 내부 및 외부 인력 리소스를 갖고 있다.(독립 법인으로 2개 사무실, 26명의 직원, 5개의 리셀러. 현재 리셀러에는 25명 이상의 이플랜 전담 인력 보유, 전체 인원에서 5년 이상 경험자는 20명 이상) 시장에서 이플랜의 인지도가 높고, 업무에 적용하는 사용자가 점차 늘고 있다. 본사에서 보는 한국 시장은 일본의 2배이며 중국의 40% 정도로, 상당히 중요한 지사로 인정 및 지원을 받고 있다. 영업 및 홍보를 위한 체계가 잘 갖춰져 있다.(동영상, 유투브, 블로그, 마케팅 체계 등) 반면, 다음과 같은 약점과 위기를 동시에 가지고 있다. 80% 이상의 고객이 공장 자동화 시장에 편중되어 있으며, E-CAD 구매 고객 중 75%는 잘 사용하지 못하고 있다.   한국에서 영구 라이선스에서 구독 라이선스로 정책 전환과 함께, 높은 제품과 서비스 가격으로 고객의 불만이 있다. 한국에서 솔루션 제안을 지양하고 라이선스 판매 중심으로 전환하였다.   직판 위주의 판매 정책 변경으로 리셀러와 갈등의 요소가 있다. 한국에서 새로운 시도의 변화로 회사 내 새로운 지도부의 안정적인 정책 운영이 미흡하다.   E-CAD 공급사의 SWOT - 후발주자의 SWOT 현재 이플랜을 제외한 E-CAD 공급사로는 주켄(E3), 오코텍(EB), 다쏘시스템(Solidworks-E), 오토데스크(AutoCAD-E) 등이 10여년 전부터 사업을 진행하였고, 각 제품의 주력 산업분야에서 성공적으로 안착하였다. 그리고 슈나이더 일렉트릭(SEE-Electric), WSCAD(WSCAD) 등도 한국 시장 진출을 결정하여 2024년에는 고객 입장에서 선택의 폭이 훨씬 다양해질 것으로 전망된다. 하지만 이들이 전체 시장에서 차지하는 비중은 후발주자 전체를 합쳐도 15%~20% 내외를 차지한다. 그 이유는 시장 규모가 큰 자동화 장비 시장에 집중한 이플랜에 비해서 다른 경쟁자들은 플랜트, 건축, 전자, 일반 기계 등 비교적 작은 규모의 시장에 터를 잡고 있기 때문이다.   ■ 자세한 기사 내용은 PDF로 제공됩니다.

제품 개발 혁신을 가속화하는 크레오 파라메트릭 10.0 (6)   이번 호에서는 크레오 파라메트릭(Creo Parametric) 10.0에서 제품의 금형 설계를 하기 위해 파팅 면 생성과 볼륨을 분할하는 기능에 대해 알아보자.   ■ 박수민 디지테크 기술지원팀의 과장으로 Creo 전 제품의 기술지원 및 교육을 담당하고 있다. 이메일 | smpark@digiteki.com 홈페이지 | www.digiteki.com   금형 설계 모델 분석 금형 설계를 하기 위해 제품의 구조를 구배 분석과 두께 분석을 통해 사전에 검토한다.     구배 분석을 사용하여 금형의 방향에 따라 빼기 구배와 언더컷 발생 위치를 검토하고, 필요하다면 언더컷이 발생하지 않도록 모델을 수정한다.     두께 분석으로 모델 형상에서 급격하게 두께가 변하는 부분을 확인하고, 재료의 특성에 따라 설계되었는지 확인한다. 두께 분석을 사용하면 전체 형상에서 지정된 최소/최대값 범위의 위반 여부를 확인할 수 있다.   몰드 캐비티 생성 새로 만들기 → 제조 → 몰드 캐비티를 선택하고 파일 이름을 작성하여 새로운 몰드 캐비티를 생성한다.     참조 모델 추가 생성한 몰드 캐비티 어셈블리에서 참조 모델을 선택하여 작업을 위한 모델을 추가한다.     참조 모델은 참조 기준 병합을 사용하여 복사형상 참조로 사용하고, 필요에 따라 모델 원본을 그대로 사용할 수 있다. ‘상속’을 선택하면 참조 모델의 복사본과 함께 트리 구조를 가져와 원본과 관계 없이 트리를 수정하여 사용할 수 있다.     참조 모델은 금형의 구조와 파팅라인을 고려하여 방향과 레이아웃을 정의한다.   수축율 적용 전체 비율에 의한 수축값을 일반적으로 적용하며 제품의 형상, 사이즈와 재료에 따라 치수별 수축을 적용하거나 공식에 따라 선택하여 수축 값을 정의한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업 현장에서 활용할 수 있는 AWS IoT 서비스 (7)   지난 호에서는 AWS IoT 트윈메이커(AWS IoT TwinMaker)의 기본적인 개념 및 네 가지의 주요 기능 중 다양한 데이터 소스를 디지털 트윈에 연동하기 위해 핵심적인 기능을 제공하는 데이터 커넥터 기능에 대해 소개했다. 이번 호는 연재의 마지막 회로, AWS IoT 트윈메이커의 나머지 세 가지 핵심 기능에 대해 소개하도록 한다.   ■ 연재순서 제1회 AWS IoT를 활용한 스마트 공장의 구현 제2회 AWS IoT의 핵심 서비스, IoT 코어 제3회 AWS의 에지 컴퓨팅 서비스, IoT   그린그래스 Ⅰ 제4회 AWS의 에지 컴퓨팅 서비스, IoT   그린그래스 Ⅱ 제5회 산업용 데이터를 쉽게 수집하고 분석하게 해주는 AWS IoT 사이트와이즈 제6회 AWS 클라우드가 제공하는 디지털 트윈 솔루션, IoT 트윈메이커 Ⅰ 제7회 AWS 클라우드가 제공하는 디지털 트윈 솔루션, IoT 트윈메이커 Ⅱ   ■ 조상만 AWS코리아에서 AWS 클라우드를 통해 제조 대기업의 디지털 트랜스포메이션을 기술적으로 돕는 역할을 담당하고 있다. 이메일 | smcho@amazon.com 홈페이지 | https://aws.amazon.com/ko   물리적 자산의 가상 표현을 가능하게 하는 ‘모델 빌더’ 지난 호에서 외부 소스 데이터를 AWS IoT 트윈메이커에 연결하는 방법에 대해 알아보았다. 이러한 데이터는 보통 현실 세계의 설비와 같은 물리적 자산에서 발생하게 된다. 예를 들어, 유체의 흐름으로부터 에너지를 추출하는 터빈(turbine)에서는 온도, RPM, 파워와 관련된 데이터가 센서를 통해 수집된다. 따라서 디지털 가상 공간에서 터빈과 같은 자산을 동적으로 업데이트하기 위해 이러한 데이터는 엔터티(entity)에 연결되어야 한다. 이를 통해 가상 공간 안에서 터빈의 특징이 표현된다. 엔터티는 가상 공간 내의 실제 물리적 자산, 자산들의 집합, 또는 프로세스 등을 의미하며, 바로 이러한 개별 엔터티들이 지난 10월호에 소개한 개념인 컴포넌트를 통해 데이터와 연결돼야 한다. 물리적 자산을 디지털 공간 안에 가상으로 표현하는 것은 AWS IoT 트윈메이커에서 제공하는 모델 빌더(Model Builder) 기능을 통해 제공된다. 예를 들어, 공장-라인-설비-센서 등과 같이 계층적 구조를 가지는 일반적인 공장 환경을 모델 빌더 기능을 통해 가상 공간 안에 구성할 수 있는데, 이러한 자산 구조는 일종의 그래프 모델을 통해 표현된다. 가상 공간에서 물리적 자원에 대한 모델링의 개념에 대해서는 이미 지난 9월호에서 소개한 바 있다. <그림 1>은 과자를 만드는 쿠키 공장을 디지털 공간에 구현한 일종의 자산 그래프다. <그림 1>의 상단에는 ‘쿠키 팩토리(cookie factory)’라는 최상위 레벨의 엔터티가 존재하며, 이 최상위 엔터티 밑에는 과자의 원료를 섞는데 사용되는 ‘믹서1(mixer1)’과 ‘믹서2(mixer2)’라는 2개의 하위 레벨의 엔터티가 존재한다. 이러한 개별 믹서는 컴포넌트를 통해 AWS IoT 사이트와이즈(AWS IoT SiteWise)나 아마존 S3(Amazon S3) 등 3개의 데이터 소스에 연결된 것을 확인할 수 있다. 즉, 믹서를 동적으로 가상 공간에서 표현하기 위해 3개의 데이터 소스를 활용한다고 볼 수 있겠다. 이때, 데이터 소스의 종류에 따라 빌트인 또는 커스텀 컴포넌트 커넥터가 요구된다. 다시 한번 강조하지만, 이러한 컴포넌트들을 통해 수집되는 데이터를 데이터 소스의 위치에 구애받지 않고 손쉽게 AWS IoT 트윈메이커 내의 가상의 디지털 자산인 엔터티에 연결할 수 있다.   그림 1. 쿠키 팩토리의 자산 구조화   3D 장면의 구현, ‘신 컴포저’ 디지털 트윈 하면 가장 먼저 떠오르는 것이 물리적 자산을 디지털 공간에 표현하는 3D 이미지일 것이다. 디지털 트윈에 관심이 있는 독자라면 다양한 벤더에서 제공하는 디지털 트윈 솔루션을 통해 이러한 3D 이미지를 본 적이 있을 것이다. 실제 물리적 자산의 모습과 매우 흡사한 가상의 모델을 3D 형태로 시각화하고 배치함으로써 사용자가 가상 환경에 몰입할 수 있도록 하는 매우 중요한 기술이다. 최근에는 이러한 3D 환경에 증강현실 및 가상현실을 추가함으로써 사용자 경험을 극대화하는 추세이다. AWS IoT 트윈메이커는 신 컴포저(Scene Composer)라고 불리는, 콘솔(console) 기반의 3D 장면(scene) 구성 도구를 제공한다. 이 신 컴포저 기능을 통해 AWS IoT 트윈메이커 내에서 3D 장면을 구성하고 배열도 가능하다. 만약 독자 여러분이 공장과 같은 물리적 자산에 대한 CAD, BIM 등과 같은 3D 파일을 확보하고 있다면, AWS IoT 트윈메이커의 신 컴포저로 이러한 파일들을 임포트(import)해서 유연하게 배치할 수 있다. 그러나 이러한 3D 파일을 확장자와 관계없이 있는 그대로 AWS IoT 트윈메이커에 임포트할 수는 없으며, 라이선스 제약이 없는 GLTF 또는 GLB 포맷으로 변환이 필요하다는 점에 유의해야 한다. 일반적으로 AWS IoT 트윈메이커에서 파일을 변환할 때는 이미지의 경량화를 위해 JSON 기반의 GLTF보다는 주로 GLTF의 바이너리 버전인 GLB 포맷으로 변환한다. 예를 들어, STEP 형태의 3D 이미지 포맷을 가지고 AWS IoT 트윈메이커를 통해 디지털 트윈을 구현하고자 한다면, 이러한 이미지 포맷을 GLTF 또는 GLB 형태로 변환해야 한다. GLTF/GLB 확장자 포맷의 장점은 다음과 같다. 우선 오픈 소스이기 때문에 사용에 대한 라이선스가 불필요하다. 또한 배우기 쉽고 웹에 최적화되어 있기 때문에 웹을 통한 디지털 트윈 배포에 용이하다.   그림 2. GLTF 방식의 3D 이미지(https://xeogl.org/docs/classes/GLTFModel.html)   ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   최근, 다양한 실험 및 해석에서 축적된 데이터와 인공지능 기술의 발전으로 데이터 기반 설계(Data-Driven Design)가 활성화되고 있다. 특히 해석 데이터를 기반으로 한 메타모델은 빠른 예측 속도의 장점을 이용해 반복적인 예측이 요구되는 최적 설계와 실시간 예측이 필요한 디지털 트윈 분야에서 주로 사용되며, 부품과 시스템의 통합 최적설계나 생산 품질 관리와 같은 다양한 분야로 활용 범위가 확장되고 있다. 이번 호에서는 간단한 사례를 통해 데이터 기반 설계에서 활용되는 딥러닝 기술과 해석 데이터를 이용한 메타모델을 소개한다. 그리고 딥러닝 프로그래밍 작업 없이 해석 데이터 기반 메타모델을 쉽게 생성할 수 있는 다양한 환경과 제작 방법부터, 생성된 메타모델을 다양한 환경에서 효율적으로 사용하기 위해 FMI(Functional Mock-up Interface) 기술로 제작하는 FMU(Functional Mock-up Unit)의 생성 및 사용법까지 다루도록 하겠다.   ■ 권기태 태성에스엔이의 EBU_LF팀 수석매니저로 해석자동화 업무 및 기술지원을 담당하고 있다. 이메일 | gtkweon@tsne.co.kr 홈페이지 | www.tsne.co.kr   메타모델이란 우선, 메타모델의 정의와 활용에 대해 짚고 넘어가보자. 메타모델(metamodel)은 ‘모델의 모델’이라는 의미로, 복잡한 모델을 간소화하여 설명하거나 정의하는데 사용된다. 근사방법(approximation method)을 사용해 원래의 모델을 재모델링함으로써 만들어지는 간결한 형태의 모델을 의미한다. 이러한 메타모델의 정의나 활용은 적용되는 분야에 따라 다르게 사용된다. 우선 기계학습의 메타모델은 다른 기계학습 모델을 이해, 분석, 또는 간략하게 표현하기 위한 목적으로 사용되며, 소프트웨어 엔지니어링 분야에서는 UML을 통해 시스템의 구조와 속성을 추상화하고 표준화하는데 사용된다. 시뮬레이션 및 최적화 분야의 메타모델은 복잡한 시뮬레이션 모델이나 실제 세계의 시스템을 간단한 수학적 모델로 대체하며, 이를 통해 저렴한 비용과 짧은 시간 안에 다양한 시나리오 탐색이나 최적의 해를 찾는 데 활용된다. 시뮬레이션 및 최적화 분야에서도 메타모델은 목적이나 관점에 따라 여러 용어로 불린다. 가장 먼저, 복잡하거나 계산에 많은 비용이 소요되는 모델, 또는 실제 실험을 단순하고 효율적인 형태로 근사화한 모델이란 의미의 대리자 모델(surrogate model)이 있다. 더불어 고차원이나 복잡한 시스템의 동적 거동을 낮은 차원이나 작은 수의 변수를 사용하여 효과적으로 근사화하는 방식의 ROM(Reduced-Order Modeling)이 있다. 또한 데이터를 사용하여 복잡한 시스템의 응답을 모델링하고 최적화하기 위한 통계적 방법이란 의미의 RSM(Response Surface Model)과 최적화 프로그램 안에서 시간이 많이 소요되는 CAE 시뮬레이션을 대신하여 사용되는 대리자 모델인 MOP(Meta-Model of Optimal Prognosis)란 용어도 사용되고 있다.   해석 데이터 기반 메타모델 컴퓨터 하드웨어의 발전과 함께 공학 설계 기술은 실험 중심의 설계에서 시뮬레이션 기반의 설계로 급속도로 전환되었다. 더욱이, 최근에는 실험과 해석에서 축적된 데이터와 인공지능 기술의 발전으로 데이터 기반 설계가 활성화되는 만큼, 데이터 기반 설계에서 사용되는 데이터 기반 메타모델의 중요성도 같이 증가하고 있다. 메타모델은 복잡한 시스템이나 모델을 간단히 표현하기 위해 확보된 데이터를 수학적 기법이나 인공지능 기술로 처리하여 제작한다. 특히, 인공지능과 시뮬레이션 기술의 발전으로 해석 데이터를 활용한 딥러닝 기반의 메타모델이 주목을 받고 있다. 해석 데이터는 측정 데이터와 비교해 입력과 출력 데이터의 노이즈가 적고, 스크립트 자동화를 이용해 원하는 조건으로 데이터를 쉽게 확보할 수 있다는 장점이 있다. 딥러닝 기술을 이용한 메타모델은 복잡한 수학적 지식 없이 구현이 가능하며, 파이썬(Python) 환경에서 작업하기 때문에 파이썬의 강력한 기능을 효과적으로 활용할 수 있다.   메타모델의 활용 해석 데이터를 활용한 메타모델은 빠른 예측 속도의 장점을 활용하여 반복적이거나 실시간 예측이 필요한 분야에서 주로 사용된다. 그러나 해당 메타모델은 해석 데이터를 생성할 때 사용된 변수로만 입력 값이 제한되기 때문에, 설계인자가 고정된 상황에서만 적합하다는 단점이 있다. 이러한 메타모델의 장단점을 고려하여 활용 가능한 분야를 도출하면 <그림 1>과 같다. 설계 최적화 및 민감도 분석 : 반복적으로 사용되는 빠른 예측 복잡한 시스템의 최적설계 : 요소부품과 시스템의 통합적 최적설계에서 부품 메타모델 생산 품질 관리 : 설계가 확정된 후 생산 과정의 변동 관리 디지털 트윈 : 설비의 운용 효율을 최적화하기 위해 실시간 예측   그림 1. 디지털 엔지니어링의 구성 요소   ■ 자세한 기사 내용은 PDF로 제공됩니다.

제품 개발의 새로운 방법론, MBSE (6)   현대의 다양한 산업의 제품 또는 시스템은 기계 중심에서 전기/전자 제품들이 결합된 메카트로닉스, 나아가 인텔리전스와 커넥티비티 등이 추가되어 새로운 서비스를 제공하는 형태로 진화하고 있다. 또한, 고객의 요구사항은 점점 더 구체적이고 시장에서의 수요는 매우 역동적인 형태를 보이고 있으며, 이에 따라 불확실성이 높아지고 예측할 수 없는 경향을 보이고 있다. 제품의 복잡성이 증가하는 현대 시장과 경제 체제에서 경쟁력을 갖추려면 제품 개발 과정에서 효과적인 솔루션을 채택하고 지속 가능한 목적 달성을 위해 제품/시스템의 라이프사이클 모든 단계를 지원해야 한다.   ■ 김태현 다쏘시스템코리아의 인더스트리 프로세스 컨설턴트로 MBSE 도입 및 지속가능성 확산에 기여하고 있다. 자동차/모빌리티, A&D 산업 분야 MBSE 적용에 다양한 프로젝트 경험을 보유하고 있다. 홈페이지 | www.3ds.com/ko   ■ 전형재 다쏘시스템코리아의 인더스트리 프로세스 컨설턴트로 3DEXPERIENCE 플랫폼 기반 MBSE 적용에 기여하고 있다. 정보공학 전공 지식을 바탕으로 20년 이상 제조 연구소 시스템 관련 웹 애플리케이션 개발/유지에 다양한 경험을 보유하고 있다. 홈페이지 | www.3ds.com/ko   당면한 문제 해결을 위해 대부분의 산업 분야별 조직들은 다학제간(multidisciplinary) 접근법을 통해 협업, 공동 설계 등 새로운 형태의 제품을 다루게 되었다. 다학제간 접근의 대표적 방법인 시스템 엔지니어링(systems engineering)은 복잡한 문제를 해결하기 위해 시작되었다. 최근에는 모델 중심의 MBSE(Model Based Systems Engineering)을 통해 데이터의 정확성(correctness)과 일관성(consistency)을 보장하고, 제품/시스템 라이프사이클의 효과적인 관리를 위해 명확한 단일 데이터 소스에 기초한 디지털 방식으로 전환되면서 실제 비즈니스 프로세스와 제품의 디지털 표현이 가능할 정도로 발전을 이루었다. 과거의 전통적인 제품 개발 방식에서 디지털 엔지니어링으로의 전환은 ▲개발 프로세스를 최적화하고 ▲라이프사이클의 시작/중간/종료 시점에 따른 관리의 효율성을 높이며 ▲팀 간의 커뮤니케이션 활성화를 통한 기술 격차를 해소하고 ▲개발 시간/비용을 줄이고 위험요인을 초반에 식별하고 제거할 수 있도록 도와준다. 데이터 중심의 모델 기반 접근은 제품의 설계, 생산, 지원, 폐기와 같은 전체 라이프사이클에서 관련된 모든 데이터를 통합하고 지원하는 프로세스의 정의, 실행, 통제, 관리와 같은 활동에서 모델 기반의 시뮬레이션 분석을 통한 최적화를 수행함으로써 시간과 비용을 줄일 수 있는 장점이 있다.   모델 기반 엔터프라이즈 프레임워크 모델 기반 엔터프라이즈(Model Based Enterprise : MBE)는 모델과 시뮬레이션 기술을 결합하여 제품의 전체 라이프사이클에 해당하는 설계, 생산, 지원, 폐기와 관련된 모든 기술과 프로세스를 통합하고 관리하는 접근법이다. 다양한 학제간(interdisciplinary) 엔터프라이즈 인프라와 애플리케이션을 사용하여 전체 라이프사이클 안에서 관리되고 연결되며, 계산이 가능한 모델들을 활용함으로써 프로세스 효율성, 사용자 및 조직 생산성을 위한 비즈니스 목표를 달성한다. 모델 기반 엔터프라이즈는 최상위 수준에서 다음의 도메인을 포함한다. Program & Configuration Management Model-Based Acquisitions Model-Based Systems Engineering Model-Based Engineering & Certification Model-Based Manufacturing Supply Chain Operations & Sustainment   그림 1. 모델 기반 엔터프라이즈 프레임워크   MBSE 접근과 프레임워크 모델 기반 엔터프라이즈는 MBSE 도메인에서부터 시작되는 만큼 MBSE가 제일 중요한 위치를 차지하고 있다. MBSE 솔루션의 기본 목표는 개념 개발 및 설계, 시뮬레이션, 테스트에서부터 제조 및 운영에 이르기까지 개발 수명주기 전반에 걸쳐 제품 개발 활동과 프로세스를 효율적으로 정확하게 조율하는 것이다. MBSE 프레임워크에서 엔지니어링 영역에 필요한 핵심 기능은 요구 공학(requirements engineering), 시스템 아키텍처, 시스템 설계 및 대안 분석(trade analysis), 검증(verification), 확인(validation), 시험(test)으로 볼 수 있다. 또한, MBSE 복잡성을 지원하는 수단으로서 거버넌스(governance), 협업(collaboration), 가시성(visibility)에 관한 부분도 MBSE의 프레임워크에서 중요한 역할을 하게 된다.   그림 2. 모델 기반 시스템 엔지니어링 프레임워크   ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (3)   유동해석 시 형상이 고도화될수록 메시 생성과 관련된 복잡성도 증가한다. 메시 생성의 복잡성은 요소의 유형 및 구조, 기하학, 위상, 사용자 전문 지식, 응용 프로그램 및 메시 생성 알고리즘 선택과 같은 여러 요소와 관련될 수 있다. 엔지니어의 요구사항이 진화함에 따라 상업용 메싱 소프트웨어는 점점 더 복잡한 메시 구성을 처리해야 했다. 케이던스 피델리티(Cadence Fidelity) CFD 플랫폼은 leading/blunt edge, 자유 표면, 경계층, 점성층 등을 위한 다양한 메시 생성 기술을 제공한다. 이 글에서는 복잡한 선박 형상의 메시 생성을 간소화하기 위한 몇 가지 전략을 소개한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   Meshing Strategies   그림 1   Volume to Surface V2S(Volume to Surface)는 복잡한 기하 형상에도 적용할 수 있는 강력하고 병렬화된 메시 처리 방식이다. 교차 또는 비일치 표면(intersecting or non-conformal surface)이 있는 지저분한 형상에도 적용이 가능하며 사전 표면 메시가 필요하지 않다. 케이던스의 V2S 메싱 기술은 전체 육면체(full-hexahedral) 및 육면체 우세(hexa-dominant) 비정렬(unstructured) 메시를 모두 생성할 수 있다. 전체 육면체 메시는 행잉 노드를 사용하여 일관된 육면체 구조를 유지하는 반면, 육면체 우세 메시는 사면체를 사용하여 행잉 노드 없이 다양한 크기의 육면체 섹션을 연결한다.   그림 2. V2S full hex mesh   Surface to Volume S2V(Surface to Volume)는 결함 허용(fault-tolerant) 메시 처리 방식이며 이를 통해 고품질의 표면 메시와 점성 레이어를 생성할 수 있다. 그리고 이를 구현하기 위해 비교적 깨끗한 형상이 필요하다. 이 방식을 사용하면 형상의 표면에는 비정렬 쿼드 우세(quad-dominant) 메시가 생성되고 공간에는 완전 사면체 또는 육면체 우세 볼륨 메시가 생성된다.   그림 3. S2V hex-core mesh   두 메싱 접근 방식 모두 해석 솔버 종류에 구애받지 않는다. 또한 케이던스 피델리티 플랫폼은 특정 솔버에 맞게 메시를 조정할 수 있는 전용 메시 품질 최적화 기능을 제공한다.   Surface refinements 옵션으로 제공되는 표면 및 로컬 미세화(surface and local refinement) 기능을 사용해 원하는 영역의 메시 해상도를 증가시킬 수 있다. 메시의 균일성(Mesh uniformity), 가장자리 근접성(edge proximity), 로컬 곡률(local curvature)의 세 가지 옵션을 사용해 원하는 표면의 메시를 원하는 해상도로 미세화할 수 있다.   Global Settings 다수의 표면을 가진 복잡한 형상을 작업할 때 각 표면을 세분화하고 표면 가장자리 간의 근접성을 확인하는 것은 지루한 작업일 수 있다. 이러한 경우에는 전역(global) 설정을 사용하여 전체 형상을 한 번에 미세화할 수 있다. <그림 4>에 설명된 선박 상부 구조물의 기하학은 V2S 접근 방식을 사용하여 피델리티 CFD 플랫폼에서 메싱되었다. 전역 매개 변수만 사용하였으며 로컬 미세화 옵션은 적용하지 않았다. 추가적으로 물리적 설계에 중요한 영역에는 표면 메시 미세화를 적용할 수 있다.   그림 4. 페리의 모든 표면을 다듬기 위해 Global Setting이 사용되었다.   ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 챗GPT(ChatGPT)와 같은 자체 생성형 AI 서비스 앱을 직접 개발할 때 사용할 수 있는 라마 2(Llama 2)의 간단한 설치와 사용법을 소개한다. 라마 2는 페이스북에서 개발한 오픈소스 언어 모델이다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 이메일 | laputa99999@gmail.com 페이스북 | www.facebook.com/laputa999 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | http://www.facebook.com/groups/digestpodcast   그림 1. 라마 2 기반의 자동 코딩   설치 방법 라마 2의 설치를 위해서는 미리 아나콘다, 엔비디아 쿠다(NVIDIA CUDA), 텐서플로우, 파이토치가 설치되어 있어야 한다. 설치되지 않았다면 다음의 링크를 참고해 준비한다. Anaconda installation : https://www.anaconda.com/download 텐서플로우 및 케라스 최신 버전 설치 방법(윈도우 10)과 개념 : https://daddynkidsmakers.blogspot.com/2017/05/windows-10-tensorflow.html Ubuntu 20.04, DOCKER, CUDA 11.0 기반 NVIDIA-DOCKER, 텐서플로우, 파이토치 설치 및 사용기 : https://daddynkidsmakers.blogspot.com/2021/07/docker-cuda-110-nvidia-docker.html   이제, 다음과 같이 터미널(명령창)을 실행한 후 명령을 입력한다. conda create -n textgen python=3.10.9 conda activate textgen pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117 git clone https://github.com/oobabooga/text-generation-webui.git cd text-generation-webui pip install -r requirements.txt   그림 2. 패키지 설치 모습   실행 방법 정상적으로 설치되었다면, 다음 명령을 입력한다. python server.py 그리고, http://127.0.0.1:7860/ 웹 페이지를 열어본다. <그림 3>과 같은 화면이 표시될 것이다. 화면의 모델 탭에서 허깅페이스(https://huggingface.co)에 다른 개발자들이 업로드한 학습 모델 파일을 다운로드받는다. 예를 들어, 허깅페이스 모델 URL 중 ‘TheBloke/Llama 2-70B-chat-GPTQ’를 <그림 3>과 같이 모델 경로 입력창에 설정한다.(단, 이 모델은 대용량 GPU 메모리를 사용하므로, 로딩에 실패할 경우 좀 더 경량화된 모델을 이용해 본다.)   그림 3. Llama 2 모델 다운로드 모습   참고로, <그림 4>는 GPU/RAM 사용량을 함께 나타낸 학습 모델 리스트를 보여준다.   그림 4. Llama 소요 메모리 용량(TheBloke/Llama 2-7B-Chat-GGML·Hugging Face)   학습 모델이 제대로 다운로드 후 로딩되면, <그림 5>와 같은 실행 및 파라미터 설정 화면을 확인할 수 있을 것이다.   그림 5. 실행된 모습 및 파라미터 설정 화면   ■ 자세한 기사 내용은 PDF로 제공됩니다.