오토폼엔지니어링이 올리비에 르퇴르트르(Olivier Leteurtre) CEO의 방한과 함께 한국 시장을 위한 기술 협력과 인재 양성 전략을 발표했다. 이번 전략은 국내 고객과의 디지털 협업을 확대하고, 지역 기반 산학협력을 통해 디지털 금형 생태계를 구축하는 데 중점을 두고 있다. 르퇴르트르 CEO는 “제조업의 미래는 디지털 협업 생태계 위에서 결정된다. 오토폼은 금형 산업의 복잡한 공정과 데이터를 정밀하게 연결해, 더 이상 ‘경험’이 아닌 ‘데이터’로 예측하고 판단하는 환경을 만들어가고 있다”면서, “특히 한국은 자동차 산업의 글로벌 중심지이자, 디지털 제조 혁신이 가장 빠르게 진화하는 시장으로, 이 전환의 최전선에 서 있다. 오토폼은 이곳에서 디지털 트윈과 시뮬레이션을 통해 제조 방식의 새로운 기준을 제시하고, 산업의 미래를 주도해 나가겠다”고 밝혔다.     오토폼은 국내 주요 자동차 및 전자 산업의 OEM 기업과 협력하며 금형 설계, 시뮬레이션, 공정 최적화 등 다양한 디지털 전환 프로젝트를 전개하고 있다고 소개했다. 특히 ‘디지털 프로세스 트윈’을 구현함으로써 설계 초기부터 품질을 예측하고 리스크 줄이는 시스템을 현실화해 불량률을 줄이며, 실제 제조 현장에서의 리드타임 단축과 생산성 향상에 기여하고 있다. 이 같은 기술은 ESG 경영 요구에 대응하는 스마트 제조 구현에도 핵심 역할을 하고 있다는 것이 오토폼의 설명이다. 또한 오토폼은 국내 제조업 밸류체인 전반의 디지털 역량 강화를 위해, 중소 협력업체 지원에도 적극 나서고 있다고 밝혔다. 경일대학교 내에 설립 예정인 ‘디지털 트라이아웃 랩(Digital Tryout Lab)’은 고가의 소프트웨어나 전문 인력 없이도 시뮬레이션 기반 공정 해석을 적용할 수 있도록 돕는 기술 거점으로, 기존에 디지털 전환에서 소외됐던 2차·3차 벤더의 실질적 변화와 기술 내재화를 지원한다. 이 센터는 아진산업 등과 연계해 실무 중심의 시범 프로젝트를 수행하고 있으며, 향후 다양한 협력사들이 활용할 수 있는 공동 인프라로 확대될 예정이다. 오토폼은 기술 지원과 더불어 인재 양성 측면에서도 산학 협력을 강화하고 있다. 오토폼은 경북기계공업고등학교와 디지털 금형 분야 인재 양성을 위한 업무협약(MOU)을 체결하고, 지역 기반의 실무형 교육 생태계 조성에 나선다고 전했다. 이번 협약은 교내 실습과 인턴십, 산업 현장과의 채용 연계를 포함한 통합형 프로그램으로 구성되며, 디지털 제조 환경에 특화된 현장 맞춤형 기술 인재를 체계적으로 육성하는 데 초점을 맞추고 있다. 이외에도 오토폼은 국립창원대학교에 600억 원 규모의 소프트웨어를 3년간 기증해 ‘글로컬 산업기술거점센터’를 설립하고, 지역 기업과 연계한 실무 교육 및 취업 연계 프로그램을 운영하고 있으며, 성균관대학교와는 복합재료 기반의 공동 연구와 실무형 교육을 통해 차세대 제조 인재를 양성하고 있다. 오토폼엔지니어링코리아의 조영빈 대표는 “디지털 전환은 더 이상 대기업만의 과제가 아니며, 금형 산업의 디지털화는 선택이 아닌 생존의 문제다. 오토폼은 중소 협력사를 포함한 밸류체인 전반을 디지털 협업 구조로 연결해, 제조 생태계 전체의 경쟁력을 함께 끌어올리고자 한다”면서, “기술은 나눌 때 그 가치가 배가되고, 사람은 연결될 때 성장한다고 믿는다. 특히 기술과 인재를 지역 현장에서 직접 연결하는 산학협력 모델을 통해, 지속 가능한 산업 성장의 토대를 함께 만들어가겠다”라고 전했다.

앤시스가 인텔의 18A(1.8나노급) 공정 기술로 제조되는 첨단 반도체 설계를 위한 열 및 다중 물리 검증 도구 인증을 획득했다고 밝혔다. 이번 인증은 AI 칩, 그래픽처리장치(GPU), 고성능 컴퓨팅(HPC) 제품 등 고난이도 애플리케이션에 사용되는 반도체 시스템의 기능성과 신뢰성을 확보하는 데 핵심 역할을 한다. 또한, 앤시스와 인텔 파운드리(Intel Foundry)는 멀티다이 기반 3D 집적 회로(3D-IC) 시스템 구현에 활용되는 EMIB(Embedded Multi-Die Interconnect Bridge) 기술을 지원하는 포괄적인 다중 물리 검증 분석 플로를 공동 구축했다. 앤시스 레드호크-SC(Ansys RedHawk-SC) 및 앤시스 토템(Ansys Totem)은 인텔 18A의 GAA(Gate-All-Around) 트랜지스터인 리본펫(RibbonFET)과 후면 전력 공급 기술인 파워비아(PowerVia) 구조를 기반으로 전력 무결성과 신뢰성 분석 성능을 제공한다. 아울러 확장 가능한 전자기 시뮬레이션을 위해 HFSS-IC 제품군 내에 HFSS-IC Pro를 새롭게 선보였다. HFSS-IC Pro는 인텔 18A 프로세스 노드로 제작된 무선 주파수(RF) 칩, WiFi, 5G/6G 및 기타 통신 애플리케이션의 온칩 전자기(Electromagnetic, EM) 무결성 모델링에 대한 인증을 획득했다.     EMIB 기술은 고성능 마이크로프로세서, 이기종 통합 시스템 등 다양한 고성능 컴퓨팅 시스템에서 3D-IC 구현을 가능하게 하는 한편 다양한 종류의 칩을 유기적으로 연결해 고성능 컴퓨팅 시스템의 성능과 통합 수준을 높인다. 이번 다중 물리 플로에는 앤시스 레드호크-SC 일렉트로우써멀(Ansys RedHawk-SC Electrothermal)을 활용한 열 신뢰성 분석이 포함되어 있으며, 앤시스와 인텔 파운드리의 협력 범위를 확대해 실리콘 관통 전극(TSV)이 적용된 차세대 EMIB-T 기술까지 지원한다. EMIB-T 분석 플로는 HFSS-IC Pro와 앤시스의 에스아이웨이브(Anys SIwave)를 통한 신호 무결성 분석, 그리고 레드호크-SC 및 토템을 활용한 전력 무결성 분석까지 포괄하는 형태로 확장됐다. 레드호크-SC, 토템, HFSS-IC Pro의 인텔 18A 고성능 공정 노드(Intel 18A-P) 대상 인증 절차는 현재 진행 중이다. 고객은 최신 인텔의 공정 설계 키트(PDK, Process Design Kit)를 요청해 조기 설계 작업 및 IP 개발을 시작할 수 있다. 해당 설루션은 인텔 14A-E의 공정 정의 및 설계 기술 최적화(DTCO, Design Technology Co-Optimization)의 일환으로 포함되어 있다. 또한, 앤시스는 인텔 파운드리 액셀러레이터 얼라이언스(Intel Foundry Accelerator Alliance)의 일부인 인텔 파운드리 칩렛 얼라이언스에 합류해, 상호운용 가능한 칩렛 설계 및 제조를 위한 보안 생태계 구축에 기여할 예정이다. 인텔의 석 리(Suk Lee) 파운드리 에코시스템 기술실 부사장 겸 총괄 매니저는 “멀티다이 어셈블리 방식은 칩 적층 및 설계 효율에 대한 업계의 관점을 변화시키고 있다. 앤시스의 시뮬레이션은 고객이 설계를 고정밀로 검증할 수 있도록 지원하며, 복구가 어려운 비용을 절감하는 데 중요한 역할을 할 것”이라며, “칩렛 기술 발전을 위한 핵심 협력체인 인텔 파운드리 칩렛 얼라이언스에 앤시스가 참여하고 있어 매우 기대하고 있다”고 밝혔다. 앤시스의 존 리(John Lee) 전자·반도체·광학 사업부문 총괄 부사장은 “앤시스의 다중 물리 시뮬레이션 설루션은 고객에게 높은 수준의 열, 신호, 전력, 기계적 무결성을 보장하며, 최고의 신뢰를 제공한다. 고객의 칩 설계 방식은 다양할 수 있지만, 정확하고 신뢰성 있는 도구에 대한 수요는 항상 존재하며, 이 지점에서 앤시스의 강점이 발휘될 것”이라며, “인텔 파운드리와의 협업을 강화하고 칩렛 얼라이언스에 합류함으로써, 앤시스는 개방형 및 상호운용 가능한 기술을 통해 엔지니어링 완성도 향상이라는 약속을 실천해 나갈 것”이라고 덧붙였다.

2023년 건축서비스산업 실태조사 결과 건축공간연구원에서 2023년 한 해 동안 건축서비스산업의 구조, 경영 활동, 시장 현황 등을 종합적으로 조사한 '2023년 건축서비스산업 실태조사 결과'를 발표했다. 본 실태조사는 「통계법」에 따라 국가 승인을 받은 주요 통계 정보이며, 「건축서비스산업 진흥법」에 근거하여 2022년부터 매년 시행되고 있다. 2024년 조사는 총 1,049개 사업체를 대상으로 46개 문항에 대한 온라인 조사 방식으로 진행되었다. 조사 대상은 한국표준산업분류(제11차) 중 건축서비스산업에 해당하는 사업체이며, 주요 조사 내용은 업무 분야 및 수주·생산성, 해외 사업 및 해외 업체 협업, 정보기술 활용, 교육 및 홍보, 인력 및 근로환경 등에 관한 현황이다. 2023년 건축서비스산업 실태조사의 주요 결과는 다음과 같다.   주요 업무 분야 건축 계획 및 설계: 59.7%로 가장 높은 비중을 차지 감리: 40.4% 건축구조 계획 및 설계: 17.6% 인테리어 디자인: 14.1%   사업체 수 전체 사업체 수: 약 3만 개 (31,476개) 건축 설계 및 관련 서비스업: 18,963개 (60.2%)로 가장 많음 건물 및 토목 엔지니어링 서비스업: 7,792개 (24.8%) 인테리어 디자인업: 4,721개 (15.0%) 종사자 규모별: 1~4명 소규모 사업체가 25,141개 (79.9%)로 대다수, 100명 이상 대규모 사업체는 196개 (0.6%)   종사자 수 전체 종사자 수: 약 27만 명 (274,351명) 건축 설계 및 관련 서비스업: 119,271명 (43.5%) 건물 및 토목 엔지니어링 서비스업: 126,436명 (46.1%) 인테리어 디자인업: 28,645명 (10.4%) 종사자 규모별: 1~4명 규모 사업체 종사자가 95,240명 (34.7%)으로 가장 높은 비중 매출액 전체 매출액: 약 43.5조 원 건축 설계 및 관련 서비스업: 약 19.0조 원 (43.6%) 건물 및 토목 엔지니어링 서비스업: 약 15.6조 원 (35.9%) 인테리어 디자인업: 약 8.9조 원 (20.5%) 종사자 규모별: 1~4명 규모 사업체가 총 매출액의 약 17.1조 원 (39.2%) 차지   ------------------------------------------------------------------- 목차 제1장 조사 개요 1. 조사목적 2 2. 조사연혁 2 3. 법적근거 3 4. 조사주기 및 시기 5 5. 조사기관 및 추진체계 5 6. 조사대상 6 7. 조사방법 6 8. 조사부문 6 9. 조사항목 7 10. 자료 처리 및 분석 8 11. 결과 공표 8 12. 주요 용어 8   제2장 표본 설계 1. 모집단 정의 14 2. 모집단 분포 14 3. 표본의 크기 결정 15 4. 표본 배분 방법 16 5. 표본의 추출 18 6. 가중치의 극단값 처리 18 7. 추정식 19 8. 통계자료 공표 21 9. 유효표본수 확보 방안 및 무응답 처리기준 21 10. 유효표본수 22   제3장 조사 결과분석 1. 업무 분야 및 수주, 생산성 24 2. 해외 업체와의 협업, 해외 프로젝트 49 3. 정보기술 활용 현황 59 4. 교육 및 홍보 67 5. 인력 및 근로환경 74 6. 사업체 일반현황 104   제4장 조사 결과표 1. 업무 분야 및 수주, 생산성 108 2. 해외 업체와의 협업, 해외 프로젝트 148 3. 정보기술 활용 현황 164 4. 교육 및 홍보 177 5. 인력 및 근로환경 185 6. 사업체 일반현황 233   부록 1. 주요변수 허용오차 및 상대표준오차 240 2. 조사표 242 관련 영상보기 • 행사명 : 건축서비스산업 실태조사 포럼 • 주  제 : 건축서비스산업 실태조사 속 현안과 이슈 • 일  시 : 2025.3.21.(금) 14:00 ~ 17:30 https://youtu.be/7Jkq-dLZux0   2023년 건축서비스산업 실태조사 결과 다운로드 하기 #건축서비스산업 #실태조사 #산업 통계

디지털 트윈과 산업용 메타버스 트렌드   데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다.  디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.   ▲ 철도 네트워크의 디지털 트윈 구축하는 독일 디지털 철도(이미지 출처 : 엔비디아)   1. 디지털 전환과 디지털 트윈 디지털 전환(Digital Transformation: DX)은 비즈니스 전 과정에 ICT 기술을 도입하여 전사적 업무, 생산 기술, 제품 등을 디지털화 한 후 이를 기반으로 가상 실험이 가능한 디지털 환경을 구축하는 것이다.  디지털 전환의 궁극적 목적은 기업 이윤 극대화에 필요한 업부/생산 효율성 및 제품 부가 가치 증대를 위한 다양한 창의적 대안들을 가상 실험을 통해 평가한 후 그 결과를 비즈니스 전 과정에 활용하는 것이다. 예를 들어, 스마트 팩토리의 디지털 전환은 조달 시스템, 생산 시스템, 물류 시스템 등 스마트 팩토리 구성요소들의 자원 할당 및 운용에 대한 다양한 대안들을 가상 실험을 통해 평가할 수 있는 환경을 구축하여야 한다. 그렇다면, 비즈니스 전 과정을 가상 실험하기 위해서는 무엇이 필요할까?  가상 실험을 하기 위해서는 먼저 가상 실험 대상(예: 제조 공장)을 선정하고, 다음으로, 가상 실험 시나리오(예:새로운 제조 장비 도입)가 필요하며 시나리오를 수행할 모델(예: 제조 공정 시뮬레이션 모델)이 필요하다. 이러한 가상 실험을 위한 모델이 디지털 트윈이며 이런 이유로 많은 사람들이 디지털 트윈을 DX의 Key(Richard Marchall, 2017), DX의 Enablers(Reterto Saracco, 2019), DX의 Central(Vijay Ragjumathan, 2019), DX의 Steppingstone(Harry Forbes, 2020), DX의 Pillar(Fransesco Belloni, 2020)라고 지적하였다.   2. 디지털 트윈의 정의 디지털 트윈은 물리적 자산, 프로세스 및 시스템에 대한 복제본으로 정의[Wiki 사전]되며, 복제본이란 대상 체계의 운용 데이터, 지형/공간/형상 정보 및 동작/운용 법(규)칙을 컴퓨터 속에 디지털화 해 놓은 것을 의미한다. 예를 들면, 제조 공장의 디지털 트윈은 제조 공장의 운용 데이터, 제조 공장의 공간/형상 정보, 그리고 제조 장비 동작 및 공정 모델이 컴퓨터 속에 복제된 것이 될 것이다. 디지털 트윈과 대상 체계가 쌍둥이기 때문에 쌍둥이 중 누가 먼저 태어났느냐에 따라 디지털 트윈의 이름을 다르게 붙이기도 한다. 대상 체계가 존재하기 전에 만들어진 디지털 트윈을 디지털 트윈 프로토타입(Prototype) 그리고 대상 체계가 만들어진 후 복제된 디지털 트윈을 디지털 트윈 인스턴스(Instance)라고 부른다. 디지털 트윈 프로토타입은 대상 체계 설계 단계에서 활용되며 디지털 트윈 인스턴스는 대상 체계의 운용 분석에 활용되는 것이 일반적이다. 디지털 트윈 인스턴스(실 체계의 복제본)와 디지털 트윈 프로토타입(실 체계의 설계 모델)이 모두 존재할 수도 있지만 디지털 트윈 프로토타입 없이 디지털 트윈 인스턴스만 존재할 수도 있다. 디지털 트윈 프로토타입과 인스턴스가 모두 존재한다면 인스턴스는 프로토타입에 실 체계 운용 정보가 반영되어 진화(성장)된 트윈으로 볼 수 있다. 3. 디지털 트윈 구축 목적 디지털 트윈의 구축 목적은 대상 실 체계와 디지털 트윈을 연동 운용함으로써 실 체계 관련 이해 당사자에게 지혜 수준의 혁신적 서비스를 제공할 수 있는 핵심 도구/수단으로 활용하기 위함이다. 데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다. 융합 빅 데이터는 AI-통계/공학 분석도구들을 이용하여 실 세계의 구성요소인 자산, 사람, 운용 프로세스들의 다양한 결합에 대한 분석/예측 및 체계 운용 최적 대안(최적화)을 찾는데 활용될 수 있다. 아울러, 융합 빅 데이터는 실 세계를 가상 환경에서 현실감 있게 표출할 수 있는 다양한 장비/장치와 VR/AR/XR/메타버스 관련 ICT 기술과의 융합 인터페이스를 통해 오락, 관광, 교육 훈련, 체험 등에 활용될 수 있다.     디지털 트윈의 복제 대상은 실 체계의 운용 데이터, 공간/형상 정보 및 실 체계에 포함된 객체들의 행위 모델 등 3가지이다. 운용 데이터는 실 체계에 설치된 IoT 장비로부터 획득이 가능하다. 공간/형상 정보는 서비스 목적에 따라 GIS, BIM 혹은 3D CAD 중 한 가지 이상을 결합하여 사용한다. 객체 행위 모델은 다양한 시나리오를 가상 실험하기 위한 시뮬레이션 모델을 사용하지만 서비스 목적에 따라서는 운용 데이터를 학습한 데이터 모델을 사용할 수도 있다. 구성요소 중 일부만을 사용한 디지털 트윈은 나머지 구성요소를 사용하지 않음으로 인한 한계점에 봉착하게 된다. 예를 들면, 실 체계 운용 데이터 복제만으로 구성된 IoT 기반 디지털 트윈은 수집된 데이터를 분석할 수는 있지만, 실 체계를 시각화한 지형/공간 상에 데이터를 표출할 수 없을 뿐만 아니라 실 체계와는 다른 가상 데이터를 입력한 시뮬레이션을 수행할 수 없다. 마찬가지로, 지형/공간 정보 만으로 구성된 디지털 트윈은 실 체계에서 일어나는 지형/공간 정보의 변화를 실 시간으로 반영할 수 없으며 시뮬레이션을 통한 실 체계의 현상 분석 및 미래 예측이 불가능 하다.      디지털 트윈의 효율적인 활용을 위해서는 위의 세 가지 구성요소 모두를 개발 및 운용할 수 있는 통합 플랫폼이 바람직하지만 국내외적으로 표준화된 디지털 트윈 플랫폼은 존재하지 않는다. 디지털 트윈의 특성 상 3가지의 디지털 트윈 구성요소 각각을 개발하는 독립적인 플랫폼을 사용하여 구성요소를 개발한 후 이들을 연동하여 운용하는 것이 효율적이다.  구체적으로는, 먼저, 디지털 트윈 개발 목적에 맞게 운용 데이터를 수집하는 IoT 플랫폼, 지형/공간 정보를 구축하는 지형/공간정보 플랫폼 및 모델링 시뮬레이션 플랫폼들을 이용하여 각 구성요소를 개발한다. 다음으로, 개발된 세 가지 구성요소를 실행하는 플랫폼들을 연동 운용하는 PoP(Platform of Platforms) 구조를 사용할 수 있다. PoP 구조는 디지털트윈의 목적에 부합되는 모든 디지털트윈을 개발/운용할 수 있는 플랫폼으로써 신뢰성 및 경제성(개발 기간 및 비용) 면에서 효율적인 구조이다. PoP 구조를 사용할 경우 플랫폼들 사이의 연동을 위한 데이터 모델과 API의 국제적인 표준화가 요구되며 데이터 모델의 표준은 대상 시스템에 따라 달라질 수 있다.  디지털 트윈을 실제 시스템에 대한 문제 해결 목적으로 사용하기 위해서는 대상 시스템에 대한 다양한 질문의 답을 디지털 트윈을 통해서 얻을 수 있는 서비스가 제공되어야 한다. OR 이론의 창시자 중 한 명으로 경영 과학 이론가인 R.L.Ackoff 교수는 사람이 생각하는 내용을 데이터, 정보. 지식, 지혜 등 4가지로 분류하였다. 데이터는 단순한 심벌(숫자나 문자)을 말하지만 정보는 ‘who’, ‘what’, ‘where’, ‘when’을 답할 수 있고, 지식은 ‘how’를 답할 수 있고, 지혜는 ‘why’를 답할 수 있어야 한다고 정의하였다. 디지털 트윈의 서비스 수준을 Ackhoff 교수의 분류법에 매핑 시킨다면 정보 수준 서비스는 시스템 분석(현상, 기능 등), 지식 수준 서비스는 시스템 예측(행위, 성능 등) 그리고 지혜 수준 서비스는 시스템 최적화(운용 최적화 등) 및 진단(수명 진단 등)에 해당한다. 예를 들어, 교통 시스템에 대한 다양한 질문을 답하기 위해 교통 디지털 트윈을 만들었다고 하자. 정보 서비스의 예는 현재 교통 시스템의 현상을 분석하는 것으로 어느 위치의 현재 시간대에 단위 시간당 교차로 통과 차량 대수가 얼마인지에 대한 답을 하는 서비스이다. 지식 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 얼마가 되는지를 예측하는 질문에 대한 답을 하는 서비스이다. 지혜 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 최소가 되는 최적화된 경로가 어떤 것인지의 질문에 대한 답을 하는 서비스이다.    4. 디지털 트윈의 구성요소 디지털 트윈의 3 가지 구성요소 중 행위 모델은 목적에 따라 데이터 모델과 시뮬레이션 모델로 대별된다. 데이터 모델은 실 체계에서 수집된 데이터들 사이의 상관관계를 기계학습하여 얻어진 모델(예: 인공신경망)로서 지식 서비스를 위한 시스템 행위 예측에 한계점을 가지고 있다. 구체적으로, 데이터 모델은 학습된 데이터 영역에서는 미래 예측이 가능하지만 학습된 영역 밖의 데이터에 대한 예측은 불가능 하다. 뿐만 아니라 학습 시와 예측 시의 시스템 운용 조건이 달라질 경우에도 예측이 불가능하다. 앞서 예시한 교통 디지털 트윈으로 데이터 모델을 사용할 경우 학습 시 도로 상황(운행 시간, 사고 발생 유무 등)이 예측 시 도로 상황과 동일하지 않으면 소요 시간 예측의 정확도가 보장되지 않는다. 더욱이, 시스템 변수 사이의 상관 관계로 표현된 데이터 모델은 변수 사이의 인과 관계가 필요한 시스템의 최적화 및 고장 진단 등에는 활용할 수 없다. 이러한 데이터 모델의 서비스 한계를 극복하기 위해서는 시뮬레이션 모델을 사용할 수 있다. 시뮬레이션 모델은 구축은 대상 시스템에 대한 도메인 지식과 이를 표현하는 지배 법칙에 대한 수학적/논리적 표현 방법을 이해해야 하므로 데이터 모델에 비해 고 비용이 요구된다. 따라서, 디지털 트윈의 행위 모델은 대상 시스템의 서비스 목적과 수준에 따라 다르게 선택될 수 있다.    5. 디지털 트윈의 발전 전망  디지털 트윈의 향후 발전 전망은 문제 해결과 가상 체험 및 빅 데이터 분야로 대별할 수 있다. 문제 해결 분야에서 디지털 트윈의 대상은 분석, 예측, 최적화/진단 대상이 되는 모든 시스템 분야로서 산업(제조, 생산, 물류, 식물공장 등), 공공(교통, 환경, 금융 등), 의료(진단, 인공장기, 가상수술 등), 재난안전(안전점검, 피해분석, 대피훈련 등), 국방(군사훈련, 국방분석, 무기체계 획득 등)등을 포함한다.  현재 디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.  가상 체험 분야는 디지털 트윈이 실 세계 혹은 가상 세계를 움직이는 다양한 시나리오를 정형화한 지배 법칙(모델)을 실행(시뮬레이션)하는 수단으로 활용될 전망이다. 이러한 지배법칙 실행은 실제 세계와 가상 세계의 구별 없는 가상 체험을 목표로 하는 메타버스의 서비스 콘텐츠를 제공한다. 따라서, 메타버스 발전을 위해서 메타버스의 서비스 컨텐츠를 제공하는 디지털 트윈 발전이 필수적으로 향후 메타버스와 디지털 트윈은 동시에 발전할 전망이다.  빅 데이터 분야에서는 디지털 트윈의 가상 실험을 통해 실 체계에서는 물리적/경제적 이유로 수집 불가능한 다양한 빅 데이터를 생성하는데 활용될 전망이다. 유의미한 빅 데이터 생성을 위해서는 실 체계에서 수집 가능한 데이터를 사용하여 디지털 트윈 모델의 검증이 선행된 후 실 체계에서 수집 불가능한 데이터 생성을 위한 가상 실험이 설계되어야 한다. 디지털 트윈을 사용한 빅 데이터 생성은 시스템 기능 검증, 예지 진단 및 기계학습 등과 같은 부가가치가 높은 데이터 생성에 집중되어 미래 데이터 구독 시장 활성화에 기여할 전망이다.   김탁곤 명예교수  KAIST 전기전자공학부  

주요 디지털 트윈 소프트웨어 디지털 트윈 모델 생성 및 배포 솔루션, Ansys Twin Builder 개발 : Ansys, www.ansys.com 자료 제공 : Ansys Korea, 02-6009-0500, www.ansys.com   Ansys Twin Builder는 디지털 트윈(Digital Twin) 기술을 활용하여 실제 물리 시스템을 가상 환경에서 시뮬레이션하고 최적화할 수 있는 솔루션이다. 멀티피직스 시뮬레이션 기술을 기반으로 물리 모델과 실시간 센서 데이터를 결합하여 예측 유지보수 및 성능 최적화를 지원한다. 제조, 자동차, 항공우주, 전자, 에너지, 의료 등 다양한 산업에서 활용된다.   1. 주요 특징 (1) Physics 기반의 디지털 트윈 구축 IoT 데이터 및 시뮬레이션 모델을 결합하여 정밀한 디지털 트윈 모델 생성 (2) 실시간 시뮬레이션 및 예측 유지보수 지원  센서 데이터를 활용하여 장비의 고장 가능성 예측 및 유지보수 최적화 (3) 멀티피직스 통합 분석  전자기, 유체, 구조, 열 해석을 통합하여 복잡한 시스템 성능 분석 가능 (4) AI 및 머신러닝 연계 가능  OptiSLang을 활용한 AI 기반 최적화 및 데이터 분석 지원 (5) IoT 및 클라우드 플랫폼과 연계  AWS, Microsoft Azure, PTC ThingWorx 등 다양한 IoT 플랫폼과의 호환성 제공 2. 주요 기능 (1) 디지털 트윈 생성 및 실행  시뮬레이션 모델을 물리 데이터와 연결하여 실시간 가상 시뮬레이션 수행 (2) Model-Based Systems Engineering(MBSE) 지원  시스템 레벨 설계를 위한 MBSE 기반 시뮬레이션 제공 (3) 고급 시뮬레이션 및 자동화  MATLAB, Simulink, FMI 모델과 통합 가능하여 복잡한 시스템 해석 (4) PLM 및 데이터 관리 통합  Siemens Teamcenter, PTC Windchill 등 주요 PLM 시스템과 연계하여 제품 수명주기 관리 지원 (5) Predictive Maintenance 기능 내장  실시간 데이터 분석을 통해 유지보수 전략 개선 3. 도입 효과 ■ 설비 가동률 향상: 디지털 트윈을 활용한 사전 예측 유지보수로 시스템 다운타임 감소 ■ 제품 개발 기간 단축: 프로토타입 제작 없이 가상 환경에서 제품 설계 검증 가능 ■ 운영 비용 절감: 최적화된 유지보수 전략을 통해 운영 및 유지보수 비용 절감 ■ 설계 품질 향상: 실제 운영 데이터를 기반으로 제품 설계 개선 및 성능 최적화 4. 주요 고객 사이트 ■ 제조업: 두산 그룹, POSCO  ■ 자동차: 현대자동차그룹, LS Automotive Technologies, HL Mando ■ 항공우주: Korea Aerospace Industries (KAI), Hanwha Aerospace ■ 반도체/전자: Samsung Electronics, SK Hynix, LG Electronics, Samsung Electro-Mechanics, Samsung Display, LG Display, LG Innotek, LX Semicon ■ 에너지: LG Energy Solution, SK On, Samsung SDI, Hyundai Electric & Energy Systems, Doosan Enerbility, Hanwha Solutions   상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

지멘스 디지털 인더스트리 소프트웨어는 모든 규모의 조직이 SaaS(서비스형 소프트웨어) 기반 PLM(제품 수명주기 관리)을 활용하여 제조 산업 전반의 디지털 전환과 혁신을 촉진할 수 있도록 팀센터 X(Teamcenter X) 소프트웨어의 새로운 버전을 출시한다고 발표했다. 새로운 팀센터 X 제품군은 기계, 전기, 전자 개발을 아우르는 프로세스 관리 및 크로스 도메인 기능 등 다양한 고급 기능을 사전 구성된 형태로 제공한다. 팀센터 X는 기존 두 종류의 버전에 새롭게 두 가지를 추가해, 총 네 가지 버전으로 제공된다.     팀센터 X 에센셜즈(Teamcenter X Essentials)는 간편한 배포와 낮은 운영 비용을 고려하여 설계되었으며, 기계 설계에 집중하는 기업을 위한 데이터 관리 기능을 제공한다. CAD 데이터 관리, 제품 구조 및 리비전 관리, 사용 위치 검색, 체크인/체크아웃, 3D 보기 및 마크업 기능이 포함되어 있으며, 기업의 성장에 따라 확장성을 지원한다. 새롭게 출시된 팀센터 X 스탠더드(Teamcenter X Standard)는 에센셜즈 버전을 기반으로 단순 변경 관리, 프로젝트 일정 관리, 문서 관리, 보고서 생성 등 추가적인 PLM 기능을 포함한다. 모든 기능은 사전 구성된 형태로 제공되며, 고객의 요구에 맞게 조정할 수 있다. 역시 새롭게 출시된 팀센터 X 어드밴스드(Teamcenter X Advanced)는 제품 수명 주기 전반에 걸쳐 기계, 전자 및 전기 설계 간의 크로스 도메인 협업이 필요한 기업을 지원한다. 전기 및 전자 설계 통합 및 분류를 위한 데이터 관리 기능이 추가되었으며, 마찬가지로 사전 구성된 상태로 제공되고 필요 시 맞춤화할 수 있다. 팀센터 X 프리미엄(Teamcenter X Premium)은 클라우드 공급자를 선택할 수 있으며, 팀센터의 전체 기능을 활용하고자 하는 기업을 위한 포괄적 PLM 설루션이다. 엔터프라이즈 BOM, 비즈니스 시스템 통합, 모델 기반 시스템 엔지니어링(MBSE), 제조 계획, 품질 및 컴플라이언스 관리, 제품 비용 및 서비스 수명 주기 관리까지 포함한다. 또한 산업용 기계, 의료기기, 반도체 등 특정 산업군을 위한 사전 구성 설루션도 제공된다. 지멘스 디지털 인더스트리 소프트웨어의 프랜시스 에반스(Frances Evans) 라이프사이클 협업 소프트웨어 수석 부사장은 “팀센터 X의 이번 확장은 SaaS PLM을 모든 규모의 기업이 보다 쉽게 접근할 수 있도록 하려는 지멘스의 사명을 이어가는 것”이라면서, “새로운 팀센터 X의 기능은 더 많은 고객이 빠르게 PLM 도입을 시작하고, 이후 팀센터 포트폴리오 전반을 통해 비즈니스 과제를 확장해 나갈 수 있도록 돕는다”고 말했다.

최적화 문제를 통찰하기 위한 심센터 히즈 (3)   이번 호에서는 심센터 히즈(Simcenter HEEDS)를 사용하여 수집된 외부 데이터를 시각화하고 분석하는 데 초점을 맞추고, 데이터 시각화의 중요성과 분석 기법의 활용 방안을 살펴본다.   ■ 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   데이터 분석의 중요성 오늘날 데이터는 우리의 일상과 비즈니스 운영에서 점점 더 중요한 역할을 하고 있다. 수집되고 측정된 데이터의 양이 증가하면서 이를 효과적으로 처리하고 분석하는 방법은 더욱 필요해지고 있다. 이러한 변화 속에서, 지멘스의 심센터 히즈는 강력한 데이터 분석 및 시각화 기능을 제공하여 다양한 산업 분야에서 최적의 해결책을 찾는 데 기여하고 있다. 이번 호에서는 히즈의 기능을 효과적으로 활용하여 어떻게 복잡한 데이터를 이해하고 의미 있는 인사이트를 얻을 수 있는지 살펴볼 것이다.   히즈의 데이터 분석 기능 히즈의 Discover(디스커버) 탭은 사용자가 데이터 사이의 관계 및 최적화 가능성을 탐구할 수 있도록 다양한 도구를 제공한다. Discover 기능은 주요한 데이터 분석 및 이해를 도와주는 여러 방법을 포함하고 있다.    그림 1   다음은 각각의 기능에 대한 설명이다.  Closest : 특정 데이터 포인트에 가장 가까운 변화를 식별한다. 이를 통해 최적화 과정에서의 데이터 민감성을 이해하고 결정에 도움을 줄 수 있다.  Similar : 사용자가 선택한 기준에 따라 유사한 데이터 집합을 찾는 기능이다. 이는 집합의 규칙 또는 모델을 파악하는 데 유용하다. Clusters : 데이터 세트를 서로 연관된 그룹으로 분류한다. 군집화 기법을 통해 데이터의 패턴을 식별하고 알고리즘에 의한 데이터 이해를 개선할 수 있다.  Trade-offs : 다수의 설계 목표 간의 상충 관계를 분석한다. 이를 통해 각각의 설계 대안이 어떻게 특정 목표를 달성하는지에 대해 명확하게 이해할 수 있다.  Patterns : 데이터 내의 반복되는 경향이나 구조를 발견하여 예측 및 모델링에 도움을 주는 기능이다. 패턴 인식은 정보의 신뢰도를 높이는 데 중요하다.  Preview History : 사용자가 수행한 변경이나 실행의 기록을 미리 보면서 데이터 분석의 이력을 관리할 수 있다.  Design Set : 여러 디자인 시나리오를 만들고 비교하여 최적의 설계를 도출하는 데 도움을 준다.  Performance & Plot : 데이터의 성능을 평가하고 시각적으로 플롯하여 분석 결과를 명확하게 표현한다.  Discover 탭의 이러한 기능은 히즈 사용자가 데이터를 깊이 이해하고 시뮬레이션 최적화 과정에서 효과적인 의사 결정을 내리도록 돕는다. 이를 바탕으로 보다 정확하고 신뢰성 있는 설계와 분석 결과를 도출할 수 있다.   데이터 분석을 위한 예제   그림 2    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 히즈의 Discovery Method를 사용하여 분석할 데이터는 우리가 지금까지 계속 예제로 사용한 외팔보의 처짐 문제를 기반으로 Adaptive Sampling Study(어댑티브 샘플링 스터디)에서 500개의 데이터를 생성하여 사용할 것이다. 아니면 독자들이 가지고 있는 데이터를 사용해도 괜찮다.   그림 3     ■ 자세한 기사 내용은 PDF로 제공됩니다.

MBSE를 위한 아키텍처-1D 모델 연계의 중요성 및 적용 전략 (1)   제조산업에서 설계 효율 향상과 개발 기간 단축을 위해 모델 기반 개발(MBD)을 적극 도입하고 있지만, 아키텍처 모델과 1D 모델 간의 연계 부족으로 인해 개발 단계에서 모델의 실질적인 활용과 의사결정 지원이 어려운 경우도 많다. 이번 호에서는 MBD의 성과를 높이기 위한 아키텍처 모델과 1D 모델의 체계적인 연계 방안을 제시하고, 이를 통한 설계 효율 및 개발 정확성 향상의 전략적 방향을 살펴본다.   ■ 오재응 한양대학교 명예교수, LG전자 기술고문   최근 제조산업은 제품의 개발 기간 단축과 다품종 생산이라는 트렌드에 대응하기 위해 개발의 효율성을 극대화하고 반복 설계를 최소화하는 방향으로 변화하고 있다. 이러한 흐름 속에서 모델 기반 개발(Model-Based Development : MBD)은 이미 많은 제조업체가 적극 추진하고 있으며, 이를 통해 설계 초기부터 제품의 동작을 예측하고 최적화할 수 있는 기반을 마련하고자 한다. 그러나 모델 기반 개발을 도입하고 실제로 모델을 구축했음에도 불구하고, 현업에서 모델이 제대로 활용되지 못하는 경우가 많다. 이는 구축된 모델이 단지 형식적으로 존재할 뿐, 제품 개발의 맥락 속에서 아키텍처적, 1D적 연결성을 갖추지 못해 실질적인 의사결정과 개발 단계에서 활용되지 못하고 있기 때문이다. 즉, 원래 의도한 목적이나 아키텍처적 요구와 연계되지 않은 모델이기 때문에, 사용자는 해당 모델이 ‘내 일에 어떻게 쓰이는지’를 이해하지 못하고 거리감을 느끼는 것이다. 이러한 문제를 극복하기 위해서는 아키텍처 모델과 1D 모델을 유기적으로 연계하고, 이를 기반으로 아키텍처 요구사항을 구체화할 수 있어야 한다. 아키텍처 모델이란 제품의 구조, 기능, 물리적 메커니즘 등 아키텍처적 개념을 설명하는 모델이며, 1D 모델은 이러한 개념을 수학적으로 해석하고 시뮬레이션 가능한 형태로 정형화한 것이다. 따라서 아키텍처 모델과 1D 모델 간의 연계는 제품 개발의 전체 V자 프로세스에서 핵심 역할을 하며, 상호보완적으로 작용하여 제품 성능 검증 및 요구사항 만족 여부를 평가하는 데 기여한다.   그림 1. 아키텍처 모델 – 1D 모델 연계   <그림 1>은 이러한 개념을 시각적으로 설명한다. 초기의 아키텍처 설계 단계에서 아키텍처 요구와 구조를 정의한 뒤 이를 바탕으로 1D 모델이 생성되고, 시뮬레이션 및 해석을 통해 결과를 도출하며, 이 결과는 다시 상위의 아키텍처 요구사항에 대한 검증으로 이어진다. 이처럼 상향식-하향식 피드백 루프를 통해 아키텍처 모델과 1D 모델이 반복적으로 연계되어야 진정한 의미의 모델 기반 개발이 실현될 수 있다. 특히 설계자와 개발자는 1D 모델은 제품을 해석하고 튜닝하는 강력한 도구라고 인식하지만, ‘왜 이 설계를 했는가’, ‘서브시스템 간 구조는 어떻게 되는가’, ‘요구사항은 어떻게 충족되는가’와 같은 질문에는 답하지 못한다. 그 해답을 주는 것이 바로 아키텍처 모델(MBSE)이며, 이 두 모델을 연결해야만 설계의 정확성, 추적성, 협업성이 동시에 확보된다.   다양한 유형의 아키텍처적 측정 간의 관계   그림 2. ISO/IEC 15288 System Life Cycle Technical Processes & Life Cycle   ISO/IEC 15288(그림 2)은 시스템 수명주기 전반에 걸친 아키텍처 프로세스의 흐름과 체계를 정의한 국제 표준이다. 특히 이 표준은 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE) 관점에서 시스템 개발 활동을 구조화한 것으로, 시스템 수명 주기(V 모델)를 기반으로 요구 분석, 설계, 검증 및 확인, 유지보수 등 각 단계의 아키텍처적 활동과 그 상호 관계를 정립한다. 시스템 엔지니어링 활동을 통해 성공적인 시스템을 구축하기 위해서는 다양한 아키텍처적 성과 지표와 측정 지표가 필요하며, 이를 통해 시스템의 목표 달성 여부를 판단할 수 있다. 대표적인 지표로는 다음과 같은 세 가지가 있다. MOE(Measure of Effectiveness, 효과성 측정지표)는 시스템이 실제 운용 환경에서 얼마나 효과적으로 임무를 수행할 수 있는지를 평가하는 지표로, 주로 고객 요구사항이나 운용 목표 달성 여부에 초점을 맞춘다.  MOP(Measure of Performance, 성능 측정지표)는 시스템의 성능 수준을 수치적으로 정량화한 것으로, 설계 명세나 요구된 성능 기준을 얼마나 충족하는지를 평가한다.  TPM(Technical Performance Measure, 아키텍처 성과 측정지표)은 개발 과정 중 아키텍처 적인 목표 도달 여부를 지속적으로 모니터링하고 예측하는 데 사용되는 지표로, 시스템 개발 리스크를 조기에 식별하고 관리하는 데 활용된다. 이러한 측정 지표는 예측 차이나 실측 차이를 바탕으로 비교 분석할 수 있으며, 시스템 개발 단계에서 시스템의 위험 요인에 대한 조기 탐지와 개선 대책의 선제 적용이 가능하도록 지원한다. 이는 곧 사업의 비용 효율성 제고와 일정 준수에 기여하며, 전체 수명주기 동안 긍정적인 영향을 유도할 수 있다.  <그림 2>는 ISO/IEC 15288의 V-모델과 아키텍처적 측정 지표가 어떻게 연계되는지를 보여준다. 요구사항 도출과 검증, 설계와 확인 간의 대응 관계를 통해 아키텍처적 활동이 체계적으로 연결되며, 수명주기 전체에서 MOE, MOP, TPM이 통합적으로 작동하여 아키텍처적 리스크를 관리하고 시스템의 성공적인 구현을 가능하게 한다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (21)   이번 호에서는 다양한 유형의 난류 모델과 사용 시기, 그리고 복잡한 형상을 위한 고충실도 난류 모델링에 있어 케이던스 밀레니엄 M1(Cadence Millennium M1) CFD 슈퍼컴퓨터가 어떻게 혁신을 가져오는지에 대해 설명한다.   ■ 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. 자동차 생산량은 꾸준히 늘고 있지만, 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.   그림 1   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.    난류의 모델링 기법 ‘난류’는 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. 몇 년에 걸쳐 다양한 난기류 모델링 접근법이 개발되었으며, 가장 일반적인 세 가지 접근법을 간략히 설명한다. Direct Numerical Simulation(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. Large-Eddy Simulation(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. Reynolds-Averaged Navier-Stokes Model(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 이해하는 데 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 처리하는 데 적합한 옵션이다. LES가 생성하는 고충실도 결과물은 경쟁이 치열한 자동차 시장에서 중요한 한 차원 높은 성능 개선이 가능한 설계를 가능하게 한다.   그림 2    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 설루션이다. 이 방법은 또한 짧은 시간 내에 여러 사례를 분석해야 할 때 널리 사용된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.