전문 분야를 넘나들며 상상을 생동감 있게 디자인하기   최근 생성형 AI(generative AI)가 빠르게 발전하면서, 생성형 AI 툴을 배우면 새로운 서비스와 기능이 금방 등장하고 있다. 이에 여러 생성형 AI 툴을 어떻게 공부하고 활용해야 할지 고민이 늘어나고 있는 시점이다. 이러한 시점에 생성형 AI를 활용하여 사람의 상상을 구체화하는 관점을 바꿔보면 어떨까 생각한다. 이는 생성형 AI가 상상을 기록하는 글과 스케치가 생동감 있는 영상으로 이어주고, 전공 분야를 넘나들며 크레이이티브를 구현할 수 있는 가능성을 제시하고 있기 때문이다.    ■ 장순규 계명대학교 미술대학 시각디자인과 조교수로 UX 디자인과 생성형 AI, 그리고 지역 개선을 위한 도시 브랜드 경험 디자인 프로젝트 연구를 수행하고 있다.   기록 방법의 변화와 생성형 AI의 등장 사람은 까마득히 먼 과거부터 생각과 정보를 기록해왔다. 스페인의 알타미라 동굴 벽화와 프랑스의 라스코 동굴 벽화는 기원전 1만 8000년~1만 5000년 경의 벽화다. 이 벽화는 구석기 시대에 100여 마리의 동물을 사냥하는 모습을 세밀한 묘사와 다양한 색으로 생동감 있게 표현한 그림이다. 이에 예술성을 인정받아 유네스코 세계문화유산으로 등재되었다. 이처럼 인간은 과거부터 어떠한 사실, 정보, 생각을 남기기 위한 문화를 가지고 있었다. 이후 기원전 3000년 전 수메르의 쐐기 문자를 비롯한 문화 별 문자가 등장했다. 문자를 통해 인간은 보다 명확하게 정보를 기록하고 남길 수 있게 되었다.   그림 1. 이미지 출처 : 플리커   시간이 흘러 인간은 도구를 발명하며 기록하는 방법을 다양하게 발전시켜 왔다. 종이와 인쇄술, 그림을 그리는 물감, 사실 그대로를 담으며 동적 시각물을 기록까지 하는 카메라. 현대 사회를 살아가는 우리는 더 이상 종이와 연필을 필요로 하지 않고, 무거운 카메라를 들고 촬영하지 않아도 된다. 이는 언제 어디서든 쉽게 활용할 수 있는 컴퓨터와 스마트폰을 통해 쉽게 기록할 수 있기 때문이다. 이처럼 기록하는 방법이 달라지는 것은 기술의 발전과 밀접하다고 할 수 있다. 하지만 이러한 기록 방법도 한계가 있다. 이는 사용자가 글을 작성하며 이미지를 직접 스케치하거나, 사진을 촬영하고, 편집이나 합성하는 수고가 있기 때문이다. 이러한 수고도 이제 변화할 시점에 놓여있다. 이는 생성형 AI의 등장 때문이다.    디자인 업무의 경계가 모호해진다 생성형 AI는 인간의 글로써 요구하는 프롬프트를 기반으로 학습된 데이터에서 새로운 데이터를 창출하는 인공지능 기술이다. 이 기술이 등장하면서, 자신의 상상과 생각을 작성하고 직접 스케치하며 기억하려는 문화는 사람이 기록하면 생성형 AI가 이미지와 영상으로 변환시켜 주는 문화로 이어지게 될 것이다. 이처럼 생성형 AI는 우리의 기록 문화를 새롭게 변화시킬 도구이다. 이에 우리의 문화를 바꿀 도구로서 디자이너의 경험담을 제시하고자 한다.  생성형 AI가 디자인 업무에 큰 영향을 미칠 것이라는 이야기가 많이 오가고 있다. 틈만 나면 새로운 생성형 AI 서비스가 등장하고 있으나, 디자인 업무에서 사람과 기존 디자인 툴을 생성형 AI가 완벽하게 대체하지는 못하는 실정이다. 여러 연구에서 생성형 AI는 기존 디자인 업무와 아이디어화(ideation) 단계에 효율적이라는 결과가 나타나고 있다.  이를 종합하면 콘셉트 디자인 과정에서 생성형 AI가 기존의 업무 방식보다 효율적이라 할 수 있다. 이는 글로 작성하고, 디자인 스케치를 하며, 콘셉트로 가안의 디자인 이미지를 만드는 과정의 시간을 효율적으로 단축할 수 있기 때문이다.  이 과정에서 생성형 AI는 스케치부터 2D, 3D까지 다양한 이미지를 짧은 시간에 생성하며, 이미지를 기반으로 짧은 영상까지 제작할 수 있다. 글과 목업 이미지로 상상을 불러일으키며 소통하는 콘셉트 단계의 방식이, 직접 디자인과 고객의 상황을 영상을 보며 진짜같이 느낄 수 있는 소통 방식으로 변화하게 된 것이다. 이에 더해, 이제 디자인 전문 교육을 받지 않은 사람도 누구나 상상과 창의력을 완성도 높은 디자인 이미지로 구현할 수 있으니, 디자인 업의 경계가 모호해지게 될 것이다. 이 때문에 어느 누구나 자유롭게 상상을 사실처럼 콘셉트를 보여줄 수 있게 되었다. 비전문가도 디자인을 할 수 있고, 전문가도 자신의 전공을 넘어 여러 디자인 분야를 넘나들 수 있는 것이다. 이처럼 분야를 넘나드는 실험이 모호할 수 있다.   생성형 AI 기반의 디자인 실험 사례 몇 가지 프로젝트 사례를 소개하고자 한다. 이 프로젝트는 미드저니, 런웨이, 루마, 클링과 같이 이미지, 영상 생성형 AI를 기반으로 구성한 디자인 실험 이미지이다.    그림 2. 생성형 AI 휴먼 활용의 실험 사례 1 – 환경 디자인 분야 접근     ■ 자세한 기사 내용은 PDF로 제공됩니다.

AI 크리에이터 시대 : 영상 제작의 새로운 패러다임 (1)   이번 호에서는 AI 영상 제작 생태계의 현재 상황을 분석하고, 기술 발전에 따른 미래 변화를 예측하며, 여러 분야에 활용할 수 있는 생성형 AI 영상 제작 기술을 살펴보고자 한다.   ■ 연재순서 제1회 AI 영상 제작 생태계의 현재와 미래 제2회 AI 기반 크리에이티브 워크플로 혁신 제3회 소셜 미디어 최적화 AI 영상 제작 전략 제4회 AI 특수효과 및 후반작업 마스터하기 제5회 AI 기반 몰입형 사운드 디자인   ■ 최석영 AI프로덕션 감성놀이터의 대표이며, 국제고양이AI필름페스티벌 총감독이다. AI 칼럼니스트로도 활동하고 있다.    그림 1. 오픈소스 AI, ComfyUI를 활용한 생성형 비디오 Wan2.1    AI 영상 제작의 패러다임 전환 인공지능 기술의 급속한 발전은 영상 제작 산업에 근본적인 변화를 가져오고 있다. 전통적으로 영상 콘텐츠 제작은 전문적인 기술, 고가의 장비, 그리고 상당한 시간과 인력을 필요로 했다. 그러나 AI 기술의 등장으로 이러한 장벽이 크게 낮아지며, 영상 제작의 민주화가 빠르게 진행되고 있다. 이제는 프리미어보다는 AI 편집 프로그램인 캡컷(CapCut)으로 영상을 편집하고, 애프터이펙트보다 피카 AI(Pika AI)로 고급 이펙트 영상을 제작하는 경우가 늘고 있다.   그림 2. 캡컷 서비스 이미지(capcut.com)   그림 3. 피카 AI 서비스 이미지(pika.ai)   AI 영상 제작 기술의 현재 생성형 AI 비디오 기술   그림 4. 오픈AI 소라의 영상 생성 제작 이미지(sora.com)   최근 급속도로 발전한 생성형 AI 기술은 영상 제작 방식을 혁신적으로 변화시키고 있다. 텍스트 프롬프트만으로 완전히 새로운 비디오를 생성하는 기술이 실현되어 창작의 새로운 패러다임을 형성하고 있다.   그림 5. 비디오 생성 기술이 뛰어난 구글의 비오 2(Veo 2, https:// deepmind.google/technologies/veo/veo-2)   주요 기술 및 모델 텍스트-비디오(Text-to-Video) 생성 : 오픈AI의 소라(Sora), 구글의 루미에르(Lumiere) 등이 텍스트 설명만으로 사실적인 비디오를 생성하는 기술을 선보이고 있다. 소라는 최대 60초 길이의 복잡한 내러티브 장면을 생성할 수 있는 능력을 갖추었으며, 물리적 정확성과 시간적 일관성 측면에서 괄목할 만한 성과를 보여주고 있다. 이미지-비디오(Image-to-Video) 변환 : 런웨이(Runway)의 젠-3(Gen-3) 등은 정적 이미지를 동적 비디오로 확장하는 기술을 제공한다. 이 기술은 단일 이미지에 내재된 정보를 바탕으로 자연스러운 움직임과 시간적 흐름을 생성한다. 비디오 확장 및 편집 : 캡컷 등의 플랫폼은 기존 비디오 클립을 AI로 확장하거나 스타일을 변환하는 서비스를 제공하고 있다. 이러한 도구는 비디오의 해상도 향상, 프레임 보간, 스타일 변환 등 다양한 작업을 자동화한다.    AI 기반 후보정 및 편집 기술   그림 6. AI 기반 DI(Digital Intermediate) 프로그램. 무료 기능도 탁월하다.    AI는 영상의 촬영 이후 단계에서도 혁신을 가져오고 있다. 이는 편집의 효율을 높이고 전문가 수준의 결과물을 더 쉽게 얻을 수 있게 한다.   주요 기술 자동 색 보정 및 그레이딩 : 블랙매직 디자인(Blackmagic Design)의 다빈치 리졸브 18(DaVinci Resolve 18) 등에 탑재된 AI 기능은 영상의 색감과 톤을 자동으로 최적화한다. 객체 인식 및 자동 트래킹 : AI 기반 시스템은 비디오 내 객체를 식별하고 추적하여 효과 적용이나 편집 작업을 자동화한다. 오디오 처리 및 개선 : 배경 소음 제거, 음성 명확화, 자동 믹싱 등 AI 기반 오디오 처리 기술이 비디오 제작의 음향 품질을 크게 향상시키고 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업 디지털 전환을 가속화하는 버추얼 트윈 (1)   소셜 미디어의 부상으로 인해 다양한 마케팅 콘텐츠에 대한 수요가 급격히 증가하면서, 제품을 표현하는 방식도 기하급수적으로 늘어나고 있다. 기존의 CGI(Computer Generated Imagery) 방식은 새로운 비주얼 모델을 처음부터 제작해야 하므로 이러한 속도를 따라가기 어렵다. 또한, 제품을 직접 제작하고 촬영하는 방식은 많은 시간과 비용이 소요된다. 이에 따라 기업들은 제작 효율을 극대화하고, 보다 신속하고 확장 가능하며 비용 효율적인 콘텐츠 생산을 위해 혁신적인 기술을 모색하고 있다. 이번 호에서는 3D익사이트(3DEXCITE) Tech-stack이 이러한 요구 사항을 충족하기 위해 어떻게 설계 모델을 직접 콘텐츠로 변환하고 생성형 AI(Gen-AI) 기반 시각화(비주얼라이제이션)를 활용하는지 알아보겠다.   ■ 조희원 다쏘시스템의 테크니컬 컨설턴트로, 3년째 3DEXCITE 브랜드 기술 부문을 담당하고 있다. 홈페이지 | www.3ds.com/ko   ■ 남솔아 다쏘시스템의 3DEXCITE 브랜드 세일즈 익스퍼트 스페셜리스트로, 5년째 클라우드 및 제조소프트웨어 IT 영업 & 사업개발 부문에 종사하고 있다. 홈페이지 | www.3ds.com/ko   그림 1   3D익사이트와 버추얼 트윈 3D익사이트는 설계자가 설계한 제품 CAD 모델을 그대로 이용하여 콘텐츠를 위한 버추얼 트윈을 생성한다. 효율적인 데이터 변환 프로세스를 통해 카티아(CATIA)와 같은 설계 프로그램에서 생성된 엔지니어링 데이터를 상용 데이터로 변환시키므로, 버추얼 트윈은 제품을 100% 정확하게 표현할 수 있다. 이 프로세스는 하이엔드 시각적 해상도를 유지하면서 지적 재산을 보호할 수 있도록 설계 데이터를 변경하는 역할을 한다.   3D익사이트의 데이터 변환 과정 엔지니어링 제품 데이터 통합 • 다양한 CAD 데이터를 수집 및 통합 • 카티아, 에노비아(ENOVIA), 시뮬리아(SIMULIA) 데이터 활용 머티리얼(Material) 라이브러리 준비(그림 2) • 표준화된 머티리얼 라이브러리 구축   그림 2   데이터 준비 작업 생성(그림 3) 의미적 데이터 식별 및 테셀레이션 수행   그림 3    데이터 준비 작업 처리(그림 4) 제품 데이터 오픈 및 매개변수 구성   그림 4   제품 정확성 강화(그림 5) 실제 제품 특성을 반영하여 머티리얼 할당 및 매핑   그림 5   모델 성능 평가(그림 6) FPS, 메모리 사용량, 폴리곤 수 분석   그림 6    제품 정확성 검토(그림 7)  가상 리뷰 환경에서 최종 검토 수행   그림 7    최종 제품 내보내기 3DXML 및 STEP 형식으로 최적화된 데이터 제공 Commercial Twin 제작 완료(그림 8) AR, VR, 실시간 플랫폼을 위한 몰입형 경험 제공   그림 8     ■ 자세한 기사 내용은 PDF로 제공됩니다.

시점 – 사물이나 현상을 바라보는 눈 (4)   지난 호에서는 ‘관찰의 시점과 관점’이라는 주제로 사물을 바라볼 때 바라보는 위치, 방향, 각도에 따라서 우리 눈에 비치는 사물의 모습이 어떻게 달라지는지를 시점(視點)과 시각(視角)의 차이로 설명해 보았다. 보이는 것 자체는 아무런 의미나 의도가 없지만 보는 이의 관점(觀點)의 차이에서 다양한 해석이 나타날 뿐임을 이야기하였다. 이번 호에서는 ‘정적 이미지와 동적 이미지’의 차이를 살펴볼 예정이다. 정적 이미지와 동적 이미지에서 이미지 센서의 입장에서 바라본 ‘관찰의 시점과 관점’에 관한 몇 가지 사례를 들어가며 구체적으로 생각해 보도록 한다.   ■ 연재순서 제1회 호기심 제2회 암중모색 제3회 관찰의 시점과 관점 제4회 정적 이미지와 동적 이미지 제5회 변화와 흐름의 관찰 제6회 개별 관찰 제7회 집단 관찰 제8회 확률과 통계 제9회 작용, 반작용, 상호작용 제10회 무엇을 볼 것인가? 제11회 무엇을 믿을 것인가? 제12회 가설, 모델, 이론의 설득력의 시대성   ■ 유우식 웨이퍼마스터스의 사장 겸 CTO이다. 동국대학교 전자공학과, 일본교토대학 대학원과 미국 브라운대학교를 거쳐 미국 내 다수의 반도체 재료 및 생산 설비 분야 기업에서 반도체를 포함한 전자재료, 공정, 물성, 소재 분석, 이미지 해석 및 프로그램 개발과 관련한 연구를 진행하고 있다. 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 상임연구위원, 문화유산회복재단 학술위원, 국제문화재전략센터 전문위원이다. 홈페이지 | www.wafermasters.com   정적 이미지와 동적 이미지 시간이 지나더라도 변화하지 않는다면 정물이다. 시간의 흐름에 따라서 모양이 변화하는 것은 정물이 아니다. 촬영된 이미지는 모두 촬영된 순간의 촬영 조건에서 기록된 정적 이미지이다. 시간에 따라서 변화하는 어떤 사물의 이미지를 촬영하면 언제 어떤 모습을 하고 있을 때 촬영했는지가 중요하다. 빠르게 변화하는 사물을 변화에 비해서 느린 속도로 촬영하게 되면 변화 전과 변화 후의 모습이 중첩되어 보인다. 사물이 변화하더라도 그 변화 속도가 촬영 시간 내에서 거의 변화가 없다면 정물처럼 촬영될 것이다. 촬영 대상의 성질을 고려해서 촬영 조건을 선택해야 한다. 여기에서 말하는 변화는 사물 자체의 변화에 한정되지 않는다. 사물과 촬영 기기의 상대적인 위치, 각도, 조명 조건, 촬영 조건의 변화를 포함한다.   그림 1. 고드름이 생기는 속도는 늦고 녹는 속도는 빠르게 느껴진다.   변화의 속도가 느린 것 지난 겨울은 유난히 눈도 많이 내렸고 강추위도 여러 번 찾아왔다. 눈 내린 지붕에서 햇볕으로 녹은 눈이 물방울이 되어 처마로 떨어지며 차가운 공기로 얼음이 되어 고드름이 형성된다. 고드름 또한 기온이 올라가면 조금씩 녹으면서 고드름 끝에서 물방울이 떨어진다.(그림 1) 고드름의 형성과 소멸 과정은 비교적 천천히 진행된다. 물론 기온이 많이 올라가면 눈이 녹더라도 고드름은 형성되지 않는다. 이미 고드름이 만들어진 경우에도 기온이 올라가면 고드름이 녹는 속도도 빨라져, 고드름 끝에서 떨어지는 물방울의 숫자도 속도도 늘어난다. 그 결과 눈과 고드름은 사라진다. 물이 고체–액체–기체로 변화하면서 물의 순환이 이루어지는 것이다. 고드름은 겨울철에나 볼 수 있는 현상이지만 불과 몇 달 만에 반복되는 과정이다. 이것에 비해서 석회암 동굴에서 볼 수 있는 종유석, 석순, 석주는 석회암이 지하수에 녹아 조금씩 동굴에 스며들어 동굴 천장에서 떨어지면서 생겨나는 매우 속도가 느린 반응이다. 종유석은 동굴의 천장부터 아래 방향으로 자라는 것이고, 석순은 위에서 떨어지는 물방울에 포함된 석회 성분이 석출되어 동굴 바닥에서 위로 자라는 것이다. 종유석과 석순은 서로 마주 보고 자란다. 종유석과 석순이 서로 닿게 되면 석주가 만들어진다.(그림 2)   그림 2. 석회암 동굴에서 오랜 시간에 걸쳐 생성되는 종유석, 석순, 석주   종유석, 석순, 석주는 지하수에 녹아있던 석회 성분이 고체 상태로 석출되면서 수백 년, 수천 년 이상의 오랜 기간에 걸쳐 형성되는 것이다. 이렇게 서서히 일어나는 변화라면 거의 정적 이미지라고 보아도 무방하다. 오늘 촬영하거나 내일 촬영하거나 그 모양이 크게 변화하지 않기 때문이다. 다만 고드름 끝에 달린 물방울처럼 종유석 끝에 달린 석회 성분을 포함한 당장이라도 떨어질 듯한 지하수 방울을 촬영하는 경우라면 다른 이야기가 될 수도 있다.   변화의 속도가 빠른 것 이번에는 변화의 속도가 고드름이나 종유석보다 조금 빠른 것을 살펴보자. 잔잔한 수면에 작은 물방울이 떨어지는 경우를 관찰해보자. 물방울이 떨어지는 속도는 눈 깜짝할 사이에 일어나는 일이어서, 어떤 현상이 생기는지 육안으로는 자세하게 관찰할 수 없다. 고속으로 사진을 촬영할 수 있는 장비의 힘을 빌어야 비로소 어떤 현상이 일어났는지를 알 수 있다. 작은 물방울이 잔잔한 수면에 떨어진 후에 나타나는 물방울과 수면의 변화를 시계열로 정리하면 <그림 3>과 같다.    그림 3. 고속 촬영으로 포착한 ‘물방울과 수면의 힘겨루기’     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BPMN을 활용하여 제품 개발의 소통과 협업 극대화하기 (2)   지난 호에서 비즈니스 프로세스 모델링(Business Process Modeling)이 필요한 이유에 대해 살펴보았다. 이는 최근의 제품 개발이 복잡한 절차와 다양한 참여자, 그리고 광범위한 자원의 투입으로 시장의 변화에 빠르고 능동적으로 대응해야 하는 상황이기 때문이다. 이는 결국 주요 참여자들이 정보를 빠르게 추적하고 효율적인 의사결정을 수행하는 환경을 요구하고 있는데, 그동안 익숙하고 편하게 사용해온 오피스(문서) 기반, 특히 엑셀을 활용한 WBS 관리 및 간트(Gantt) 차트 작성으로는 이러한 대응에 한계가 있다는 점을 정리해 보았다. 이번 호부터는 BPMN(Business Process Modeling Notation)에 대해 알아보고, 어떠한 특징과 장점이 있는지 파악해 보고자 한다. 이를 통해 우리에게 요구되는 최근의 제품 개발 환경에 어떻게 적용해 나갈 수 있는지 차근차근 파악해 보도록 하자.   ■ 연재순서 제1회 비즈니스 프로세스 모델링이 필요한 이유 제2회 BPMN은 무엇일까? 제3회 비즈니스 프로세스 모델링을 배워보자 제4회 간단한 제품 개발 프로세스를 디자인해보기 제5회 클라우드 서버 환경에서 BPMN을 연결하는 설루션 탐구   ■ 윤경렬 현대자동차 연구개발본부 책임연구원   ■ 가브리엘 데그라시 이탈리아 Esteco사의 프로젝트 매니저   BPMN은 비영리 컴퓨터 산업 표준을 연구하고 제정하는 OMG(Obejct Management Group)에서 개발하여 오픈소스로 배포하는 개방형 정보 표준 체계이다. BPMN 1.0은 2006년에 릴리스되었으며 지속적인 업그레이드를 통해 2011년에는 BPMN 2.0이 발표되었다. 현재 활용되고 있는 중요한 기능들의 모습이 이때부터 갖추어지게 되었는데, ISO(International Standard Organization) 및 IEC(International Electotechnical Commisson)는 BPMN 2.0을 2013년 ISO/IEC 19510:2013로 명시하여 국제 표준으로 지정하게 되었다. 이제부터는 BPMN이 무엇인지 하나씩 살펴보도록 하자.    BPMN의 구성 요소   그림 1. BPMN의 기본 구성 요소 1   그림 2. BPMN의 기본 구성 요소 2   우선 BPMN의 구성 요소를 살펴보면 participants(참여자 또는 행위대상의 구별), sub-process(하부 프로세스), task(수행업무), gateways(논리적 선택), data(데이터 객체 및 스토리지), events(이벤트) 등 종류도 많고 다양한데 활용하는 방법 또한 무궁무진하다.  우리는 BPMN의 구성 요소를 하나하나 상세하게 분석하는 것이 목표가 아니므로, BPMN의 간단한 작성 예제를 통해 주요 기능과 특징을 개괄적으로 파악해 보고자 한다.   엔지니어링 프로세스의 BPMN 모델링 간단한 엔지니어링 프로세스(요구사항 – CAD 입수 – 해석 모델링 – 베이스 해석 – 민감도 해석 – 최적화 해석)에 대한 BPMN 모델링을 <그림 3~4>와 같이 구성하였다.    그림 3. 엔지니어링 프로세스의 모델링 1   그림 4. 엔지니어링 프로세스의 모델링 2   이 프로세스는 사용자가 요구사항 태스크(enter requirement)를 처리한 이후 도면 준비 태스크(prepare CAD design)를 수행하고, 해석 모델링 태스크(prepare FEA design)와 비용 계산 모델 태스크(prepare cost model)를 병행 게이트웨이(parallel gateway)로 처리한다. 다음에는 베이스 해석 태스크(run baseline design)를 수행하게 되는데, 이는 시스템 또는 자동화가 수행할 수 있는 서비스 태스크로 정의할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

제품 개발 혁신을 가속화하는 크레오 파라메트릭 11.0 (11)   크레오 파이핑 및 케이블링 익스텐션(Creo Piping and Cabling Extension : PCX)은 다양한 종류의 산업과 유형의 파이핑 및 케이블링을 지원하여 전체 설계 프로세스를 간소화하고 가속화하는 크레오의 모듈이다. 이번 호에서는 지난 호에 이어 크레오 파이핑에 대해 알아보자.   ■ 김주현 디지테크 기술지원팀의 차장으로 크레오 전 제품의 기술지원 및 교육을 담당하고 있다. 홈페이지 | www.digiteki.com   크레오 파이핑은 라이브러리를 이용하는 사양 설계(Spec_driven)와 비 사양 설계(Non_Spec_driven)로 나눌 수 있다. 이번 호에서는 라이브러리를 이용한 사양 설계로 파이핑을 생성해보자. 사양 제어 파이핑 모듈에서는 파이핑 라이브러리를 기반으로 복잡한 파이핑 시스템을 설계를 할 수 있다. 이 파이핑 시스템을 설계하려면 먼저 사양 제어 파이핑을 설정해야 한다. 파이핑 설계에는 라이브러리 데이터베이스가 있으며, 이를 기반으로 필요 시 회사 별 사항에 맞게 추가할 수 있다. 그러면 지금부터 예제를 통해 파이핑에 대해 알아보자. 어셈블리 파일을 열어 파이핑을 연결하고자 하는 시작과 끝을 각각 확인한다. 예제에서는 그림과 같이 ‘PORT0’에서 ‘RETURN’으로 파이핑을 생성한다.     가장 먼저 메뉴의 ‘응용 프로그램’에서 ‘파이핑’을 선택한다.     파이핑 메뉴에서 ‘사양 제어’를 선택한 후 ‘파이프 생성’을 클릭한다.     ‘파이프라인 만들기’ 창에서 크기와 번호, 이름을 입력한다. 인슐레이션이 필요하다면 미리 선택한다.     ‘확인’을 누르면 방금 만든 어셈블리가 생성되며 활성화되는 것을 볼 수 있다. 먼저 시작 부분에 피팅을 삽입한 후 파이프라인을 만들어보자. 메뉴에서 파이핑 → 피팅 삽입을 클릭한다.     그림과 같이 여러 종류의 피팅을 제공하며, 필요한 피팅을 선택한다.     피팅 유형은 플랜지로 선택하고, 시작 좌표계를 그림과 같이 선택한다.     모두 설정한 후 ‘확인’ 버튼을 클릭하면 그림과 같이 플랜지가 생성된다.       ■ 자세한 기사 내용은 PDF로 제공됩니다.

제품 개발 프로세스의 변화를 이끄는 MBD   MBD(모델 기반 개발)는 자동차 업계에서 화제가 되고 있는 가상 시뮬레이션이다. 기존의 방식보다 비용 절감과 개발 공정의 단축을 실현할 수 있다. MBD는 자동차 업계를 중심으로 제조 현장에서 주목을 받고 있는 개발 방법이다. 이번 호에서는 MBD의 정의, MBD의 중요성 및 CAE와의 차이, MBD의 장점과 단점을 설명한다.    ■ 오재응 LG전자 기술고문, 한양대학교 명예교수   MBD는 ‘모델 기반 개발’ MBD(Model Based Development)는 컴퓨터에 현실과 동일한 모델을 만들고 개발 및 검증하는 방법이다. 가상 시뮬레이션에 의해 개발의 효율화를 실현할 수 있다. 종래의 개발이나 검증에서는 종이의 사양서를 확인하면서 설계하고 완성 후에 사양서를 보면서 검증하는 사이클이었지만, MBD는 매트랩(MATLAB), 시뮬링크(Simulink) 등의 소프트웨어를 사용해 컴퓨터 상에 ‘움직이는 사양서’라고 불리는 모델을 만들고 개발과 검증을 동시에 진행한다. 매트랩과 시뮬링크의 차이점은 다음과 같다. 매트랩 : 수치 계산이나 데이터 해석 등에 적합 시뮬링크 : 시뮬레이션이나 테스트 환경 구축 등에 적합 MBD에서 제어 장치 및 제어 대상을 모델화하여 그 모델에 기반한 개발을 수행하는 기법으로, 매트랩/시뮬링크를 이용한 모델을 작성하고 검증하는 프로세스를 <그림 1>에 나타낸다.   그림 1. 매트랩/시뮬링크를 이용해 모델을 작성하고 검증하는 프로세스   따라서 지금까지의 개발 방법과 달리 제품을 만들지 않고 검증할 수 있게 되므로, 테스트나 분석을 여러 번 반복하여 품질 향상으로 연결된다. 또한 검증에 소요되는 비용과 비용을 줄일 수 있다는 것도 큰 장점이다.(그림 2)   그림 2. 모델 기반 개발 프로세스   MBD는 주로 자동차 업계 등에서 중요시되고 있는 개발 방법 실제로 자동차를 만들어 검증을 반복하면 막대한 비용이 들기 때문에, MBD로 업무를 진행하고 있는 케이스는 적지 않다. 또한 자동차 업계뿐만 아니라 항공 업계와 우주 산업, 의료 기기, 산업용 로봇 등에서도 도입되고 있다. 요즘에는 자율 운전이나 환경에 대한 배려 등 니즈의 변화나 다양화가 진행되고, 자동차의 제조도 복잡해지고 있다. 경쟁사보다 뒤떨어지지 않도록 개발 사이클을 가속화하는 것도 드물지 않다. 배기가스 규제 등을 클리어할 필요도 있다. 이러한 배경으로 비용 절감과 개발 프로세스의 단축화를 실현할 수 있는 MBD는 주목을 받고 있다. 한편, MBD가 맞지 않는 분야도 있다. 예를 들어, 스마트폰의 앱이나 오피스 워크에서 이용하는 소프트웨어 등 제어를 수반하지 않는 소프트웨어 개발에는 적합하지 않다. MBD는 실제 기계의 품질 향상과 시스템 안전을 위해 효과적이지만, 이러한 소프트웨어는 실제 기계가 필요하지 않기 때문이다.   CAE와의 차이 MBD는 컴퓨터에서 검증을 수행하는 CAE(Computer Aided Engineering)와 유사한 기술이지만, 각각의 사용 목적이 다르다. CAE의 경우 온도나 진동 등에 변화를 더해 시뮬레이션하는 방법이지만, MBD는 모델을 활용해 제품의 타당성을 검증한다. 엄밀히 말하면 개발 시점에서 CAE를 적용하고 품질 향상과 개발 기간을 단축하는 것이 MBD이다. CAE는 시뮬레이션하고 설계에 피드백하기 때문에 설계의 업스트림에 위치하지 않는다.   MBD에는 다양한 이점이 있음 MBD의 주요한 이점은 개발 단계에서 시뮬레이션을 할 수 있고 개발 기간을 줄일 수 있다는 것이다. 여기에서는 MBD의 장점을 자세히 살펴본다.   즉시 시뮬레이션 가능 MBD의 장점은 기존 개발 프로세스보다 조기에 시뮬레이션을 할 수 있다는 것이다. MBD는 종이의 사양서가 아니고, 움직이는 사양서가 되는 모델을 만들어 개발도 검증도 곧바로 행할 수 있다. 모델을 작성함으로써 기존의 방식으로 필요했던 시뮬레이션에 걸리는 공수가 줄어들어 횟수를 늘려 품질 향상으로 이어질 것이다. 또한, 시뮬레이션에 관여하는 인건비를 줄일 수 있는 메리트도 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

최적화 문제를 통찰하기 위한 심센터 히즈 (2)   연재를 통해 제품 설계 과정에서 발생하는 다양한 문제에 대해서 최적화 방법론을 적용하고 올바른 결과를 도출하는 과정에서 심센터 히즈(Simcenter HEEDS)를 활용하는 방법에 대해 살펴보고자 한다. 이번 호에서는 최적화 기법 중에서 근사모델 기반 최적화와 직접 검색 기반 최적화에 대해 짚어보고, 심센터 히즈를 사용하여 근사 및 직접 최적화를 진행하는 과정을 소개한다.   ■ 연재순서 제1회 AI 학습 데이터 생성을 위한 어댑티브 샘플링과 SHERPA의 활용 제2회 근사모델 기반의 최적화 vs. 직접 검색 기반의 최적화 제3회 수집 또는 측정된 외부 데이터의 시각화 및 데이터 분석 제4회 산포특성을 가지는 매개변수의 상관성 및 신뢰성 분석 제5회 실험 측정과 해석 결과 간의 오차 감소를 위한 캘리브레이션 분석 제6회 프로세스 자동화 Ⅰ – 구조 설계 최적화 및 사례 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 및 사례 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 및 사례 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 및 사례 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화 및 사례   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 히즈를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR   최적화 기법의 중요성 최적화는 다양한 산업 분야에서 설계의 성능을 개선하고 자원을 효율적으로 활용하는 데 있어 필수 과정이다. 특히, 복잡한 공학 문제나 다목적 설계에서 최적화는 품질 향상과 비용 절감을 동시에 달성하는 핵심 도구로 활용된다. 현대 산업에서는 제품 개발 주기의 단축과 고성능 요구가 증가함에 따라, 신뢰성 있는 최적화 기법의 선택이 더욱 중요해지고 있다. 근사모델 기반 최적화와 직접 검색 기반 최적화는 이러한 요구를 충족하기 위해 자주 사용되며, 각 접근법은 문제의 특성과 목표에 따라 상이한 성능을 보인다.   근사모델 기반 최적화와 직접 검색 기반 최적화의 개요 근사모델 기반 최적화는 복잡한 시뮬레이션이나 계산 비용이 큰 문제에서 실험 데이터를 바탕으로 근사함수를 생성한 후, 해당 함수를 활용해 최적해를 탐색하는 방법이다. 근사함수를 생성하기 위해서는 주로 반응표면법(RSM), 머신러닝 모델 등이 사용되며, 계산 자원을 절감하고 빠른 최적해 도출이 가능하다는 장점이 있다. 반면, 모델 정확도에 따라 해의 품질이 좌우되고, 고차원 문제에서 모델링이 어려울 수 있다. 직접 검색 기반 최적화는 목적 함수의 수학적 형태를 몰라도 입력과 출력 간 관계를 직접 탐색하며 최적해를 구하는 방법이다. 비선형성이나 불연속성이 있는 문제에도 적용할 수 있는 장점이 있지만, 계산 비용이 크고 수렴 속도가 느릴 수 있어서 고비용 시뮬레이션 환경에서는 활용에 한계가 있을 수 있다.   최적화를 위한 예제 지난 호에서 사용한 외팔보의 처짐 문제를 사용하겠다. 외팔보의 체적을 최소화하는 최적화 문제를 다음과 같이 정의하였다. 빠른 계산을 위해 파이썬(Python)으로 계산한다.   그림 1   목적함수 외팔보 H빔의 체적을 최소화 제약 조건 최대 굽힘 응력(σ) ≤ 200 Mpa 최대 끝단 처짐(δ) ≤ 2 mm 설계 변수 Length : 5,000 mm Load P : 6,500 N E : 200 Mpa H : 50 mm ≤ H ≤ 100 mm h1 : 5 mm ≤ h1 ≤ 30 mm b1 : 50 mm ≤ b1 ≤ 100 mm b2 : 5 mm ≤ b2 ≤ 50 mm 외팔보의 체적, 응력, 처짐량은 다음의 관계식으로 계산한다. Volume = [2*h1*b1 + (H – 2*h1)*b2]*L Stress = P*L*H/(2*I) Deflection = P*L3/(3*E*I) where : I = 1/12*b2*(H-2*h1)^3 + 2*[1/12*b1*h13 + b1*h1*(H-h1) 2/4]   히즈 기본 설정 파이썬 포털(Python portal)을 사용하여 예제의 Input/Output file을 등록하였다.    그림 3     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   다양한 산업에서 제품 설계 및 안정성 평가를 위한 실험에 많은 비용과 노력이 소요됨에 따라, 가상의 공간에서 사용자가 원하는 실험 환경을 구성하여 결과를 도출하는 방식이 증가하고 있다. 또한, 해석을 많이 활용하지 않던 산업군에서도 시뮬레이션을 도입하는 단계에 있다. 그 중 바이오 산업에서는 환자의 CT 정보를 기반으로 한 혈류 해석과 임플란트 해석에 대한 수요가 증가하고 있다. 해석 결과를 바탕으로 안정성과 구조적 성능을 평가하고, 이를 임상 결과 데이터로 보완하는 과정이 이루어지고 있다. 이번 호에서는 3D 슬라이서(3D Slicer)와 앤시스 플루언트(Ansys Fluent)를 활용하여 혈관 모델링부터 혈류 해석까지의 워크플로를 소개하고자 한다.   ■ 김지원 태성에스엔이 FBU-F1팀의 매니저로, 열 유동 해석 기술 지원 및 교육, 용역 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   현재 대부분의 기업이 시뮬레이션을 적극 적용하고 있으며, 특히 바이오 산업에서는 환자의 CT 정보를 기반으로 한 혈류 분석에 대한 수요가 증가하고 있다. 이러한 분석은 혈관 협착증 및 인조혈관의 안정성과 구조적 성능을 평가하는 새로운 방법으로 중요한 역할을 한다. CT와 MRI 기술의 발달로 체내 모습을 3D 영상으로 시각화할 수 있게 되면서, 유체역학과 의학 간 융합 연구의 발전이 기대되고 있다. 특히 혈관 질환의 발생 원인을 규명하기 위해 혈류 해석을 기반으로 혈류 역학적 특성을 분석하는 추세다. 또한, 비침습적 방법을 활용하여 환자의 혈관을 진단하고 평가하는 기술이 주목받고 있다. 이번 호에서는 혈류 해석을 수행하기 위해 주요 혈관 모델링 툴을 활용한 혈관 추출 방법, 혈액의 물성치 설정, 그리고 경계 조건 설정 과정에 대해 다루고자 한다.   전처리(Pre-Processing) 대동맥 혈관의 3차원 영상 및 모델링 앤시스의 모델링 툴에는 환자의 3D CT 영상을 STL 파일로 직접 추출하는 기능이 존재하지 않는다. 따라서 이번 호에서는 상용 프로그램인 3D 슬라이서를 사용한다. 3D 슬라이서는 의료 이미징 데이터를 시각화하고 분석하는 오픈소스 소프트웨어 플랫폼으로 영상 분석, 3D 모델링, 디자인 등을 통해 종합적인 의료 영상 처리를 수행하는 전문 소프트웨어다. 이를 통해 DICOM 파일을 기반으로 3D 형상을 추출할 수 있다.    그림 1. 3D 슬라이서에서 혈관 추출   <그림 1>은 3D 슬라이서를 이용하여 혈관을 추출한 과정이다. CT 촬영 시 혈관 조직을 명확하게 구분하기 위해 조영제를 주입하면, HU(Hounsfield Units) 수치로 표현되어 특정 HU 값 범위에서 혈관을 쉽게 추출할 수 있도록 구성된다. 또한, 유동 해석을 위해 격자를 생성하는 과정에서 모델링 단계에서 패싯(facet)을 스무딩(smoothing)하는 옵션을 적용하여 형상을 정리한다. 혈관 모델링이 완료된 후, DICOM 파일을 STL 파일로 변환한다.    대동맥 혈관의 3차원 영상 및 모델링 앤시스 스페이스클레임(Ansys SpaceClaim)에서 변환한 STL 파일을 가져오면 패싯을 확인할 수 있으며, 이를 볼륨(volume) 형태로 변환하는 과정을 진행한다. 볼륨 형태로 변환하기 위해 모델을 확인하면, <그림 2>와 같이 돌출되거나 뚫린 패싯 등 변환이 어려운 영역이 존재한다.   그림 2. Faulty facet areas   그림 3. Converting from facet to volume   솔브(Solve) 혈액 물성치 이번 호에서는 혈류 해석을 수행하기 위해 플루언트를 사용하며, 혈액의 거동을 수치적으로 해석하기 위해 혈액의 밀도와 점성 계수를 입력한다. 혈액은 전단 응력에 따라 점도가 변하는 비뉴턴 유체이며, 이러한 특성을 반영하기 위해 Carreau 모델을 적용한다. Carreau 모델은 비뉴턴 유체의 점성 거동을 정의하는 구성 방정식이며, 이는 <그림 4>의 수식과 같이 계산된다.   그림 4. Carreau 모델 수식     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (20)   터보 기계 설계 및 해석 분야에서 실제 적용 사례는 CFD 모델의 효율성과 적응성을 입증하는 증거이다. 이러한 애플리케이션은 고급 시뮬레이션 도구가 복잡한 엔지니어링 문제를 해결하는 데 얼마나 중요한 역할을 하는지 보여준다. 이러한 실제 시나리오를 살펴봄으로써 CFD 기술이 산업 발전에 미치는 직접적인 영향에 대한 귀중한 인사이트를 얻을 수 있다.    ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   그림 1. 터보차저 컴프레서가 장착된 토요타 GT86 CS-R3 랠리카(왼쪽 상단)   토요타 모터스포츠의 터보차저 컴프레서 최적화 독일 쾰른에 위치한 고성능 엔진 및 섀시 설계 전문 기업으로 유명한 토요타 모터스포츠는 케이던스(Cadence)의 피델리티(Fidelity) 소프트웨어를 사용하여 터보차저 컴프레서의 효율성을 개선하는 야심찬 프로젝트를 수행했다.(그림 1) 이 작업은 터보차저 부품의 설계가 이미 고도화되어 있었기 때문에 쉽지 않은 과제였다. 실제 프로토타입을 제작하는 기존 방식은 소요 시간이 길어 부적절했기 때문에, 팀은 보다 혁신적인 접근 방식인 수치 최적화를 선택했다. 문제는 이미 재료의 구조적 한계에 근접해 작동하는 컴프레서 임펠러를 최적화해야 한다는 것이었다. 이를 위해서는 다분야 최적화 프로세스를 위해 CFD와 전산 구조 역학(CSM)을 통합하는 미묘한 접근 방식이 필요했다. 이 팀은 폰 미제스 응력을 안전 한도 내에서 유지하면서 등방성 효율, 총 압력 비율 및 작동 범위를 개선하기 시작했다. 토요타 모터스포츠는 임펠러의 다양한 측면을 정의하는 154개의 파라미터를 포함하는 최적화 프로젝트에 착수하여 케이던스의 피델리티 소프트웨어를 활용했다. 기본 설계에서 특정 파라미터를 유지하는 데 신중을 기하여 궁극적으로 33개의 주요 설계 변수에 집중했다. 여러 설계 반복에 걸쳐 메시 품질과 일관성을 보장하기 위해 피델리티 오토메시(Fidelity Automesh)를 사용하여 강력한 메시 전략을 구현했다. 이 최적화를 통해 <그림 2>에 자세히 설명된 대로 성능이 크게 향상되었다. 생성된 디자인 중 두 가지 디자인이 모든 공기역학적 및 구조적 목표를 충족하는 것으로 나타났다. 설계 D1은 압력비가 8.0% 증가하고 효율이 1.4% 증가했으며 스톨 마진이 확장되었다. 이러한 개선은 구조적 무결성을 보장하고 초크 질량 유량 요건을 유지하면서 달성되었다.   그림 2. 원래 지오메트리와 선택된 디자인(D1 및 D2)의 비교. 설계 D1은 압력 비율이 8.0% 증가하고 효율이 1.4% 증가했으며 스톨 마진이 확장되었다.   이 사례 연구는 터보차저 압축기 효율의 한계를 뛰어넘는 데 있어 다분야 CFD-CSM 최적화가 얼마나 효과적인지 보여준다. 토요타 모터스포츠의 접근 방식은 첨단 기술 개발에서 수치 최적화의 이점을 강조하여, 기존 방법으로는 실현 불가능한 설계 대안을 신속하게 탐색하고 평가할 수 있게 해준다. 이 프로젝트의 성공은 까다로운 모터스포츠 및 자동차 엔지니어링 영역에서 터보 기계 설계를 개선할 수 있는 통합 계산 방법의 잠재력을 반영한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.