AI 크리에이터 시대 : 영상 제작의 새로운 패러다임 (5)   생성형 AI를 활용한 음악 작곡 분야는 2022년부터 2025년에 걸쳐 급속한 발전을 보이고 있다. 특히 몰입형 사운드 기술과의 결합을 통해 새로운 패러다임을 제시하고 있다. 이번 호에는 연재의 마지막 회로 AI 음악 작곡의 핵심 기술과 서비스 소개, AI 음악 마스터링 등을 소개하면서 실감 미디어 분야의 공간적, 감각적 음향 경험을 만드는 생성형 AI를 활용한 몰입형 사운드를 조명한다.   ■ 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. 생성형 AI를 활용한 대표적인 작곡 서비스 스노(Suno, https://suno.com)   AI 음악 작곡의 핵심 기술 발전 현재 AI 음악 작곡의 주요 기술로는 트랜스포머 기반의 언어 모델을 음악에 적용한 뮤직LM(MusicLM), 뮤즈넷(MuseNET), 그리고 최근 등장한 스노(Suno)와 같은 플랫폼이 있다. 이들은 기존의 MIDI 기반 작곡을 넘어서 보컬의 목소리 톤, 음성, 성별 등을 조절할 수 있고, 간단하게 프롬프트 또는 음악 스타일을 텍스트로 적용하면 원하는 스타일의 음악을 작곡할 수 있다. 기존의 영화 제작과 쇼츠 작업에서는 작곡가와 함께 음악을 작업했으나, 지금은 AI와 협업하여 작업하고 있는 것이 현실화되었다. 공간을 연구하는 실감 미디어 분야와 XR(확장현실)에서는 몰입형 음향이 요구되며, 실제 게임과 미디어 아트 전시에서 많이 활용된다.   그림 2. 생성형 AI를 활용한 유튜브 힐링 음악 제작(https://youtu.be/lvLpGuhGgR4)   스노는 2022년에 설립했으며, 4명의 공동 창립자 마이클 슐만(Michael Shulman), 게오르그 쿠스코(Georg Kucsko), 마틴 카마초(Martin Camacho), 키넌 프레이버그(Keenan Freyberg)에 의해 시작되었다. 창립자들은 AI 오디오 분야가 미개척지이며 성장 가능성이 있다고 생각하여 뛰어들었다. 이후 마이크로소프트와의 파트너십을 통해 널리 알려지고 사용되었다. 영상과 쇼츠에 필요한 음악을 직접 만들 수 있다는 장점과 함께 2025년 7월 프로 버전에 편집 기능이 추가되어, 마치 영상 편집 프로그램처럼 특정한 부분을 편집 수정할 수 있게 됐다. 생성형 AI의 비디오 서비스만큼 AI 음악 사업도 업데이트가 자주 일어나며, 새로운 스타트업과 특화된 서비스가 나타나고 있다.   그림 3. 스노에 음악 편집 기능이 추가되었다.   간단하게 작곡을 AI로 만들고 싶다면 스노에서 10곡이 무료로 지원되며, 무료 버전에서는 상업적으로 이용할 수는 없다. 하지만 유료 버전에서는 상업적 작업에 활용이 가능하며 음악 플랫폼에 곡을 등록할 수도 있다.   그림 4. 무료로 음악을 만들 수 있는 사이트 유디오(Udio , www.udio.com)   스노처럼 작곡 서비스를 제공하는 사이트는 아이바(AIVA), 유디오(Udio), 사운드로(Soundraw) 등이 있으며, 만들어진 곡을 AI 마스터링하는 서비스도 있다. 글로벌하게 가장 많이 사용되는 서비스를 기준으로 단계별 과정을 설명한다.   그림 5. 많이 활용하는 마스터링 사이트 랜더(LANDR)의 업로드 과정(https://app.landr.com)   음악 제작에서 마지막 작업인 마스터링도 최종 결과물을 마스터링 서비스에 업로드하면 곡을 분석하고 원하는 부분을 체크하여 마스터링하며, 특정 부분만 수정하여 결과물을 만들 수 있는 제작 과정으로 구성된다. 심플하며 커스터마이징도 가능한 UI 및 UX를 적용하고 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (1)   이번 호에서는 크레오 파라메트릭 12(Creo Parametric 12)에서 개선된 인터페이스에 대해 알아보자.   ■ 박수민 디지테크 기술지원팀의 과장으로 Creo 전 제품의 기술지원 및 교육을 담당하고 있다. 홈페이지 | www.digiteki.com   크레오 파라메트릭 12에서는 설계 작업의 효율과 편의성을 높여주는 다양한 인터페이스 개선이 이루어졌다. 대표적으로, 새로 추가된 기능이나 도구가 자동으로 강조 표시되어 사용자가 새로운 기능을 쉽게 파악할 수 있다. 또한, 레이어 트리의 컨텍스트 명령이 현대적으로 바뀌어 자주 사용하는 명령을 더 빠르게 실행할 수 있고, 서피스 선택 방법도 세션 내에서 유지되어 반복 작업이 훨씬 편리해졌다. 모델 트리와 설계 트리의 통합으로 복잡한 모델도 한눈에 관리할 수 있다. 이러한 기능 개선을 통해 설계자는 반복적인 작업 시간을 줄이고, 실수를 예방하며, 새로운 기능도 놓치지 않고 활용할 수 있게 되었다. 앞으로 각 기능이 실제로 어떻게 설계 작업을 더 쉽고 효율적으로 만들어주는지 하나씩 자세히 알아보자.   새 기능 강조 표시       크레오 파라메트릭 12의 ‘새 기능 강조 표시’는 사용자가 최신 업데이트에서 추가된 피처, 도구, 옵션을 쉽게 알아볼 수 있도록 도와주는 기능이다. 홈(Home) 탭의 ‘새 기능 강조 표시(Highlight New)’ 버튼을 통해 이 기능을 켜거나 끌 수 있으며, 활성화하면 새로 추가된 요소에 파란색 플래그나 강조 효과가 표시된다. 드롭다운 메뉴에서 강조 표시 스타일도 선택할 수 있어, 본인에게 잘 보이는 방식으로 설정할 수 있다. 이 기능을 활용하면 업데이트 이후 어떤 부분이 새롭게 바뀌었는지 한눈에 파악할 수 있어, 새로운 기능을 놓치지 않고 빠르게 익히고 설계 작업에 바로 적용할 수 있다.   레이어 트리에 대한 현대화된 컨텍스트 명령     레이어 트리의 컨텍스트 명령이 더 현대적으로 개선되었다. 이제 레이어나 피처를 선택하면 바로 미니 도구 모음이 나타나 자주 쓰는 명령을 빠르게 실행할 수 있다. 또한, 이 도구 모음은 사용자가 원하는 대로 일부 기능을 직접 설정할 수도 있다. 덕분에 레이어 관리가 더 직관적이고 간편해져 설계 작업의 효율이 크게 높아진다.   개선된 서피스 선택 방법 유지     개선된 서피스 선택 방법 유지 기능은 사용자가 직접 선택한 서피스 선택 방식(예 : 상자, 올가미, 추적 등)을 세션 내에서 계속 유지해주는 기능이다. 이전에는 여러 작업을 하다 보면 시스템이 자동으로 선택 방식을 바꿔버려서, 다시 원하는 방식으로 수동 전환해야 하는 번거로움이 있었다. 이제는 한 번 선택한 방법이 계속 저장되어, 반복 작업 시 매번 다시 설정할 필요 없이 원하는 방식으로 서피스를 빠르고 일관되게 선택할 수 있다. 이로 인해 설계 과정에서 불필요한 클릭과 시간 낭비를 줄이고, 작업 효율이 높아진다.   그래픽 내 도구모음의 새로운 디스플레이 옵션       그래픽 내 도구 모음에 ‘탄젠트 모서리(Tangent Edges)’라는 새로운 디스플레이 옵션이 추가되었다. 이 옵션을 통해 탄젠트 서피스 사이의 모서리를 보이게 하거나 숨길 수 있어, 설계 시 모서리 표시를 보다 세밀하게 조절할 수 있다. 선택하면 기존에 사용하던 탄젠트 모서리 표시 스타일로 모서리가 나타나고, 선택하지 않으면 탄젠트 모서리가 숨겨진다. 이 기능은 모든 모서리 표시 유형에 적용되며, 솔리드와 퀼트 형상 모두에 영향을 준다. 이전에는 탄젠트 모서리 표시를 따로 조절하기 어려웠지만, 이번 추가로 시각적 확인과 설계 검토가 훨씬 편리해졌다. 따라서 복잡한 표면 간 경계 파악이 쉬워져 작업 정확도와 효율성이 향상된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

생산 계획부터 운영까지 혁신하는 스마트 제조   제조 산업은 빠르게 변화하고 있으며, 이에 따라 생산성 향상과 유연한 운영을 위한 혁신이 요구되고 있다. 스마트 제조는 이러한 요구를 충족시키는 해답으로, 특히 생산 계획과 운영 단계의 최적화는 전체 공정 효율성에 큰 영향을 미친다. 이번 호에서는 스마트 제조 구현을 위한 핵심 전략으로서 생산 계획 및 운영을 혁신할 수 있는 ‘PINOKIO(피노키오)’ 설루션을 제시한다.   ■ 자료 제공 : 이노쏘비, www.pinodt.com   제조 산업 전반에서 디지털 트윈 기술이 핵심 전략으로 떠오르고 있다. 차세대 물류 디지털 트윈 설루션을 지향하는 PINOKIO는 최신 기술 흐름을 반영해 개발된 설루션으로, 기존 상용 시스템이 지닌 한계를 극복하고 스마트 제조 전환을 가속화하는 데 최적화된 기능을 제공한다. 기존의 디지털 전환(DX) 설루션이 주로 3D 모델링 및 시뮬레이션 등 기초 단계의 디지털 트윈 기술에서 출발한 반면, PINOKIO는 개발 목적을 현장의 대용량 데이터를 기반으로 실시간 물류 모니터링과 시뮬레이션 제공을 목표로 설계되었다. 이러한 기술적 차별성을 바탕으로 PINOKIO는 SK하이닉스, LG전자 등 대규모 혼류 생산 제조 현장에서 정합성과 예측 정확도 측면에서 검증을 완료했으며, 실제 도입을 통해 생산성과 운영 효율성 향상 등 실질적 성과를 입증했다. 최근에는 고성능 시뮬레이터까지 제품 라인업에 포함되면서, 기존 상용 설루션 대비 향상된 성능과 확장성을 갖춘 디지털 트윈 시스템으로 자리매김하고 있다. PINOKIO는 앞으로도 다양한 산업군의 요구에 대응하며, 제조업의 스마트화를 실현하는 핵심 플랫폼으로의 성장을 이어갈 계획이다.   제품 소개 AI 기반 제조 물류 혁신을 위한 디지털 트윈 플랫폼 PINOKIO는 전통적인 시뮬레이션을 넘어 시뮬레이터, 디지털 트윈, AI 에이전시를 통합한 차세대 DES(이산 이벤트 시뮬레이션) 기반 플랫폼으로, 제조 물류 전반에 걸친 통합 설루션을 제공한다.  PINOKIO는 세 가지의 핵심 모듈로 구성된다. 첫 번째, 물류 시뮬레이터 설루션 ‘Pino SIM(피노 SIM)’이다. 이는 공정 흐름 설계부터 시뮬레이션, 결과 분석까지 지원하는 시뮬레이터로, ‘Pino Editor(피노 에디터)’라는 내장 도면 편집기와 레이아웃 설계 도구를 포함한다. 단순한 시뮬레이션을 넘어 제조 기준정보 입력, 물류 시나리오 구성, 시뮬레이션 실행 및 시각화 분석까지 포괄적인 기능을 제공한다. 두 번째, 실시간 디지털 트윈 설루션 ‘Pino DT(피노 DT)’다. MES, IoT, PLC, 센서 등 다양한 제조 운영 시스템과 인터페이스하여 대용량 데이터를 실시간으로 수집·처리하며, 실시간 모니터링, 미래 예측, 예지 보전 시뮬레이션까지 가능하다. 이는 생산 현장의 가시성과 대응력을 높이고 의사결정에 도움을 준다. 세 번째는 인공지능 기반의 ‘Pino AI(피노 AI)’다. 대규모 언어 모델(LLM)과 전문 특화 언어 모델(sLLM)을 활용한 대화형 UI를 통해 사용자는 데이터를 직관적으로 분석하고 의사결정에 활용할 수 있다. 또한 강화학습, 파라미터 최적화 등 다양한 AI 기법이 적용 가능해, 생산성과 품질 향상을 동시에 실현할 수 있다. 확장성 면에서도 PINOKIO는 주목할 만하다. 최근에는 엔비디아 옴니버스(NVIDIA Omniverse)와 같은 고급 시각화 플랫폼과의 연동을 지원하며, 파이썬(Python) 기반 개발 환경 확장도 가능해 사용자 맞춤형 라이브러리 개발이 용이하다. PINOKIO 설루션을 통해 제조 기업은 공정 및 물류의 사전 최적화, 실시간 생산 모니터링, 미래 예측, AI 기반 고도화 등 다양한 지능형 서비스를 구현할 수 있다.   PINOKIO의 특징 Pino SIM은 디지털 트윈 구축 시 미래 예측 시뮬레이터 역할을 수행할 뿐만 아니라, 공장 신설이나 생산 라인 변경 등 제조 현장의 변화가 필요한 상황에서 사전 물류 계획 수립과 최적 레이아웃 구성을 지원한다. 이를 통해 공정의 효율성과 안정성 확보를 가능케 하며, 제조 현장의 디지털 전환을 실질적으로 이끄는 핵심 도구로 자리잡고 있다.   그림 1. Pino SIM 작업 과정   Pino DT는 자체 개발한 최적화 시뮬레이션 및 모니터링 엔진을 기반으로, 실시간 데이터에 기반한 정밀한 의사결정과 미래 예측을 가능하게 하는 디지털 트윈 설루션이다. 특히, 시뮬레이션 이벤트 처리 횟수를 최소화한 구조로 설계되어, 불필요한 연산을 줄이고 대용량 데이터를 빠르고 효율적으로 처리할 수 있다는 점이 강점이다. 이를 통해 공정 변화나 예기치 못한 상황에도 유연하게 대응할 수 있으며, 작업자 개입 등 현장의 변수까지 반영한 고도화된 시뮬레이션이 가능하다. Pino DT는 실시간 운영 최적화와 미래 예측을 동시에 수행함으로써, 제조 현장의 민첩성과 안정성을 획기적으로 향상시키는 차세대 디지털 트윈 기반 물류 설루션으로 주목받고 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   오늘날 도시화와 인구 증가에 따라 공동주택의 필요성이 증가함에 따라, 공동주택 건설은 지속적으로 연구되며 다양한 방식으로 발전해왔다. 그러나 벽, 바닥, 천장 등 구조물을 공유하는 특성상 층간 소음 문제는 여전히 해결되지 않고 있다. 층간 소음을 최소화하기 위한 다양한 차단 방법이 고안 및 시공되고 있지만, 충격음 저감 대책에 따른 소음 예측은 주택별로 구조물 형태나 저감 대책 등 다양한 변수를 고려해야 하기 때문에 해석만으로는 거의 진행되지 않고 실험 위주 혹은 병행하며 이뤄지고 있다. 이번 호에서는 기존 실험조건의 문헌에 맞춘 해석 모델을 생성하고, 충격음에 대해 예측하는 방법에 대해 소개하고자 한다.    ■ 이효행 태성에스엔이 MBU-F4 팀의 수석 매니저로 원자력, 엔지니어링, 건설, 시험기관 업체를 담당하고 있다. 담당 업무로는 구조해석의 기술지원 및 사내/사외 교육, 세미나, 용역 업무가 있다. 특화된 해석 분야는 구조해석 중 dynamics와 acoustic, geomechanic이며, 20년 넘게 앤시스를 사용하여 구조해석을 수행하고 있다. 홈페이지 | www.tsne.co.kr   바닥 충격음의 제도 변화 바닥 충격음을 최소화하고 건물 내부의 소음 환경을 개선하기 위해 다양한 기술과 방법이 도입되고 있다. 또한 건축물의 품질과 주민의 생활 편의성을 향상시키기 위해 제도 또한 시간이 흐름에 따라 변화하고 발전해왔다. 시기별로 바닥 충격음 제도는 다음과 같이 변화했다. 2003년 4월 22일 개정 정성적인 문구에서 정량적인 기준으로 변경 경량충격음은 58데시벨 이하, 중량충격음은 50데시벨 이하로 제한 표준바닥구조와 바닥 충격음 차단성능등급이 도입 2013년 5월 6일 개정 표준바닥구조의 슬래브 두께가 규정에 포함 중량충격음은 표준 중량충격력 특성-1(뱅머신)로 측정, 평가는 역A-가중 최대 바닥 충격음레벨로 진행 2022년 8월 4일 개정 경량충격음 기준은 58dB 이하에서 49dB 이하로, 중량충격음 기준은 50dB 이하에서 49dB 이하로 강화 중량충격음은 표준 중량충격력 특성-2(임팩트볼)로 측정, 평가는 A-가중 최대 바닥 충격음레벨로 진행 이와 같이 해석만으로 인증을 진행하는 경우는 없으며, 골조 완공 후 건축물의 내부에서 측정하여 인증을 진행한다.   해석 개요 대부분의 예측이 그렇지만, 특히나 바닥 충격음을 예측하기 위해서는 해석만으로는 어렵다. 따라서 실험과 병행해야 하며 해석에 대한 오차를 줄여야 한다. 이에 따라 다음과 같은 순서로 진행하는 것을 권장한다.   ① 바닥 충격음 실험 ② 실험과 유사한 해석 모델 구현 및 해석 ③ 고유진동수와 FRF를 비교 분석(필요에 따라 ②에서 다시 시작) ④ 발생 소음 상대 비교   구조물(구조 평면)이 달라질 경우 전달되는 충격에 따른 소음의 특성이 변화하며, 저감 대책에 변화가 필요할 수도 있다. 직접 실험을 진행하기 어렵기 때문에 참고자료 1)을 바탕으로 해석을 진행하였다. 해석 모델이 실험의 동특성을 유사하게 구현(<표 1>의 Test No. 1 & 2)되었음을 확인하였으며, <표 1>과 같이 해석 설정에 따라 어떠한 변화가 있는지 확인하고자 한다. 비교 대상은 다음과 같다. 구조물의 고유진동수와 FRF는 참고자료 1)과 유사하게 발생하도록 설정 단위하중을 가하여 참고자료 1)의 가속도 FRF와 유사하게 발생하는지 비교 단위하중을 가한 부분에 한하여 MSUP 방식과 FULL method와 소음 해석 결과를 비교 음향 해석을 위해 velocity mapping과 coupled-field FSI 방식의 소음 차이 확인 중량 충격(1500N)에 따른 소음 변화 확인 하중 면적에 따른 소음 변화 확인 뜬바닥 구조(바닥 마감 구조 시공)는 비교하지 않음   표 1. Hyper parameters design to train BIM-based LLM   해석 모델 참고자료 1)을 참고하여 다음과 같이 해석 모델을 생성하였다.    (a) Full   (b) Section  그림 1. 해석 모델   Room 내부 크기 : 4.5m×5.1m×2.7m(Slab 두께가 변경되더라도 receive room inner size는 동일) 벽체 두께 : 150mm     ■ 자세한 기사 내용은 PDF로 제공됩니다.

로코드를 활용하여 엔지니어링 데이터 분석 극대화하기 (1)   이번 호부터 로코드(low code) 설루션을 활용하여 데이터 분석을 활용하는 방법에 대해 설명하고자 한다. 앞으로 4회에 걸쳐 데이터 분석을 위한 로코드 분석 설루션이 어떤 장점을 가지고 있으며 어떻게 활용될 수 있는지 살펴보고, 간단한 데이터 분석 예제를 따라해 보면서 활용하는 방법을 배워보도록 하겠다.   ■ 연재순서 제1회 데이터 분석에 로코드 설루션이 필요한 이유 제2회 데이터 분석 로코드 설루션을 배워보자 제3회 로코드를 활용하여 시뮬레이션 데이터 분석을 따라해 보자 제4회 데이터 분석 로코드 설루션을 클라우드로 확장해 보자   ■ 윤경렬 현대자동차 연구개발본부 책임연구원   ■ 김도희 잘레시아 DX 프로   머신러닝 및 딥러닝 기술의 급격한 발전에 힘입어 최근 몇 년사이에 데이터 분석 시장은 폭발적으로 성장해 왔다. 데이터의 분석을 통해서 패턴을 찾고 이를 통해 행동을 예측할 수 있는 사례는 많은 이들의 관심을 불러 일으켰고, 파이썬(Python) 언어와 관련 라이브러리의 사용법을 배우는 강좌도 덩달아 큰 인기를 누리게 되었다. 이는 지식의 저변 확대와 관련 산업의 활성화라는 측면에서 상당히 좋은 방향이지만, 실제 현장에서는 상대적으로 쉽다고 알려져 있는 파이썬 언어도 교육 강좌를 수강한 이후 막상 본인의 업무에 적용하려고 하면 적지 않은 어려움에 직면하게 된다. 이유는 파이썬 언어의 사용이 어려워서라기보다는 CDS(Citizen Data Scientist : 시민 데이터 과학자)에게는 익숙하지 않기 때문이다. 특히 프로그래밍 언어를 이용한 코딩은 텍스트에 기반한 정보이기 때문에 직관적이지 않고 시행착오를 반복해야 어느 정도 활용 레벨에 올라갈 수 있다. 최근 이러한 문제를 해결하기 위해 로코드 분석 설루션(low code analysis solution)이 대안으로 시도되고 있으며 유의미한 결과를 보여주고 있다.   일반적인 데이터 분석 과정 데이터 분석은 보통 요청을 접수하는 것부터 시작되며, 이 단계에서는 무엇을 분석해야 하는지, 분석의 목적은 무엇인지 명확히 파악하는 것이 중요하다. 분석 대상과 기대하는 결과가 정해지면 그에 필요한 관련 데이터를 확보하게 된다. 이 때 데이터는 내부 시스템, 데이터베이스, 외부 파일 등 다양한 경로를 통해 수집될 수 있다. 다음은 확보한 데이터를 개괄적으로 파악하는 과정인데, 이 때 주요 칼럼과 데이터의 값을 확인하고 누락된 값 또는 이상치가 있는지 등을 점검하게 된다. 데이터의 품질을 빠르게 진단하는 이 단계는 이후 분석의 방향에 큰 영향을 미치게 되기 때문에 아주 중요하다. 이렇게 데이터의 상태를 파악하고 난 뒤에는 분석 전략을 수립하게 되는데, 여기서는 어떤 방식으로 데이터를 다루는 것이 좋을지, 어떤 분석 기법을 적용하는 게 좋을지를 구체적으로 준비하게 된다. 세 번째 단계로는 그 동안 수립한 분석 계획에 따라 본격적인 데이터 정제 작업을 시작하게 된다. 구체적으로는 전처리, 필터링, 파생 변수 생성 등의 작업을 포함하여 분석에 적합한 형태로 데이터를 정돈하는 단계로 볼 수 있다. 다음은 실제 분석을 수행하고 필요한 시각화를 통해 인사이트를 도출하는 것으로 통계 분석, 머신러닝 모델링, 상관관계 파악 등 다양한 방법이 이 부분에 포함된다. 마지막으로 분석 결과는 보고서 형태로 문서화하거나 대시보드로 시각화하여 공유되며, 이는 분석 요청자 또는 조직 내 이해관계자가 쉽게 결과를 활용하여 의사결정을 수행하도록 지원할 수 있다. 요청 접수 → 데이터 확보 → 데이터 검토(칼럼/누락/이상치 확인) → 분석 전략 수립 → 데이터 정제 및 가공 → 분석 수행 및 시각화 → 결과 공유   파이썬 코딩과 로코드 기반 분석의 비교 이제부터 본격적으로 데이터 분석을 진행하기 위해, 우리는 데이터 분석에 대한 요청을 받은 CDS라고 가정을 해 보자. 우리는 유관부서로부터 전력 판매량(Electric Power Sales) 예측에 대한 분석을 요청 받은 상태이고, 언제나처럼 기한은 촉박한 상황이다. 우리에게 주어진 데이터는 발전소 데이터, 기상 정보 데이터, 날짜 및 요일 데이터 등 세 가지로 다행스럽게도 소스 데이터는 엑셀 형태로 정리되어 입수한 상태이다. 우선 ‘발전소 데이터’를 살펴 보면 일자별로 특정 발전소에서 일일 발전량이 자세하게 표시되어 있다. 결국 첫 번째 데이터는 Electricity_sales로, 발전소 명칭, 측정 일자(년, 월, 일), 시간대별 전력 판매량으로 구성되어 있는데 이는 머신러닝에서 예측하게 될 Y값(종속변수)이 포함된 핵심 데이터 영역이다.   그림 1. 발전소 데이터   다음은 ‘기상 정보 데이터’로 일자별로 특정 지역의 날씨 정보가 정리되어 있다. 발전소 위치에 따른 기상 정보로 일시, 평균기온, 강수량, 풍속, 습도, 일사량 등의 정보가 담겨 있다.    그림 2. 기상 정보 데이터   마지막으로 ‘날짜 및 요일 데이터’는 일자별로 요일을 숫자로 매핑한 데이터이다. 날짜 데이터에 매핑 가능한 공휴일 정보가 담겨 있는 데이터 영역이다.   그림 3. 날짜 및 요일 데이터   결국 요청 받은 데이터 분석을 완료하기 위해서는 입수한 데이터에 전처리를 수행하고 이를 기반으로 다중 회귀 분석을 수행하여 머신러닝 예측 모델을 구성해야 한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

최적화 문제를 통찰하기 위한 심센터 히즈 (6)   심센터 히즈(Simcenter HEEDS)는 제품 설계 과정에서 발생하는 다양한 문제에 대해서 최적화 방법론을 적용하고 올바른 결과를 도출하는 데에 도움을 준다. 이번 호에서는 토크 암(torque arm)의 설계 최적화를 위해 히즈에서 심센터 3D(Simcenter 3D) 솔버를 연계하여 시뮬레이션 자동화 워크플로를 구성하고 최적화를 진행하는 예제를 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 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화   ■  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   그림 1   <그림 1>은 실제 토크 암 제품 이미지와 적용된 위치 및 구조적 특성을 보여주는 예시로, 이 최적화 사례에서 다룬 실제 제품 및 설계 환경을 이해하는 데 참고하길 바란다. 이번 예제에서는 질량 최소화 및 구조적 제약 조건 만족이라는 실제 공학 설계 과제를 효율적으로 수행하는 데 히즈의 성능과 활용성을 살펴 볼 것이다. 이 사례에서 설계 최적화의 목표는 토크 암의 질량을 최소화하는 것이다. 단, 구조적 제약 조건을 반드시 만족해야 하는데, 이 때 구조적 무결성(structural integrity)을 유지하기 위해 응력 수준이 재료의 항복 응력(yield stress)을 넘지 않아야 하는 조건을 만족해야 한다. 이를 위해 설계 상에서 사전에 선정한 치수 변수를 범위 내에서 조정하게 된다. 최적화 설계 프로세스는 심센터 3D와 히즈 MDO를 활용하여 자동화된 워크플로 방식으로 진행된다. 즉, 심센터 3D에서 나스트란(Nastran) 솔버를 이용한 구조 해석 결과를 히즈가 자동으로 처리하고, 해당 결과를 평가하여 최적의 설계안을 찾는 방식이다.   프로세스 자동화(Process Automation) 다분야 설계 최적화(MDO : Multidisciplinary Design Optimization) 수행 시, 설계 및 분석 프로세스는 여러 소프트웨어 환경에서 이루어진다. 이런 환경에서 효율적인 데이터 교환 및 프로세스 연동이 필수이므로, 데이터를 신속하고 정확하게 받기 위해서는 직접 인터페이스 포털(Direct Interface Portal)이 필요하다. 히즈에서는 여러 공학 분야에서 흔히 사용하는 CAD 및 CAE 툴(아바쿠스, 앤시스, 카티아, 솔리드웍스, 매트랩, LS-다이나, 심센터, 파이썬 등)을 모두 지원하므로, 사용자는 기존에 보유한 다양한 소프트웨어를 그대로 활용하면서 히즈를 이용하여 최적화 작업을 자동화할 수 있다. 히즈가 제공하는 직접 인터페이스 포털 중 일부를 <그림 2>에 나타내었다. 포털을 사용하여 <그림 3>과 같이 구성하면 사용자가 수동으로 결과를 처리하고 데이터를 전환하는 번거로운 작업을 하지 않아도 된다. 이는 시간 소모 및 인적 오류 가능성을 줄이고, 작업 흐름을 더 효율적이고 빠르게 만든다. 워크플로의 자동화가 가능하기 때문에, 결과적으로 여러 분야의 시뮬레이션 모델이나 분석을 보다 빠르고 신뢰도 높게 수행하여 더 나은 설계 및 최적화 결과를 도출할 수 있다.   그림 2   그림 3   최적화 문제 정의   그림 4   설계 목적은 <그림 4>에 나타낸 토크 암의 질량을 최소화하는 것이다. 주어진 하중 조건은 25kN이며, 이 때 구조물이 교차 방향에서 받는 최대 응력이 항복 강도를 초과하지 않아야 한다.(최대 700MPa) 또한 최대 변형량이 4mm를 초과하지 않는다는 제약 조건도 함께 고려한다. 최적화에 적용할 주요 치수 변수는 <그림 5>와 같으며, 특히 두께(Thickness of Extrude)를 변수(T1)로 설정하여 최적화 문제를 규정했다.   그림 5     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (24)   현재의 컴퓨팅 성능은 전례 없는 수준이다. 덕분에 더 큰 시스템을 시뮬레이션하고 복잡한 현상을 더 정확하게 예측할 수 있는 고급 계산 기법이 개발되었다. 그러나 터보 기계 시스템의 시뮬레이션은 각 구성 요소를 개별적으로 시뮬레이션하는 현재의 관행으로 인해 구성 요소 간의 상호 작용을 고려하지 못하기 때문에 여전히 과제를 안고 있다. 이 문제를 해결하고 효율성, 신뢰성, 저배출 측면에서 항공 엔진 설계를 개선하기 위해 피델리티 플로우(Fidelity Flow) 유동 솔버의 레이놀즈-평균 나비에-스토크스 방정식을 기반으로 새로운 방법론이 개발되었다. 이 접근 방식을 사용하면 단일 코드를 사용하여 전체 엔진의 완전 결합 시뮬레이션이 가능하다. 이번 호에서는 새로운 방법론인 유동 솔버 기술과 그 구현을 통해 얻은 결과에 대해 설명한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   그림 1. KJ66 MGT의 레이아웃 : ① 임펠러, ② 디퓨저, ③ 연소실, ④ HPT 노즐, ⑤ HPT 로터, ⑥ LPT 노즐, ⑦ LPT 로터, ⑧ 디월 베인, ⑨ 배기 후드   방법론 완전한 항공 엔진 및 가스 터빈 시스템에 대해 안정적이고 시간이 정확하며 완전히 결합된 시뮬레이션을 수행하기 위한 새로운 접근 방식이 개발되었다. 이 방법은 비선형 고조파(NLH) 기법을 사용하여 불안정한 효과를 포착하여 계산 시간을 절약할 수 있다. 이 접근법의 연소 프로세스는 효율적이고 신뢰할 수 있는 화염 생성 매니폴드(FGM)에 의존한다. 비활성 시뮬레이션에 비해 연소 과정을 모델링할 때 발생하는 계산 오버헤드는 약 50%에 불과하다. 또한 스마트 인터페이스 접근 방식은 전체 시스템에서 스칼라의 이동을 피하기 위해 구현되어, 흐름이 반응하는 곳에서만 연소 이동 변수를 해결함으로써 계산 오버헤드를 최소화한다.   유동 솔버 이 연구는 압력 기반 및 밀도 기반 설루션 체계로 구성된 케이던스 충실도 유동 솔버를 사용하여 수행된다. 유동 솔버 패키지에는 터보 기계 모델링, 대형 와류 시뮬레이션(LES), 공액 열전달(CHT), 유체-구조 상호작용(FSI), 스프레이용 라그랑지안 모듈, 캐비테이션, 복사, 다상 유동 및 연소 모델을 포함한 광범위한 물리 모델이 탑재되어 있다. 혼합 평면, 프로즌 로터, 슬라이딩 메시와 같은 표준 접근 방식이 터보 기계 모듈에 구현되어 있다. 또한 다음에서 설명하는 터보 기계 애플리케이션의 불안정한 흐름을 효율적으로 계산하기 위해 비선형 하모닉 방법을 사용할 수 있다.   비선형 고조파 방법(NLH) NLH 방법은 시간 평균 흐름에 대한 불안정성의 영향을 고려하는 비선형 접근 방식이다. 이러한 효과는 결정론적 스트레스로, 주기적 변동의 시간 평균 곱으로 나타난다. NLH 방법의 장점은 계산 효율에 있다. 평균 유동장에 대한 정상 상태 해와 사용자가 해결하기로 선택한 각 고조파의 실수 및 가상 부분에 대한 정상 상태 해만 결정하면 된다. 설루션 정확도는 고조파의 수에 따라 달라지지만, 일반적으로 불안정한 효과를 포착하는 데에는 몇 개의 고조파만 필요하다. 피델리티 플로우의 NLH 모듈은 인접한 행과 인접한 행 사이의 상호작용을 상대 회전 속도에 관계 없이 모델링할 수 있는 랭크 2 효과를 설명한다. 즉, NLH 모듈은 더 복잡하고 불안정한 상호작용을 설명할 수 있다. 랭크 2 설루션을 사용하면 포스트 프로세싱 모드에서 클로킹의 효과를 연구할 수 있다. 또한 피델리티 플로우의 NLH 모듈은 각 블레이드 행에서 사용할 고조파 수를 유연하게 정의할 수 있어, 시뮬레이션 프로세스를 더욱 맞춤화할 수 있고 효율적으로 만들 수 있다.   그림 2. 혼합 평면과 NLH 방식을 사용한 회전자-회전자 상호작용 비교     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업 디지털 전환을 가속화하는 버추얼 트윈 (5)   최근 다쏘시스템의 구조해석 소프트웨어인 아바쿠스(Abaqus)는 마모 현상을 보다 정밀하게 모델링하고 예측할 수 있도록 Contact Wear 기능을 도입하였다. 접촉해석에 Archard 마모 모델을 통합하여, 반복 접촉에 따른 재료 손실을 계산할 수 있는 환경을 제공한다. 이번 호에서는 아바쿠스의 Contact Wear 기능을 활용하여 반복 접촉과 마모가 주요 이슈인 타이어 트레드 및 브레이크 패드 부품을 대상으로 수행한 해석 사례를 소개한다.    ■ 강주연 다쏘시스템코리아의 구조해석 담당 기술 컨설턴트이다. 자동차/차량부품/전자기기 산업을 포함한 다양한 산업군에 구조해석 설루션을 적용하여 고객에게 가치를 전달하는 역할을 담당하고 있다. 홈페이지 | www.3ds.com/ko   ■ 임영빈 다쏘시스템의 SIMULIA support team에서 근무하고 있으며 서강대학교에서 기계공학 학부 및 석사과정을 마쳤다. 홈페이지 | www.3ds.com/ko   마모(wear)는 기계적 마찰이나 화학적 작용에 의해 접촉 표면의 재료가 점진적으로 손실되는 현상으로, 다양한 산업 분야에서 발생하는 대표적인 열화 메커니즘 중 하나이다. 특히, 반복적인 접촉을 통해 하중을 전달하거나 마찰을 견디는 부품에서는 마모 현상을 정량적으로 파악하고 예측하는 것이 제품의 수명과 성능을 유지하는 데 매우 중요하다. 제품의 성능을 사전에 예측하기 위해서는 수치해석적 접근이 활용되지만 마모는 재료의 물성, 온도, 접촉압력, 슬립속도 등의 다양한 변수에 의해 좌우되므로, 이러한 복합적인 영향을 고려한 정밀 해석을 수행하기란 쉽지 않다. 따라서, 실제 산업 현장에서는 마모 문제를 실험적 접근에 의존하거나, 수치해석을 활용하더라도 접촉압력이나 마찰 에너지를 마모 지표로 삼는 간접적인 평가 방식에 국한되는 경우가 많았다.   그림 1. 헬리컬 베벨 기어의 마모 해석   아바쿠스 Contact Wear 기능 소개 아바쿠스는 2024 FD01 버전부터 접촉 정의 시 Archard 마모 모델을 적용하여, 반복 접촉에 의해 누적되는 마모 현상을 수치적으로 예측할 수 있다. Archard 모델은 마모 속도(wear rate)가 접촉압력(contact pressure)과 슬립속도(sliding velocity)에 의해 결정된다는 물리적 특성을 기반으로 하며, 연속체 역학 수준에서 마모 현상을 표현하는 직관적이고 활용도 높은 모델이다. 아바쿠스는 <표 1>과 같이 Archard 모델의 다양한 변형식을 제공하며, 마모계수(wear coefficient)에 표면 마모거리, 접촉압력, 온도 등의 인자에 대한 의존성을 설정할 수 있다. 이를 통해 사용자는 시험 데이터를 기반으로 마모 거동을 정교하게 구현할 수 있으며, 복잡한 접촉 조건 하에서도 높은 예측 정밀도를 확보할 수 있다. <표 2>에는 아바쿠스의 버전 별 마모 기능 개발 이력이 요약되어 있으며, 지속적인 기능 개선을 통해 실무 적용성과 확장성을 강화하고 있다.   표 1. Variation of Archard’s model in Abaqus   그림 2. Surface wear property edit dialog   표 2. Development sequences of contact wear   Steady State Transport 해석을 활용한 마모 해석 사례 이번 호에서는 아바쿠스/스탠더드(Abaqus/Standard)의 Steady-State Transport(이하 SST) 해석을 통해 마모 속도를 산정하고, 이를 시간 증분으로 외삽하여 누적 마모량을 계산하였다. SST 해석은 회전체의 마찰 및 관성 효과를 고려하여 정상상태 롤링(rolling) 및 슬라이딩(sliding) 거동을 계산하는 기법으로, 해석 시간을 단축시키면서도 장기적인 반복 접촉에 따른 마모 거동을 효율적으로 평가할 수 있다는 장점이 있다.   타이어 트레드 마모 해석 사례 타이어 트레드(tread)의 마모는 주행 안정성, 제동 성능, 타이어 수명에 직접적인 영향을 미치는 핵심 요소 중 하나이다. 이번 호에서는 마모가 뚜렷하게 발생하는 조건인 제동(braking) 상화을 해석 조건으로 설정하였다. 제동 시 차량 속도가 타이어의 회전 속도보다 빠르기 때문에 타이어가 노면 위에서 끌리는(slipping) 현상이 발생하며, 이에 따라 마모가 빠르게 진행된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업 디지털 전환을 가속화하는 버추얼 트윈 (4)   MRO(Maintenance, Repair, Overhaul or Operation)는 운영 중인 장비의 엔진, 장비, 부품 등에 대한 정비, 수리, 개조, 재생정비 등의 작업을 통해 안전성과 정시성, 신뢰성을 확보하기 위한 활동 및 산업을 통칭한다. 이번 호에서는 다쏘시스템의 3D익스피리언스 플랫폼(3DEXPERIENCE Platform)을 활용하여 스마트 유지보수를 구현하는 가상 모델 기반의 엔드 투 엔드 유지보수 설루션을 소개한다.   ■ 최형완 다쏘시스템코리아 IC본부에서 A&D (Aerospace & Defense)부문 Technical Executive를 맡고 있다. 홈페이지 | www.3ds.com/ko   MRO 산업은 크게 민간 정비 사업과 군용 MRO 사업으로 나뉘며, 민간 정비 사업은 주로 항공 정비와 선박 정비로 구분한다. 민간 정비 사업 중 항공 부문의 2025년 전 세계 MRO 시장은 1230억 달러로 예상되며, 2034년에는 1640억 달러로 연 평균 3.2%의 성장률을 예상하고 있다. 우리 정부는 국내 항공 부문의 MRO 산업을 2030년까지 38억 달러(약 5조 원), 2만 3000명의 일자리를 창출하는 시장으로 키우겠다는 계획을 발표했다. 우리 나라 방산업계는 지난 2년 동안 우수한 기술력과 생산력을 바탕으로 303억 달러 규모의 무기 수출 계약을 체결하여 2년 연속 글로벌 방산 수출 상위 10위권 내로 진입하였다. 이에 따라 국내 방산업체들은 높아진 위상을 바탕으로 더 높은 수익을 장기적, 안정적으로 낼 수 있는 사업에 집중하고 있는데, 바로 MRO 산업이다. 보통 무기체계는 가격이 비싸고 한 번 도입하면 10년에서 30년 동안 사용하는 것이 일반적이다. 따라서 판매 후에도 지속적인 사후 관리 서비스를 요구하는 경우가 대부분이다. 현재 글로벌 방산 MRO 사업은 전체 무기체계 시장에서 60% 이상의 비중을 차지하는 것으로 알려져 있다. 이 시장을 위해서 국내 대형 방산업체인 KAI, 한화오션, 한화시스템, LIG넥스원도 MRO 전담 조직을 설립하여 적극 투자 중이다. 항공/방위 산업을 영위하는 90% 이상의 고객사는 다쏘시스템의 설루션을 사용하고 있으며, 다쏘시스템은 고객사의 엔드 투 엔드 프로세스를 지원하는 11개 산업 특화 설루션을 보유하고 지속적으로 발전시키고 있다. 이 중에서 운영/유지보수(Keep Them Operating) 특화 설루션은 장비의 가용성을 높이고 유지보수 비용을 줄이면서도 장비의 안정성을 높이는데 중점을 두고 있는 프로세스이다.   그림 1. 모델 기반의 스마트 유지보수   이러한 흐름 속에서 요즘은 장비 생애주기 중 유지보수(sustainment)가 핵심 프로세스로 자리잡고 있다. 운영자(항공사나 사용군), 서비스 제공자, OEM들은 장비의 유지보수 가용성을 보장하기 위해서 전통적인 정비 방식에서 모델 기반 정비(modelbased maintenance)로의 프로세스 전환에 대해 피할 수 없는 변화로 여기고 있다. 다쏘시스템은 전통적인 고립된 MRO 서비스 방식과는 다른, 스마트 유지보수(smart sustainment)로 프로세스를 변화시키고 향상시키는 포괄적인 엔드 투 엔드 모델 기반 유지보수 설루션을 제공한다. 다쏘시스템의 엔드 투 엔드 모델 기반 유지보수 설루션은 3D익스피리언스 플랫폼(3DEXPERIENCE Platform)을 활용하여 MRO 프로세스를 가상(virtual) 환경에 투영할 수 있으며, 다음의 여섯 단계를 통하여 스마트 유지보수를 구현한다. 이러한 과정을 통해 우리는 더 나은 의사결정 지원을 받아 장비 가용성 증대와 유지보수 비용 절감이라는 목표를 달성할 수 있다.   엔드 투 엔드 디지털 연속성 첫 번째 단계는 장비의 지속적인 운영을 위한 엔드 투 엔드 디지털 연속성이다. 설계 데이터가 MBOM(제조 BOM)과 SBOM(서비스 BOM)까지 연결되어 있으며, 설계 및 엔지니어링 활동에서 서비스 엔지니어링 활동까지 완전한 디지털 연속성이 확보되고, 이러한 모든 활동은 3D익스피리언스 플랫폼 내에서 수행된다. 전용 애플리케이션을 통해 전용 EBOM(엔지니어링 BOM)에서 파생된 모델 기반 SBOM 구조를 생성할 수 있으며, 여기에 정비 작업, 서비스 키트, 예비 부품, 정비 지침 및 제조사 정비 공지문(service bulletin) 등 주요 서비스 기술 데이터를 포함시킬 수 있다. 또한, 레거시(기존) 장비의 유지보수 데이터도 플랫폼에 가져올 수 있다는 점도 중요하다. 이렇게 하면 유지보수 데이터 모델에 통합할 수 있으며, 플랫폼에서 설계된 장비뿐만 아니라 레거시 장비 전체도 플랫폼의 이점을 누릴 수 있다.   그림 2. 엔드 투 엔드 디지털 연속성     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BPMN을 활용하여 제품 개발의 소통과 협업 극대화하기 (5)   지난 호에서는 BPMN(Business Process Modeling Notation)을 활용한 프로세스를 보다 폭 넓게 이해하기 위해 간략한 부품 개발 절차에 대한 프로세스를 작성해 보았다. 이번 호에서는 연재의 마지막 시간으로, 그동안 다루었던 개인 사용자 환경(클라이언트)에서 벗어나 서버 환경 특히 클라우드에서 BPMN을 활용하는 방법에 대해 알아보도록 하겠다.   ■ 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   지난 호에서 작성한 리프 스프링(leaf spring) 개발 프로세스는 이해관계자(참여자)를 3개 영역(Business layer – Business manager, Engineering layer – Engineering designer, Simulation layer – Simulation engineer)으로 구분하고 업무와 역할을 정의하였으며, 각각의 레이어에는 현재 해야 할 태스크를 확인하고, 다음 레이어에는 어느 시점에 업무 흐름이 전개되는지 그리고 어떤 역할을 수행해야 해야 하는지 쉽게 파악할 수 있도록 하였다. BPMN을 이용하면서 업무의 흐름을 명확하고 자세하게 파악할 수 있고 서로 어떻게 연결되어 있는지도 이해할 수 있었을 것으로 생각된다.   그림 1. 리프 스프링 개발 프로세스   클라우드 서버 환경이 필요한 이유 이번 호에서는 서버 환경 특히 클라우드에서 BPMN을 활용하는 방법에 대해 알아보도록 하겠다. 우선 서버 환경이 왜 필요한지에 대해서 알아보면, 사실 서버 환경이 왜 필요한지에 대한 이유는 BPMN에만 국한된 문제는 아니다. 대부분의 도메인 영역에서 비슷한 이유가 있다고 볼 수 있는데, 우리는 BPMN에 대한 이야기를 다루고 있으니까 이와 관련된 예제를 가지고 생각해 보도록 하자.   철수는 리프 스프링 개발 프로세스에 참여하고 있는 프로젝트 매니저로, Camunada와 같은 클라이언트 툴을 사용하여 BPMN으로 프로세스를 작성하고 개인 PC에 저장하였다. 그리고 다른 참여자인 영희와 민수에게 해당 파일(LeafSprinngprocess.bpmn)을 이메일을 통해 전달하고 내용 확인을 요청하였다. 영희는 리프 스프링 개발 프로세스에 참여하고 있는 엔지니어링 디자이너이다. 영희는 철수에게 받은 LeafSpringprocess.bpmn 파일을 다운로드하고 오픈하여 프로세스를 검토하던 중에 특정 부분이 잘못 표시된 점을 발견하였다. 이를 수정하여 이메일 회신을 통해 전송하였는데, 저장을 할 때 변경 정보를 반영하기 위해 LeafSpringprocess_1. bpmn으로 파일 이름을 수정하였다. 다만 실수로 이전 버전인 LeafSpringprocess.bpmn을 메일에 첨부하였다. 그리고 바로 해외 출장 때문에 몇 주간 사무실에서 자리를 비우게 되었다. 민수는 리프 스프링 개발 프로세스에 참여하고 있는 시뮬레이션 엔지니어이다. 민수는 철수와 영희가 주고 받는 메일을 보면서 영희가 마지막으로 수정한 LeafSpringprocess.bpmn이 최종 버전이라 판단하고, 해당 파일을 다운로드하여 BPMN 프로세스를 확인하였다. 큰 문제는 없어 보였기에 프로세스 버전을 기준으로 업무를 수행하기 시작했다. 일주일 후에 철수는 리프 스프링 개발 프로세스에 변경 사항을 반영하기 위해 BPMN에 해당 내용을 반영하여 LeafSpringprocess_1. bpmn으로 저장하여 이메일로 전송하였다. 영희는 해외 출장 중이라 메일을 받기는 했는데, 시간 여유도 없고 사무실에 있는 개인 PC에 접속하기도 어려워서 상세 검토는 복귀 이후에 진행하기로 했다. 나중에 영희는 본인이 수정한 내용이 실수로 반영되지 않았다는 것을 알게 되었고, 전체 프로세스 업데이트에 대한 롤백이 필요하다는 것을 확인하였다. 민수는 LeafSpringprocess.bpmn에 따라 업무를 빠르게 수행하고 있었는데, 새로운 LeafSpringprocess_1.bpmn을 오픈하면서 그 동안 수행한 업무 일부는 새로 작업해야 한다는 것과 영희가 실수한 업데이트 버전이 본인의 작업을 전체적으로 재검토해야 한다는 것을 알게 되었다. 그러면서 공유가 좀 더 빠르게 실시간으로 진행되었다면 하는 아쉬움이 생겼다. 가상의 예제이긴 하지만 BPMN에 국한된 문제이기보다는 그동안 여러 참여자가 실시간 협업을 하면서 종종 마주하게 되는 것과 비슷하다고 볼 수 있다. 여기서 문제의 시작은 참여자들이 개별 PC에서 클라이언트 툴을 이용하여 작업하고 저장하고 관리하고 있다는 점이다. 서로의 소통은 이메일 또는 메신저를 활용하고 있으므로, 업무의 협업 관점에서 보면 부족한 측면이 많을 수 밖에 없는 것이 사실이다. 이러한 문제를 근본적으로 해결하기 위해 서버 환경이 구축되었고, 기술 발전을 거듭하여 이제는 클라우드 서버 환경으로 자리잡게 되었다. 이런 관점에서 보았을 때 우리가 지금까지 살펴 본 클라이언트 툴(Camunda 등)을 활용한 BPMN 프로세스 작성 및 관리는 개인 측면에서 부족함이 없을 수 있지만, 다른 참여자와의 공유 및 협업 측면에서는 아쉬운 부분이 존재한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.