개발 : Ansys 주요 특징 : 엔지니어링 프로세스를 하나로 연결하는 통합 시높시스–앤시스 워크플로 제공, 생성형 AI와 에이전틱 엔지니어링 기능으로 설계 탐색 가속/전처리 자동화/시스템 수준 인사이트 확보 지원, 확장된 디지털 트윈 역량 및 연결된 모델링 워크플로로 시스템 전반에 대해 리얼월드 기반의 인사이트 제공 강화 등 공급 : 앤시스 코리아   ‘앤시스 2026 R1(Ansys 2026 R1)’은 시높시스와 앤시스가 보유한 공학 역량을 결합해, 시높시스-앤시스 통합 기능을 본격적으로 선보인다. 앤시스 2026 R1은 시뮬레이션 AI 포트폴리오를 확장해 학습 효율을 높이는 AI 강화 트레이닝 제공과 함께 고급 AI 기능도 강화했다. 이를 통해 엔지니어링 팀은 초기 개발 단계에서 시스템 수준 인사이트를 확보함과 동시에 물리 시험 의존도를 줄이며, 소프트웨어 중심 제품이 고도화되는 환경에서도 성능 최적화를 보다 효율적으로 추진할 수 있게 됐다.   ▲ 출처 : 시높시스   시스템 인지 엔지니어링의 미래를 가속하는 공동 설루션 앤시스 2026 R1은 시스템 복잡성 증가, AI 기반 제품 수요 확대, 그리고 산업 전반의 조기 검증 전환이 맞물리며 변화하는 엔지니어링 환경에서 새로운 흐름의 출발점이 될 것으로 전망된다. 시높시스는 이러한 변화에 대응하기 위해, 시높시스와 앤시스의 주요 기술을 연동해 하나의 통합된 시스템처럼 작동하도록 지원한다. 이를 통해 초기 설계 탐색을 가속하고 도메인 간 협업을 강화하며, 주요 산업 전반에서 더 깊은 인사이트를 제공하는 고효율 워크플로를 제시한다. 이번 앤시스 2026 R1에 포함된 신규 시높시스-앤시스 공동 설루션은 다음과 같다. 시높시스 VC 펑셔널 세이프티 매니저(Synopsys VC Functional Safety Manager, VC FSM)와 앤시스 메디니 애널라이즈(Ansys medini analyze)가 시스템 수준과 실리콘 수준 안전 분석을 연결하는 엔드 투 엔드 기능 안전 워크플로로 연동된다. 이를 통해 시스템 안전 엔지니어와 칩 안전 검증 엔지니어 간 협업이 간소화되며, 시스템부터 칩까지 추적성(traceability)이 자동화된다. 또한 도구 간 수작업 데이터 공유를 줄여 자동차 및 항공우주 안전 등 핵심 적용 분야에서 시간 절감 효과를 기대할 수 있다. 시높시스 퀀텀ATK(Synopsys QuantumATK)와 앤시스 그란타 MI(Ansys Granta MI) 플랫폼이 소재 워크플로로 통합되어 원자 스케일부터 엔터프라이즈까지 이어지는, 소재 발굴, 신소재 개발, 제조 공정 개선을 지원한다. 검증된 소재 물성치를 그란타 MI로 직접 내보낼 수 있어 소재 과학자와 설계 엔지니어 간 협업 효율이 높아진다. 또한 반복 가능하고 재사용 가능한 워크플로를 통해 정제되고 일관된 소재 레코드를 구축함으로써 초기 단계에서 성능 예측과 데이터 기반 의사결정을 지원한다. 시높시스 옵토컴파일러(Synopsys OptoCompiler)와 앤시스 루메리컬 FDTD(Ansys Lumerical FDTD)가 디바이스 수준 포토닉 설계와 고급 시스템 수준 광학 시뮬레이션을 연결하는 설계 워크플로로 통합된다. 또한 Verilog-A 모델 생성 자동화와 도구 간 광학 거동 일관성 확보를 통해 디바이스 설계자와 시스템 수준 포토닉 엔지니어 간 협업을 강화한다. 이를 통해 설계·시뮬레이션 환경 간 수작업 데이터 변환을 줄이고, 고도화된 포토닉 애플리케이션에서 시간 절감과 신뢰성 향상을 지원한다. 앤시스 스케이드(Ansys SCADE) 모델 기반 소프트웨어 개발 설루션에 더해, 시높시스는 제어 소프트웨어를 위한 테스트 자동화 설루션 TPT를 제공한다. SCADE는 안전 필수 소프트웨어 개발 환경을 제공하고, TPT는 테스트 생성·실행·분석을 자동화해 설계 반복을 가속하고 조기 검증을 강화하며 복잡한 제어 소프트웨어 품질 향상을 지원한다. 두 설루션을 결합하여 ADAS, 전동화 파워트레인, 비행 제어, 엔진 제어, 항공전자 등 미션 크리티컬 제어 시스템 개발에서 수작업 검증 부담을 줄이고 자동화 수준을 높일 수 있다.   ▲ 출처 : 시높시스   AI 기반 디지털 엔지니어링으로 더 빠르고 스마트한 설계 반복 지원 앤시스 2026 R1은 생성형 AI와 에이전틱 기능을 도입해, 검증을 가속하고 설계 탐색을 확대하며 복잡한 워크플로의 자동화를 강화했다. 이를 통해 엔지니어링 팀은 개발 전체 과정에서 더 빠르고 스마트한 인사이트를 확보할 수 있다. 앤시스 지옴AI(Ansys GeomAI) 지오메트리 플랫폼은 생성형 AI 기반의 개념 설계 탐색을 통해, 지오메트리 콘셉트를 보다 창의적이고 효율적으로 빠르게 생성·평가·개선할 수 있도록 지원한다. 레퍼런스 설계로부터 직접 학습함으로써 초기 혁신을 가속하는 동시에, 엔지니어링 의도를 보존해 AI가 생성한 콘셉트가 예측 가능하고 신뢰할 수 있으며 후속 검증 단계로 자연스럽게 이어질 수 있도록 돕는다. 또한 메시 에이전트는 앤시스 메카니컬(Ansys Mechanical)에서 탐색적 사용으로 제공되는 신규 기능으로, 모델 전처리 과정에서 발생하는 메싱 실패 원인을 진단하고 해결하는 데 도움을 준다. 검증된 개선 절차를 기반으로 엔지니어를 안내해 자동화 전처리에 대한 신뢰를 높인다. 현재 초기 고객 평가 단계에 있는 ‘디스커버리 검증 에이전트’는 앤시스 디스커버리(Ansys Discovery)에 탑재돼, 수십 년간 축적된 공학 전문성을 바탕으로 문맥 정보와 산업 모범 사례를 활용해 설정 이슈를 선제적으로 식별한다. 이를 통해 엔지니어가 작업을 더 빠르게 진행하고 비용이 큰 실수를 줄이며, 초기부터 더 높은 성능의 설계를 만들 수 있도록 지원한다. 앤시스 2026 R1의 추가 AI 업데이트 사항은 다음과 같다. 앤시스 SimAI(Ansys SimAI) 시뮬레이션 플랫폼은 두 가지 제공 형태를 지원한다. 기존 제품인 앤시스 SimAI 프리미엄 SaaS와, 로컬 데이터 저장이 필요한 프로젝트를 위해 데스크톱 환경에서 사용할 수 있도록 설계된 앤시스 SimAI Pro가 포함된다. 앤시스 옵티스랭(Ansys optiSLang)의 SimAI 커넥터를 통해 학습 데이터 생성, AI 학습, 최적화 및 설계 스터디까지 엔드투엔드 워크플로를 구현할 수 있다. 앤시스 엔지니어링 코파일럿(Ansys Engineering Copilot)이 메디니 애널라이즈, 앤시스 모델센터(Ansys ModelCenter), 앤시스 록키(Ansys Rocky)에서 제공돼 사용자 인터페이스 내에서 지능형 AI 가이드 지원을 제공한다. 옵티스랭과 디스커버리 간 신규 통합으로 민감도 분석과 원클릭 최적화를 지원하는 AI-레디 워크플로가 제공된다. 이를 통해 엔지니어는 메카니컬, 플루언트 또는 앤시스 아이스팩(Ansys Icepak)에서 개념을 검증하기 전에, 초기 단계에서 더 빠르게 설계 대안을 탐색할 수 있다.   ▲ 출처 : 시높시스   리얼월드 디지털 트윈으로 시스템을 연결하고 성능 최적화 앤시스 2026 R1에서 확장된 디지털 트윈 혁신은 물리적 프로토타이핑 이전 단계에서 사용자들이 더 깊은 리얼월드 인사이트를 확보할 수 있도록 지원한다. 앤시스 트윈AI(Ansys TwinAI)는 시뮬레이션 데이터와 센서·테스트 정보를 더 정교하게 얼라인하는 신규 퓨전 모델링 방식과, 대규모 시계열 모델링 및 학습 효율을 강화하는 템포럴 퓨전 트랜스포머를 도입했다. 또한 트윈AI ROM(차수 축소 모델) 위저드는 고정밀 ROM의 생성 및 배포를 제공하여 리얼타임 디지털 트윈 제공을 가속한다. 또한, 앤시스 AV엑셀러레이트 센서(Ansys AVxcelerate Sensors)는 신규 GPU 가속 멀티스펙트럴 광 전파 엔진과 엔비디아 옴니버스와의 통합 확대를 포함한 기능 강화를 통해 통합된 3D 디지털 트윈 파이프라인을 구현한다. 이를 통해 시나리오 전반에서 더 물리적으로 정확한 카메라 동작, 표면 반사 그리고 엣지케이스 재현성을 제공한다.     ■ 기사 내용은 PDF로도 제공됩니다.

엔비디아와 로레알 협력 확대, 알케미 AI로 뷰티 연구 및 배합 최적화 100배 가속 AI 컴퓨팅 기술 분야의 선두주자인 엔비디아가 세계 최대 AI 가속 컴퓨팅 콘퍼런스인 GTC 2026에서 글로벌 뷰티 기업 로레알과의 협력 확대를 발표했다. 이번 파트너십을 통해 엔비디아의 화학 및 소재 혁신을 위한 AI 연구소인 알케미(ALCHEMI)가 수십억 달러 규모의 스킨케어 시장에 전격 도입되어 제품 개발 공정을 혁신할 전망이다. 로레알, 엔비디아 알케미 도입으로 연구 효율 극대화 로레알은 엔비디아 가속 컴퓨팅 기반의 알케미를 활용해 컴퓨터 시뮬레이션을 통한 배합 물성 예측의 속도와 정확도를 대폭 높이고 있다. 기존의 자외선 차단제 개발은 방대한 분자 조합을 일일이 실험실에서 테스트해야 하는 한계로 인해 수년에 걸친 복잡한 과정을 거쳐야 했다. 그러나 로레알 연구진은 이제 알케미를 통해 자외선 차단제 분자 조합을 기존 시뮬레이션 방식 대비 최대 100배 더 빠르고 효율적으로 선별할 수 있게 됐다.   AI 기반 배합 최적화로 신소재 발굴 및 비용 절감 로레알은 스킨케어, 헤어케어, 메이크업, 향수 등 다양한 분야에서 매년 3400개 이상의 신규 배합을 개발하고 있으며, 연간 13억 유로 이상을 연구개발(R&D)에 투자하고 있다. 연구의 핵심인 배합 공정에 엔비디아 알케미가 적용되면서, 그동안 컴퓨팅 복잡성으로 인해 탐색이 어려웠던 방대한 화학 조합을 효과적으로 분석할 수 있는 길이 열렸다. 이는 신소재 발굴 기간 단축과 비용 절감으로 이어져 화학 및 소재 과학 산업 전반의 제품 개발을 가속하고 있다. 뷰티 산업을 넘어 화학 및 소재 분야 전반으로 확산 이번 기술 협력의 이점은 단순히 화장품 산업에 국한되지 않는다. 로레알은 배합 최적화를 통해 피부 보호와 조기 노화 방지에 기여하는 활성 성분의 효능을 극대화하고 있으며, 이는 향후 헬스케어 분야에도 긍정적인 영향을 미칠 것으로 보인다. 또한 엔비디아 알케미는 자외선 차단제와 향수의 복잡한 화학 구성을 넘어 반도체 소재, 페인트, 코팅제 등 다양한 산업 분야의 배합 최적화에도 폭넓게 활용될 수 있어 소재 공학의 새로운 패러다임을 제시하고 있다.  

이번 리뷰는 HP Z북 울트라 G1a(HP ZBook Ultra G1a)를 활용해 실제 CAE 실무 환경에서의 성능을 검증한 기록이다. 14인치의 컴팩트한 폼팩터에 탑재된 AMD 라이젠 AI 맥스 프로(AMD Ryzen AI Max PRO) 프로세서와 통합 메모리 시스템이 복잡한 전처리부터 후처리까지의 해석 루틴을 얼마나 안정적으로 수행하는지 분석하였다. 실무자의 관점에서 이동성과 전문가급 시뮬레이션 성능의 조화를 직접 확인해 보았다.   리뷰 배경 HP Z북 울트라 G1a는 14인치의 워크스테이션급 특성을 넣은 노트북이다. AMD 라이젠 AI 맥스 프로 시리즈 프로세서 기반으로, CPU와 GPU가 하나의 메모리 풀을 공유하는 통합 메모리 아키텍처를 전면에 내세운다. 제품 소개 기준으로 최대 128GB 통합 메모리 구성이 가능하며, 이 중 최대 96GB까지를 GPU 전용 메모리로 할당해 그래픽 작업에서 병목을 줄이는 방향으로 설계되었다. 이 노트북을 처음 마주한 인상은 워크스테이션이라는 단어와 외형이 잘 연결되지 않는다는 점이었다. CPU 성능은 AMD 라이젠 AI 맥스 + 395를 기반으로 그래픽은 라데온 8060S(Radeon 8060S)로 확인된다. 이 정도의 성능을 노트북에서 볼 수 있다는 점에서 시뮬레이션을 당장이라도 돌려봐야겠다고 판단하였다.   그림 1. HP Z북 울트라 G1a   HP Z북 울트라 G1a는 14인치급의 얇은 노트북 형태라 이동이 쉽고, 포트 구성도 업무용에 딱 맞춰져 있다. 특히 HDMI 2.1, 썬더볼트 4(USB-C) 등 USB-C 포트를 3개 보유하고 있다. 외부 모니터 연결이나 현장, 회의실 등 이동이 잦은 사용자라면 노트북 자체의 무게 관점에서는 엄청난 점수를 주게 된다. <그림 2>의 왼쪽은 Z북 울트라 G1a의 상판 디자인이다. 그레이 톤에 로고 중심의 미니멀함이 인상이 강하고, 표면 마감도 업무용 워크스테이션답게 차분한 편이다. <그림 2>의 오른쪽 사진은 휴대성 체감을 주기 위해 12.9형 아이패드 프로를 함께 놓고 비교한 장면이다. 태블릿을 키보드 위에 올려두면 느껴지듯, 본체의 면적이 아이패드 프로급과 크게 동떨어지지 않아 가방에서 차지하는 부피 부담이 생각보다 적다. 실제로 태블릿을 넣던 공간에 함께 운용하기 수월했고, 연구실과 세미나실처럼 이동이 잦은 환경에서 편리함을 만들어주는 크기였다.   그림 2. HP Z북 울트라 G1a의 외관(왼쪽) 및 태블릿과의 크기 비교(오른쪽)   CAE 해석 관련 제품 시연 CAE 해석 관련 제품 시연을 보면 대개는 깔끔한 브래킷 한 개, 공기 층이 크게 없는 외부 유동, 혹은 요소 수를 의도적으로 낮춘 모델로 구성된다. 하지만 실제 대학원 연구나 현업 엔지니어가 사용하는 모델은 굉장히 높은 밀도의 요소 수를 가지고 있는 경우가 대부분이다. CAE 해석은 계산 시간만으로는 평가하기 어렵다. 실제로는 모델을 가져오고, 형상을 단순화하고, 메시를 증가시키고, 수렴을 잡고, 결과를 후처리하고, 마지막으로 보고서까지 정리하는 과정이 하나의 루틴으로 이어진다. 이 루틴 중 어느 구간에서든 시스템이 멈추거나 응답성이 크게 떨어지면, 그 순간부터는 업무가 끊기게 된다. 필자는 구조/유동 해석을 병행하는 대학원생 연구원으로서, 이번 대여 장비를 단순 벤치마크가 아닌 실제 연구 및 과제에서 수행하는 순서 그대로 테스트해보기로 했다. 목표는 명확하다. 다음의 두 가지를 중점으로 검토하였다. 전처리부터 후처리까지, 끊김 없이 반복 수행 가능한가? 구조 해석(선형/비선형)과 유동 해석(정상/과도)을 섞었을 때도 안정적으로 유지되는가? 이번 리뷰는 실제 진행했던 해석 프로젝트를 기반으로 진행하였다. 대외비로 인해 전체 형상보다 해석 진행에 맞춘 단순화 모델을 사용하였다. CFD 유동 해석 1건을 먼저 수행해 시스템의 기본 워크플로 안정성을 우선 확인한 뒤, 본 테스트인 XY 스테이지 프로젝트로 넘어가는 방식으로 구성했다. 세 가지 테스트는 해석 솔버 진행 시 해석 엔지니어가 체감하기에 가장 어려움을 겪는 상황에 대해 상세하게 설명하는 것을 목표로 한다. 해석 엔지니어는 대부분 직접 모델링, 전처리에서 후처리까지 모두 진행하기 때문에, 이 모든 과정에서 HP Z북 울트라 G1a의 성능이 성과를 좌우할 수 있다. 이에 따라 대표적인 해석 방법 세 가지(유동, 정적, 열적 해석)을 선정하였다.   그림 3. 분야별 테스트 계획   테스트 1 : 유체 시뮬레이션 전처리(앤시스)   그림 4. 전처리 메시 작업(노트북 자체 화면)   첫 번째 테스트는 유체 해석으로 시작했다. 대상은 다수의 오리피스(Orifice)가 배열된 에어베어링 타입 유동 형상으로, 단순히 솔버만 돌리는 것이 아니라 전처리부터 해석, 후처리까지 모든 워크플로를 수행하였다. 이 유형의 모델은 형상 자체도 복잡하지만, 메시 해상도를 올리는 순간부터 작업감이 급격하게 달라진다. 특히 요소 수가 많아지면 워크벤치(Workbench)에서 해당 프로젝트에 접근하는 ‘클릭 한 번’부터 초기 반응이 늦어지는 경우가 흔하다. 즉, 실제 체감 성능은 메시 창 진입부터 차이가 드러난다. Z북 울트라 G1a의 흥미로운 점은 소음 특성이다. 동일한 워크로드를 워크스테이션급 컴퓨터에서 수행할 때는 팬의 소음이 뚜렷하게 들릴 정도로 동작하는 경우가 있었는데, 이번 테스트에서 수행할 때는 메시 작업창을 여는 순간 짧게 팬이 동작하는 느낌이 있다가, 이후에는 지속적으로 소음이 커지지 않고 비교적 낮은 수준으로 유지되는 느낌을 받았다. 필요한 구간에서만 짧게 소음이 개입하니, 작업하는 엔지니어 입장에서는 안정감을 받으며 작업을 할 수 있었다.   그림 5. 앤시스 워크벤치 프로젝트(유체 해석)   유체 해석 파트는 한 번 돌려서 끝이 아니라, 워크벤치에서 여러 케이스를 동시에 관리하는 형태로 구성했다. <그림 5>처럼 Fluid Flow 시스템을 다수 배치하고, 각 시스템을 Geometry, Mesh, Setup, Solution, Results 순서의 단계로 동일한 구조로 유지한 뒤 케이스별로 필요한 변경만 최소화하여 반복 실행했다. 연구실에서 실제로 유동 해석을 수행할 때는 한 조건으로 끝나기보다 간극, 입력조건, 수치 설정을 바꿔가며 다음 케이스로 넘어가는 일이 일반적이기 때문에, 이번 리뷰에서도 그 흐름을 그대로 가져갔다. 이번 구성의 핵심은 파라미터 기반 분기이다. 간극 조건을 여러 파라미터 케이스로 나누어 두고, 수치 설정을 달리한 케이스도 별도로 두어 같은 프로젝트 내에서 연속적으로 비교할 수 있도록 구성했다. 동일한 방식으로 여러 케이스를 파이프로 연결하여 시뮬레이션했을 때, 데스크톱 워크스테이션에서는 약 5시간, Z북 울트라 G1a에서는 약 7시간 정도가 소요되었다. 실제 솔버에 사용한 코어 수는 동일하게 맞추어 진행했다.(비교에 사용한 데스크톱 워크스테이션 사양은 13세대 인텔 코어 i7-13700KF(16코어/24스레드), RAM 128GB, 엔비디아 RTX A4000(전용 16GB)이다.) 시간 차이는 장비 구성 차이(특히 메모리 용량 등)에서 발생할 수 있으며, 이번 파트에서는 다중 케이스 구성을 프로젝트 단위로 묶어 하나의 파라미터 사이클을 중단 없이 완주했다는 점에 의미를 두었다.   테스트 1-1 : 유체 시뮬레이션(앤시스)   그림 6. 플루언트 해석 단계   이번 테스트는 플루언트 시스템을 구성한 뒤, 실제 설정과 실행은 플루언트 내부에서 진행했다. 실제 유체 해석을 경험하였을 때, CFD 솔버 창 로드가 가장 느리게 뜬다. 이 구간이 실무적으로는 가장 시간을 많이 쓰는 편이다. 이유는 체감 병목이 반드시 솔버에만 있지 않기 때문이다. 큰 메시를 불러오고, 화면에 표시하고, 경계면을 선택하고, 설정 탭을 오가며 저장 및 갱신하는 과정에서 프리징이 발생하면, 계산 시간이 짧더라고 작업은 길어진다. 이 노트북에서는 이 작업이 굉장히 깔끔하다. 예를 들어 Fluid 형상을 Solid로 바꾸는 경우에는 물성 자체를 바꾸기 때문에 체감상 30~50초 정도 지연이 발생했다. 하지만 그 외의 모든 대부분의 기능은 끊김 없이 설정 변경이 가능했다. 팬 소음도 이전과 같이 임포트 시 및 솔버 작동 시를 제외한 부분에서는 거의 들리지 않았다.   그림 7. 유체 해석 결과 컨투어   이번 테스트에서는 해석 대상에서 계산된 압력 분포를 보여준다. 워크스테이션급 노트북에서 이 정도 규모의 모델을 끝까지 수렴시키고, 후처리까지 안정적으로 가져갈 수 있었다는 점에서 굉장히 큰 장점을 느꼈다. 특히 컨투어(contour)가 계단형처럼 깨지지 않고 등압선이 부드럽게 이어지는 점이 비교를 위해 해석을 동일하게 진행한 데스크톱 워크스테이션에서 확인할 수 있는 그래픽과 동일한 수준이다. 압력 분포뿐만 아니라 실제 산업에서 요구하고 검토해야 하는 유동 관련 모든 후처리를 모두 확인할 수 있었다. 노트북 한 대로 연구 및 업무에서 필요한 해석의 한 사이클인 전처리, 해석, 후처리까지를 노트북에서 완주할 수 있었다는데 의미가 있다.   테스트 2 : XY 스테이지 정해석(솔리드웍스 & 앤시스)   그림 8. 시뮬레이션 대상인 XY 스테이지 모델링   시뮬레이션을 수행하기 위해, 연구실에서 실제로 다루는 XY 스테이지의 실물 크기와 구성 방식을 최대한 반영하여 모델링을 진행하였다. 단순한 데모 형상이 아니라, 연구 환경에서 반복적으로 부딪히는 조건을 고려해 임포트, 단순화, 해석용 형상 정리를 여러 번 반복하는 방식으로 접근했다. 모델링 단계에서 가장 먼저 확인한 것은 ‘한 번이라도 흐름이 끊기지 않는지‘였다. 모델링 툴에서 가장 문제가 되는 상황은 복잡한 형상을 다룰 때 화면의 프리징이나 입력 지연인데, 이번 작업에서는 XY 스테이지를 구성하는 형상을 만들고 수정하는 과정에서 눈에 띄는 버벅임이 거의 발생하지 않았다. 단순히 고사양 CPU와 GPU가 있다라는 의미가 아니라, 실제로 커서 이동, 스케치 입력, 피처 생성과 같이 모델링 진행 시 기본적인 동작이 꾸준하게 유지되는지가 체감하는 성능을 결정한다. 이러한 관점에서 작업감이 안정적이었다. 특히, 해석 툴(앤시스 워크벤치)을 완전히 종료하지 않고 백그라운드에 실행해 둔 상태에서 모델링을 병행했을 때다. 일반적으로 해석 툴을 켜 둔 채로 CAD 작업을 하면 메모리나 리소스 점유로 인해서 스케치가 끊기거나 곡선 입력이 느려지는 경험을 하는 경우가 많다. 반면 Z북 울트라 G1a은 워크벤치가 백그라운드에 올라간 상태에서도 솔리드웍스에서 스케치를 그리고 곡선을 생성하는 과정이 딜레이 없이 매끄럽게 이어진다. 하지만 아무래도 해석 솔버를 모든 코어를 사용해서 돌려놓으면 솔버가 돌아가는 동안 솔리드웍스에서 약간의 프리징이 발생한다. 사용자는 해석 솔버 상에서 직접적으로 코어의 개수를 할당해줄 수 있는데, 코어를 조절하여 4코어는 CAD 툴, 4코어는 해석 툴과 같이 나누어 작업을 진행할 때 큰 버벅거림 없이 조작이 가능했다. 코어를 나눴기 때문에 솔버 시간 지연은 발생하지만, 동시 작업이 깔끔하게 진행되는 것 자체로도 해석 엔지니어에게는 큰 장점으로 느껴진다.   테스트 2-1 : XY 스테이지 정해석(앤시스)   그림 9. 앤시스 워크벤치 프로젝트(정해석, 열해석, 모달해석)   이번 테스트는 여러 파이프로 연결된 워크벤치를 구동하는데, 서로 다른 해석 시스템을 한 프로젝트 안에서 연결한다는 점이 중요하다. 실제 연구나 업무 환경에서는 한 번 만든 CAD를 기반으로 정적 강성, 열 영향, 진동 특성을 연속으로 확인하는 경우가 많고, 이때 프로젝트가 분리되어 있으면 형상 수정이나 단순화가 생길 때마다 각 해석을 따로 업데이트해야 해서 시간이 굉장히 지연된다. 상단의 메인 플로는 세 가지로 구성했다. 정적 구조로 기본 강성과 변위를 확인하고, 같은 지오메트리를 기반으로 열 조건을 부여하였을 때 온도 분포를 점검한 다음, 모달로 고유 진동수와 모드 형상을 확인하는 흐름이다. 이 구조로 구성하면 형상 단순화나 치수 수정이 생겼을 때 업데이트 프로젝트(Update Project) 한 번으로 메인 3개의 해석의 기반 데이터가 함께 따라온다. 실무에서는 굉장히 많은 파라미터를 연속적으로 연결해 두어야 하는데, 이는 노트북으로 해석할 때 중요한 작업 흐름을 끊지 않는 운영 방식으로 직결된다.   테스트 2-2 : XY 스테이지 정해석 메시 작업(앤시스)   그림 10. XY 스테이지 모델링 전처리(메싱)   전처리 작업에서의 메시 작업은 실사용에서는 메시 직후 작업이 끝나는 경우가 거의 없다. 접촉 및 구속을 다시 확인하거나, 특정 부위를 더 촘촘히 쪼개거나, 단순화가 부족한 부분을 다시 CAD로 되돌려 수정하는 등 ‘다시 돌아가는’ 작업이 필연적으로 발생한다. 이때 중요한 건 계산 성능보다도 프로젝트가 계속 이어지는지 여부다. 메시가 늘어난 상태에서 트리 이동, 특정 파트 및 면 선택 같은 동작이 불규칙하게 멈추면 이후 단계에서 재 메시나 후처리로 넘어가는 속도가 눈에 띄게 떨어진다. 이번 구성에서는 메시를 1mm로 굉장히 작게 분할하여도 작업을 중단시킬 정도로 흔들리는 형태는 두드러지지 않았다.   테스트 2-3 : XY 스테이지 정해석(앤시스)   그림 11. XY 스테이지 정해석 컨투어   이번 테스트는 Static Structural의 결과가 Mechanical에서 로드되어, 컨투어로 시각화되었다. 계산 후 결과를 불러와 렌더링하고, 필요한 뷰를 만들고, 캡처 가능한 상태로 정리하는 후처리 루틴이 매끄럽게 진행되었다. 현업과 연구에서 시간은 계산에서만 쓰이지 않는다. 결과를 열고, 표시 항목을 바꾸고, 시점을 정리하고 캡처하는 과정이 반복된다. 특히 조립체 모델에서는 내가 보고 싶은 위치에 대한 시점 찾기 과정에서 버벅임이 심한 경우가 대다수다. 이번 테스트에서는 결과 컨투어를 띄운 이후 확대 및 회전 등 기본 조작을 수행하며 캡처 가능한 상태로 정리하는 흐름으로 진행되었고, Z북 울트라 G1a에서 충분히 프로젝트 관리가 가능하였다. 해석 솔버 작동 시간은 유체 해석급으로 복잡한 메시와 연산량이 요구되지는 않았기에 10분 이내로 해석은 완료되었다.   테스트 3 : XY 스테이지 열해석(앤시스)   그림 12. XY 스테이지 열해석 컨투어   이번 테스트의 경우 정상상태 열 해석의 결과 화면이며, 각각 온도와 열량 결과 항목을 표시하였다. 이번 테스트는 정적, 열 해석을 각각 돌린 것이 아니라 워크벤치에서 하나의 프로젝트를 묶어 반복 업데이트하는 형태로 운영하였다. 실제 해석 업무에서 체감 생산성을 좌우하는 것은 솔버의 단발적인 성능만이 아니다. 경계조건인 열원, 대류, 접촉 등을 수정하고, 다시 업데이트한 뒤, 동일한 뷰에서 결과를 재확인 및 캡처하는 과정을 반복하면서 목표하는 컨투어가 나오고, 분석한 결과와 동일한지 확인하는 과정이 정말 중요하다. 열 해석은 15분 이내 수준에서 비교적 빠르게 완료되었다. 이 정도 솔버 시간이 확보되면 열원 크기나 경계조건 같은 변수를 바꿔가며 파라미터 시뮬레이션 형태로 반복 실행하는 운영도 현실적인 선택지가 된다.   테스트 4 : AMD 소프트웨어를 통한 해석 속도 개선 테스트   그림 13. 아드레날린 에디션 그래픽 설정   Z북 울트라 G1a는 AMD 전용 그래픽 드라이버 및 그래픽 옵션 설정을 통합 관리하는 소프트웨어 아드레날린 에디션(Adrenalin Edition)을 적용할 수 있는데, 이를 통해 <그림 13>과 같이 Gaming → Graphics 메뉴에서 그래픽 옵션을 선택할 수 있다. 이 화면은 본래 게임 환경을 대상으로 한 옵션이 포함되어 있으나, 이번 테스트에서는 해석에 필요한 더 조밀한 메시와 대형 형상들의 결과 표시를 검토하는 상황에서 실무자의 뷰포트 조작이 더 부드러워지는지, 또는 반대로 표시 지연이 발생하는지 확인하는 목적으로 진행된다.   테스트 4-1 : 메시 사이즈 조밀화 구간 작업감 검증 테스트   그림 14. A : 메시 1mm Sizing 적용 시   그림 15. B : 메시 0.5mm Sizing 적용 시   앞선 테스트 2-2(메시 작업)에서 강조했던 포인트는 단순히 메시가 생성되느냐가 아니었다. 실사용에서 메시 작업은 직후에 끝나는 경우가 거의 없고, 모델을 다시 손보거나(형상 수정과 구속 변경), 특정 부위만 더 촘촘히 쪼개거나(Refine), 조건은 바꿔 반복 수행하는 과정이 기본 루틴이 된다. 이때 체감상 생산성을 좌우하는 건 계산 성능만이 아니라 메시가 늘어난 상태에서도 트리 이동, 파트 및 면 선택, 화면 회전과 같은 기본 조작이 끊기지 않고 이어지는지에 있다. 한 번 버벅거림이 시작되면, ‘재메시 – 솔브 – 후처리’로 넘어가는 전체 흐름이 눈에 띄게 느려진다는 점이 있다. 이번 테스트 4에서는 AMD의 아드레날린 에디션 소프트웨어를 설치한 뒤, 그래픽 옵션을 적용한 상태에서 해석 프로그램 메시 조밀화 구간의 작업감을 다시 확인하는 형태로 진행했다. 메시 사이즈를 낮춰 요소 수가 증가하는 상황에서 안정성이 유지되는지 체크하는 것을 목적으로, 테스트는 기존 프로젝트 흐름을 유지하되 메시 사이즈를 다르게 적용하여 비교했다. 비교 조건은 A와 B로 메시를 생성한 후 화면 회전과 줌, 그리고 트리 이동과 특정 파트의 면 선택 등을 반복하였다. 결과적으로 조밀화 자체가 부담인 B 조건에서도 멈춤이 덜한 것을 확인하였다. 이 작업에서 핵심 부담은 결국 작업의 흐름이 끊기는 것이다. 이번 설정에서는 조밀한 메시에서도 작업을 중단시킬 정도로 흔들리는 패턴은 보이지 않았다. 메시 사이즈를 0.5mm까지 낮춰도 조작이 꺾이지 않는다는 점과 아드레날린 설정 적용 이후 메시 상태에서의 화면 반응성이 안정적으로 유지되는 방향으로 체감되었다.   테스트 4-2 : 모달해석 테스트   그림 16. 모달해석 결과 화면(모드 형상 컨투어)   아드레날린 설정 후, 기존 XY 스테이지 프로젝트 흐름에 모달해석을 추가로 수행했다. 특히 모달해석은 결과 확인 과정에서 모드 형상 확인, 애니메이션 재생, 값 확인 및 캡처를 반복 수행하게 되는데, 그래픽과 솔버 시간 감소를 확인하기 위해 필수적으로 해석을 진행하였다. 모달해석 결과는 Mechanical에서 바로 로드되어 모드(Mode) 별 주파수 테이블과 함께 표시되었고, 결과 항목을 전환해도 화면 반응이 끊기지 않았다. 특히 모달해석에서는 에니메이션 재생을 수행했을 때 조작이 툭툭 끊기는 것 없이 안정적으로 확인이 가능하였다. 이어서 모달해석은 다른 구조 해석이나 열 해석과는 상이하게 경계 조건에 따라 솔버 시간이 3~4배는 더 걸리게 된다. 아드레날린 설정을 통해 그래픽 끊김이 발생하지 않는 선에서 옵션을 변경하여 솔버를 진행하였을 때 소요되는 결과를 확인하였다.   그림 17. 아드레날린 에디션 적용 전/후 솔브 시간 비교   <그림 17>에서 확인할 수 있듯이 동일 모달해석 케이스에서 약 32분에서 23분으로 솔버 시간이 줄어드는 결과를 확인했으며, 약 9분 31초 수준으로 29% 수준의 시간 단축을 통해 솔버 사용 속도가 눈에 띄게 증가했음을 확인하였다. 이 차이는 단일 요인(그래픽 옵션)만으로 원인을 단정하기는 어렵지만, 단일 해석 설정에서 아드레날린 에디션 적용 이후 동일 케이스를 반복 수행했을 때 솔버 시간이 감소하는 경향이 확인되었다는 점에서 의미가 있었다. 특히 연구 및 실무 환경에서는 모달해석을 단독으로 한 번만 돌리는 경우가 드물고, 메시 조정과 결과 확인이 반복되기 때문에, 5~10분 단위의 차이도 누적되면 전체 작업 흐름에 영향을 준다. 이번 테스트에서는 그 누적이 실제로 체감될 정도로 줄어들었고, 속도 개선 가능성을 확인할 수 있었다. XY 스테이지 테스트는 한 번 만든 지오메트리를 워크벤치에서 계속 돌릴 때, 실제로 프리징 없이 곧바로 다음 루프로 넘어갈 수 있는지를 확인하는 과정이었다. 기본 테스트(테스트 1~3)만으로도 Z북 울트라 G1a은 해석자로서 굉장히 만족스러웠고, 특히 작업 흐름을 끊어버리는 프리징이 거의 없었다는 점에서 큰 점수를 주고 싶었다. 여기에 추가로 테스트 4인 AMD 아드레날린 에디션 적용 후의 작업 흐름도 함께 확인하였다. 조밀 메시에 대한 결과 화면처럼 그래픽적으로 무거워지는 구간에서도 전체 해석 흐름이 무너지지 않는지를 다시 점검하였고, 추가로 수행한 모달 해석에서도 결과 확인 과정이 한 번에 이어지는 형태로 진행됐다. 특히 솔버 시간 측면에서는 동일 케이스에서 소요시간이 감소하는 결과도 확인되어, 단순하게 돌아간다는 수준을 넘어 반복 수행 관점에서 체감 효율을 한 단계 더 끌어올릴 여지가 있다는 인상을 받았다. 결국 해석 실무자 입장에서 중요한 것은 케이스를 최적화하기 위해 나누고 설정을 바꾸고 결과를 정리하는 과정을 포함해 작업자가 하루 동안 수행하는 작업을 노트북에서 유지할 수 있는가에 있다. 이번 리뷰는 그 과정이 끊기지 않는지에 초점을 두고 진행했고, 추가 테스트 적용 결과까지 포함해 그 목적에 맞는 형태로 마무리되었다. 견적 상담 문의하기 >> https://www.hp.com/kr-ko/shop/hp-workstation-amd-app   ■ 정수진 한국공학대학교 메카트로닉스공학과 석사과정으로, CAE 해석 및 설계 검증, 시뮬레이션 최적화, 멀티피직스 관련 연구과제를 담당하고 있으며, 주로 구조, 열, 유체 시뮬레이션 기반 해석 연구를 진행하고 있다.     ■ 기사 내용은 PDF로도 제공됩니다.

‘뽑기 운’은 이제 그만! 리콜 비용의 늪 대당 500~2000 달러의 리콜 비용   그림 1. 뽑기 운(제미나이로 생성한 이미지)   자동차를 구매할 때 ‘뽑기 운’이라는 말을 들어 보았는지? 이는 곧 제품의 불확실성을 의미하며, 설계 단계에서 예측하지 못한 잠재적인 결함은 막대한 리콜 비용으로 돌아온다. 2020년 이후 현재까지 평균 자동차 리콜 비용은 대당 500~2000 달러 정도 든다고 한다. 2025년 F사는 1.5L 연료 분사기 균열로 70만대에 대해 대당 800달러 규모로 총 5억 7000만 달러(한화 약 7600억원)의 리콜을 진행했다. 2023년 한 해 동안 미국 3대 자동차 기업이 리콜 보증 비용으로 지출한 금액은 총 100억 달러이다. 리콜은 이제 일회성 이벤트가 아니라 기업의 재무 건전성과 브랜드 가치를 지속적으로 위협하는 상시적인 리스크로 대두되었다.   측정해야 관리하고, 관리해야 개선한다 지각하는 이유? – 나는 행운의 사나이   그림 2. 지각하는 이유(제미나이로 생성한 이미지)   즐겨 듣는 경제 라디오 프로그램의 한 진행자는 뛰어난 통찰력과 비유의 고수로 어려운 경제 이슈를 쉽게 설명하는 데 일가견이 있었다. 하지만 이분에게도 단점이란 것이 있으니 바로 지각이었다. 생방송으로 진행되는 라디오 방송에서 숨을 헐떡이며 오프닝 멘트를 읽거나, 다른 대체 진행자가 긴장하며 오프닝 멘트를 읽는 등 담당 피디나 작가가 곤란에 처하는 일이 가끔 발생했다. 본인에게 들은 지각하는 이유는 시간을 굉장히 효율적으로 사용해서 1분 1초를 허투루 쓰지 않아, 출근 시간에 발생할 수 있는 모든 상황을 최단 시간에 맞춰두고 계산을 한다는 것이다. 그러다 보니 간혹 중간에 발생할 수 있는 예외 상황이 그를 지각으로 이끄는 것이다. 이러한 예외 상황을 공학적인 용어로는 불확실성(uncertainty)이라고 한다. 온도나 습도와 같은 환경 요인, 고무와 같이 온도나 시간에 영향을 받는 재료 물성 값, 제작 공법에 따라 비틀림, 굽힘, 수축, 팽창 현상으로 발생한 제작 공차 등은 설계자가 도저히 미리 예상할 수 없는 불확실성이다.   불확실성을 고려한 설계 1 – FOS   그림 3. 불확실성을 고려한 설계 – FOS(제미나이로 생성한 이미지)   FOS(Factor of Safety : 안전계수)는 구조물이 최대 하중을 견딜 수 있는 기준으로, 경험에 기반해 강성을 필요 이상으로 높이는 방식이다. 안전을 중시하는 선박, 발전, 토목 구조 등에서는 이러한 안전계수의 개념을 많이 활용하고 있다. 안전계수가 중요한 지표이며 앞으로도 그러한 역할을 해낼 테지만, 그저 ‘경험에 따라 이 정도 했을 때 괜찮았어’가 지금까지 이어져오고 있는 것이다. 당연한 얘기지만, 안전계수가 올라갈수록 비용은 증가하여 제품의 가격 경쟁력은 떨어진다. 안전계수가 유용한 기법이긴 하나 데이터로 좀 더 정교하게 필요한 만큼만 안전한 설계를 찾기 위한 다른 대안은 없을까?   불확실성을 고려한 설계 2 – 다구치 강건설계   그림 4. 불확실성을 고려한 설계 – 다구치 강건설계   6시그마 디자인(DFSS : Design for Six Sigma)이 유행이던 시절이 있었다. 1920년대 이후 전파된 다구치 강건설계는 품질 향상을 위해 S/N 비(Signal to Noise Ratio)를 활용하여 노이즈(불확실성)에 둔감한 설계를 탐색하는 기법으로 다구치 박사가 개발하였다. 목적함수의 강건성 확보에는 유용하나, 현재의 설계가 얼마나 강건한지 객관적인 지표로 정량화하여 제시하진 않는다. 다구치 강건설계를 통해 나온 설루션이 6시그마(100만 개 중 3~4개의 불량)를 만족하는지 확신할 수 있을까?   불확실성을 고려한 설계 3 – 신뢰성 기반 최적설계 신뢰성 기반 최적설계(RBDO : Reliability-Based Design Optimization)는 최적설계와 신뢰성 해석이 결합된 형태이다. 신뢰성 해석(reliability analysis)은 시스템 입력(노이즈 인자)의 불확실성으로 인해 출력의 불확실성, 특히 신뢰성을 예측하는 기법이다. 신뢰성이란 성능지수가 요구조건을 만족할 확률을 의미하며, 반대 개념은 불량률이다.   그림 5. DO와 RBDO   불확실성을 고려하지 않는 전통적인 최적설계를 RBDO와 구분하기 위해 결정론적 최적설계(DO : Deterministic Optimization)이라고 부른다. <그림 5>는 개념적으로 DO와 RBDO의 차이를 보여준다. 방 구석에 구슬을 굴리면 구슬이 벽에 붙은 상태로 멈추는데, 구슬의 중심이 설계변수 값이고 구슬이 접한 벽을 구속조건 경계라고 볼 수 있다. DO는 구슬이 거의 점과 같아 구슬의 중심이 벽에 거의 붙은 상태이나, RBDO는 구슬의 크기가 커서 구슬의 중심이 벽과는 여유를 두고 떨어져 있게 된다. 벽에 닿는 것이 위험하다면 DO보다 RBDO가 더 안전한 상태가 되는 것이다. RBDO는 구슬의 크기를 감이나 경험이 아닌 데이터로 결정하자는 개념이다.   데이터로 불확실성을 극복하자 예측 모델 기반의 RBDO 프레임워크, AIRBOOM RBDO는 무엇이고 왜 필요할까? RBDO는 목적함수를 좀 양보하더라도 안전한 설루션을 탐색하는 것이 목표이다. 신뢰성이라는 개념을 최적설계에 접목하여 안전한 설계를 정량적으로 확보할 수 있는 길을 열었다. 하지만 현업에 적용하기 위해서 두 가지 큰 걸림돌이 있는데, 하나는 시스템의 불확실성을 정의할 만큼 충분한 데이터가 부족하다는 것이고, 또 하나는 RBDO 수행에 필요한 시뮬레이션 데이터가 너무 많이 필요하다는 것이다. 앞서 언급한 바와 같이 AX(인공지능 전환) 시대로 접어들면서 소프트웨어와 하드웨어 기술의 성장으로 시뮬레이션은 가속화되고 있고, 데이터의 가치가 올라감에 따라 불확실성을 정의할만한 데이터도 늘어나면서 서서히 RBDO의 시대가 도래하고 있다.   그림 6. AIRBOOM의 개념도(제미나이로 생성한 이미지)   실용적인 RBDO 프로세스를 좀 더 쉽게 사용할 수 있는 AIRBOOM (AI-powered Reliability-Based Optimization Operating Manager) 모듈을 소개한다. AIRBOOM은 피도텍에서 개발한 RBDO 대중화를 위한 모듈로, 다음과 같은 네 가지 특징을 갖는다. 자율 학습된 예측 모델 기반의 RBDO 프로세스 AIRBOOM에서는 최소한의 데이터로 정교한 메타모델을 구축하는 가성비 높은 방식을 찾는 피도텍의 자율 메타모델링(Autonomous Metamodeling) 모듈을 활용한다. 이 모듈은 조금씩 데이터를 추가하면서 메타모델을 학습하기 때문에, 성능지수의 비선형성을 표현할 만큼의 데이터만을 필요로 한다. 또한 피도텍의 예측 모델링 AI인 BruceMentor의 도움을 받아, 확보된 데이터에 가장 적합한 메타모델의 기법을 채택한다. 이러한 기법으로 예측 모델은 자율적인 학습으로 정교하게 진화한다.   신뢰성 해석 정보를 활용한 멀티 스테이지 최적화 RBDO 설루션을 탐색할 때 빈번하게 발생하는 문제는, 구속조건의 만족 범위가 너무 좁아 설루션이 목표 신뢰성을 만족하지 못하는 경우이다. 마치 코끼리를 냉장고에 넣는 것과 같다. AIRBOOM에서는 목표 신뢰성을 만족할 수 없는 상태라면 차선책을 제시한다. AIRBOOM에서는 RBDO 과정을 내부적으로 몇 개의 스테이지(stage)로 나누어 처리하는데, 각 스테이지에서 신뢰성 해석 결과의 이력에 따라 최적설계 문제를 조정하면서 최선의 설루션을 탐색한다.   멀티 피델리티 개념의 효율 개선 엔지니어는 즉각적인 반응을 원한다. 아무리 메타모델을 사용하더라도 설계변수나 성능지수의 개수가 많아지면 계산 시간은 기하급수적으로 커지기 때문에, 근본적으로 RBDO에서 필요로 하는 전체 데이터 개수를 줄여야 한다. AIRBOOM은 설루션과는 다소 거리가 있으나 설루션에 도달했을 경우를 파악하여, 효율성과 정확성의 관점에서 적절한 알고리즘을 멀티 피델리티(multifidelity) 개념처럼 채택할 수 있다.   인사이트 제공 엔지니어는 보수적이라서 달랑 설루션만 제공해 주는 툴은 신뢰하지 않는데, 그 이유는 크게 두 가지가 있다. 첫째, 제공된 설루션의 근거를 신뢰한다. 엔지니어들이 생성형 AI가 제공하는 근거 없는 수치는 환각(hallucination) 때문에 믿지 않는 것과 같은 이치다. 둘째, 하나의 설루션이 아닌 선택 가능한 다양한 후보군을 함께 원한다. 설루션을 기본으로 다양한 변종(variation)을 만들 수 있는 힌트를 주어야 한다. AIRBOOM은 데이터 스토리텔링(data storytelling) 방식의 보고서를 제공한다. 데이터 스토리텔링이란 데이터로 상대방을 설득하기 위해 고안된 의사 전달 수단으로, 데이터의 가치를 극대화하기 위해 메시지가 포함된 시각화(visuals) 정보와 이를 논리적으로 설명하는 내러티브(narratives)의 조합으로 구성된다. 그리고 인사이트를 담은 보고서(RBDO 결과의 직관적인 요약, 설루션의 도출 근거, 더 안전한 설계를 위한 정보 등)를 제공할 수 있다.   RBOD 프로세스 사례 자동차 현가 장치 사례로 AIRBOOM을 활용한 RBDO 프로세스를 설명한다. 타이어나 부시(bush)같은 고무 재료의 산포로 핸들링 관련 성능지수가 갖는 산포를 예측하고, 성능지수의 신뢰성을 높일 수 있도록 부시 강성을 최적화는 문제이다.(‘재료 물성의 불확실성을 고려한 현가장치 시스템의 신뢰성 기반 최적설계(한국자동차공학회 2025 추계 학술대회)’ 참고) 목적함수는 핸들링 특성 중 Yaw Rate Overshoot를 최소화하는 것이고, 구속조건은 핸들링 특성에 해당되는 성능지수 7개를 선정하였다. 설계변수는 18개 부시 강성이고, 랜덤 파라미터는 설계변수인 부시 강성 전체와 타이어 파라미터 4개 파라미터를 선정하였다.   그림 7. 초기 설계에서의 RA 결과 요약 보고서   <그림 7>은 RBDO를 수행하기 전의 RA 결과 요약을 보여 준다. ‘산포’ 열에서 성능지수의 산포와 확률 정보를 보여주고, 차별화된 요소로 ‘Key 파라미터’ 열에서 성능지수 산포의 주요 원인이 어떤 랜덤 파라미터인지 파악할 수 있다. 첫 번째 행의 FRT_LateralForceSteer의 산포에는 FRT_Abush_Y가 가장 중요한 역할을 담당한 것으로 분석되었다. 마지막 열은 현재 설계의 신뢰성 결과를 보여주며, RBDO 수행 전 FRT_LateralForceSteer의 신뢰성은 요구 조건(0.3)보다 작을 확률이 80.0%에 불과했다.   그림 8. RBDO 결과 요약   <그림 8>은 RBDO 결과를 보여준다. 목적함수의 경우 INIT(초기값) 대비해서 DO(불확실성을 고려하지 않은 최적설계)가 67%로 가장 많이 개선되었고, RBDO는 구속조건의 요구 조건 만족 확률을 높이기 위해 26% 개선되는데 그쳤다. 파이 차트에서는 구속조건의 개선 여부를 확인할 수 있고, 불만족한 구속조건과 목적함수 간에 상충 관계가 존재할 수 있음이 예상된다. 설계변수의 경우, 대부분의 설계변수는 DO와 RBDO에서 유사하나 일부 설계변수(LCA outer X, Toe link X)가 DO에서는 설계변수의 하한값 경계로 변경된 반면 RBDO에서는 INIT에서 별다른 변화를 보이지 않았다.   그림 9. 신뢰성 개선 이유   <그림 9>는 6번 구속조건의 신뢰성 개선 이유를 설명한다. 신뢰성이 67%에서 91%로 개선된 이유는 산포의 평균이 약 0.057(평균값이 0.678 > 0.621로 감소) 이동하였기 때문이고, 가장 기여한 설계변수는 RR_Trailing_arm_Y이다. 이 사례로 RBDO 인사이트를 좀더 쉽게 이해할 수 있다. 성능지수 신뢰성을 개선하는 부시 강성의 변경 방향을 알 수 있었고, 불확실성 고려 여부에 따른 최적해 차이를 파악할 수 있었다. RBDO에서 목표 신뢰성을 만족시키기 위해 어떤 설계변수가 기여하였는지 및 추가 개선 가이드와 그에 따른 부작용을 예측할 수 있었다. RBDO는 단순히 ‘최적’의 설계를 찾는 것을 넘어, 불확실한 현실에서도 ‘무결점’에 가까운 안전하고 신뢰할 수 있는 설계를 데이터 기반으로 가능하게 하는 미래 설계의 핵심 기술이다.   ■ 이 글은 2025년 11월 7일 진행된 ‘CAE 컨퍼런스 2025’에서 발표된 내용을 정리한 것이다.   ■ 최병열 피도텍에서 AI 기반 Data-driven Design SW 개발 총괄을 맡고 있다. 한양대에서 공학박사 학위를 받았고, 20여 년간 100여건의 최적 설계 프로젝트를 주도하며 컨설팅 경험을 쌓았다.     ■ 기사 내용은 PDF로도 제공됩니다.

PTC가 한국 지사 설립 33주년을 맞아 제조 산업의 미래를 선도하기 위한 ‘인텔리전트 제품 라이프사이클(Intelligent Product Lifecycle)’ 비전과 AI(인공지능) 전략을 발표했다. 이 전략의 핵심은 설계부터 유지보수에 이르는 제품 수명주기 전반의 데이터를 유기적으로 연결하고, 이를 기반으로 제조산업에서 AI의 효율을 극대화하겠다는 것이다. PTC는 신뢰도 높은 제품 데이터 기반과 주력 설루션에 내재화된 AI 기술로 제조 경쟁력 강화를 돕겠다고 전했다. ■ 정수진 편집장    신뢰도 높은 제품 데이터 기반으로 AI 접목 PTC 코리아의 김도균 대표 겸 본사 부사장은 “PTC는 단순히 CAD나 PLM 설루션을 제공하는 기업을 넘어, ‘인텔리전트 제품 라이프사이클(Intelligent Product Lifecycle)’을 구현하는 기업으로 진화하고 있다”고 소개했다. ‘인텔리전트 제품 라이프사이클’ 비전의 핵심은, 복잡해지는 제조 환경에서 데이터를 체계적으로 관리하고 AI를 적용하여 기업의 실질적인 비즈니스 가치를 창출하는 것이다. 김도균 대표는 “성공적인 AI의 도입과 활용을 위해서는 먼저 ‘신뢰할 수 있는 제품 데이터 파운데이션(Product Data Foundation)’을 구축해야 한다”고 설명했다. 제조산업에서는 AI가 잘못된 정보를 생성(hallucination)하거나 일관성이 부족한 답변을 내놓는 것이 특히 치명적일 수 있다. 이를 막기 위해서 PTC는 설계(CAD), 제품 수명주기 관리(PLM), 애플리케이션 수명주기 관리(ALM), 서비스 수명주기 관리(SLM) 등에서 발생하는 데이터를 구조화하고, 이를 통해 AI가 일관되고 신뢰할 수 있는 답변을 제공할 수 있는 기반을 만드는 것이 최우선 과제라고 보고 있다. PTC 코리아의 이봉기 사업개발담당 마스터는 “제품의 복잡성 증가를 관리하는 것뿐 아니라 이를 경쟁우위로 전환하기 위해서는, 다양한 시스템에 파편화된 채로 존재하는 정형 및 비정형 데이터를 온톨로지(ontology)와 시맨틱(semantic) 모델로 유기적으로 연결해야 한다. 이를 통해서 데이터의 맥락(context)을 확보하고, 유의미한 정보를 얻을 수 있게 된다”고 설명했다.   ▲ 국내 사업 전략을 설명한 PTC 코리아 김도균 대표   제품 수명주기 전반에 걸친 AI 에이전트 이런 비전에 따라 PTC는 제품 데이터 파운데이션 위에 AI 기술을 탑재하여 제품 기획부터 폐기까지 전 과정을 혁신하겠다는 전략을 제시했다. CAD, PLM, ALM, SLM 등 자사의 주요 설루션 라인업에 에이전트의 형식으로 AI 기능을 도입한다는 로드맵도 소개했다. 일부 AI 에이전트는 이미 제공되고 있으며, 올해부터는 여러 AI 에이전트가 본격 추가될 전망이다.   ALM 코드비머(Codebeamer)를 중심으로 하는 ALM 영역에서는 복잡한 요구사항을 관리하고, 소프트웨어의 안전성을 검증하는 데에 생성형 AI를 활용한다. 요구사항 분석 및 규제 검증 : AI가 사용자가 작성한 요구사항을 분석하여 국제 시스템 엔지니어링 표준 위반 여부를 자동으로 판별한다. 규칙을 위반한 경우, AI가 수정 제안을 하거나 예시를 제공하여 규제 대응 시간을 줄일 수 있게 한다. 테스트 케이스 자동 생성 : 요구사항을 선택하면 AI가 이를 검증하기 위한 테스트 조건과 단계를 자동으로 생성해 준다. 또한 기존 테스트 케이스와의 중복 여부를 분석해서 효율적인 테스트 시나리오를 작성할 수 있도록 돕는다.   CAD PTC의 제품 설계 설루션인 크레오(Creo)에는 설계자의 창의성을 돕고 반복 작업을 줄여주는 AI 기능이 탑재되고 있다. 자연어 기반 생성형 설계 : “표면적이나 볼륨을 최적화한 컵을 만들어줘”와 같이 자연어로 명령하면, AI가 최적의 형상을 자동으로 모델링한다. 설계자가 구체적인 치수나 조건을 추가하면 이에 맞춰 형상을 수정한다. 소재 추천 및 심미성 평가 : AI가 설계된 모델의 물성치를 분석하여 적합한 재질을 추천하거나, 인터넷상의 이미지 데이터와 비교해서 디자인 평가 피드백을 제공하고 설계자의 의사결정을 지원한다.   PLM 방대한 엔지니어링 데이터를 관리하는 윈칠(Windchill) PLM에서는 데이터의 재활용성을 높이고 업무 효율을 높이는 데에 AI가 쓰인다. 유사 형상 검색 및 중복 부품 제거 : 단순 텍스트 검색이 아니라, AI가 3D 형상 기반으로 유사한 부품을 찾아내서 비교 테이블을 제공한다. 이를 통해 설계자는 기존 부품을 재활용하여 설계를 변경하거나, 구매 부서에서는 중복 구매를 방지하여 비용을 줄일 수 있다. 문서 인사이트 및 요약 : 챗GPT(ChatGPT)와 비슷한 대화형 인터페이스를 통해 PLM 내부의 방대한 기술 문서를 검색하고 요약할 수 있다. AI는 답변과 함께 근거가 되는 원본 문서의 링크를 함께 제공함으로써 정보의 신뢰성을 보장한다.     제조 데이터 보안 및 개방성 강화 한편, 제조 데이터는 기업의 민감한 기술 정보를 포함하고 있다. 이에 대해 이봉기 마스터는 “보안 및 권한 관리를 위해 역할 기반 정보 필터링을 지원하면서, 중복 제거를 통한 비용 절감, 규제 준수 및 추적성 확보 등 실질적인 비즈니스 가치 창출을 도울 수 있다”고 설명했다. 제조 데이터는 ERP, MES 등 다양한 설루션과의 유기적인 연결이 필수이기도 하다. PTC는 개방성을 중시하면서, 마이크로소프트, AWS, 엔비디아 등 클라우드 기업과의 파트너십을 통해 고객이 SaaS(서비스형 소프트웨어) 환경에서 보안과 성능이 보장된 AI 서비스를 활용하도록 지원할 것이라고 전했다. 이런 전략을 통해 제조 기업이 궁극적으로 제품 출시 기간 단축, 품질 향상, 비용 절감과 같은 실질적인 경영 목표를 달성하도록 돕겠다는 것이다.   국내 사업 확장 및 생태계 확대 전략 PTC 코리아는 33년간 축적한 국내 비즈니스 경험을 바탕으로, 새로운 고부가가치 산업까지 사업 영역을 확장할 계획이라고 전했다. 김도균 대표는 “기존에 강세를 보인 자동차, 전자/하이테크, 산업 기계 분야에서 입지를 굳히는 동시에, 의료 기술, 우주 항공 및 방위 산업으로 시장을 적극 확대할 예정”이라고 밝혔다. 파트너 생태계 강화도 PTC가 중점을 두는 부분이다. 전문 파트너사와 MOU를 체결하여 복잡성이 높은 항공우주, 방위, 의료기기 등 산업군에 특화된 엔지니어링 서비스를 제공하는 한편, 글로벌 SI 기업 및 국내 로컬 파트너와 협력을 통해 한국 제조 기업의 AI 도입 진입 장벽을 낮추고 생태계 전반을 지원하겠다는 것이다. 김도균 대표는 “PTC는 한국 시장의 중요성을 인지하고 영업 및 기술 인력을 지속해서 확충하고 있다. 이외에 대학 및 교육 기관과 협력하여 AI 및 제조 소프트웨어 전문 인재를 양성하는 데에도 투자하고 있다”고 덧붙였다.     ■ 기사 내용은 PDF로도 제공됩니다.

시점 – 사물이나 현상을 바라보는 눈 (12)   지난 호에서는 ‘무엇을 볼 것인가?’, ‘무엇을 믿을 것인가?’, ‘가설, 모델, 이론의 설득력의 시대성’의 이야기의 두 번째 이야기로 ‘무엇을 믿을 것인가’에 관해서 다양한 주제를 바탕으로 생각해 보았다. 모든 것에는 다양한 관점이 존재하지만 가장 익숙하고 편안하게 느껴지는 것이 받아들이기 쉬운 것임을 알 수 있다. 믿고 싶은 것만 믿기보다는 실체를 제대로 파악하기 위한 시도가 필요해 보인다. 일상생활에서도 친숙함의 오류에 빠지기 쉽다. 이번 호에서는 생각보다 과학적이지 않은 과학, 과학적 이론과 법칙의 차이, 시작은 관찰부터, 유사성 관찰, 천동설과 지동설에 관해서 소개하고 ‘가설, 모델, 이론의 설득력의 시대성’에 관해서 함께 생각하면서 연재를 마무리하고자 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   그림 1. 원자 모델의 시대에 따른 변화   생각보다 과학적이지 않은 과학 과학이라는 단어를 사전에서 찾아보면 ‘보편적인 진리나 법칙의 발견을 목적으로 한 체계적인 지식. 넓은 뜻으로는 학(學)을 이르고, 좁은 뜻으로는 자연 과학을 이른다’라고 설명하고 있다. 또한, 이러한 설명도 있다. 과학은 사물의 구조, 성질, 법칙 등을 관찰 가능한 방법으로 얻어진 체계적이고 이론적인 지식의 체계를 말한다. 좁게는 인류가 경험주의와 방법론적 자연주의에 근거하여 실험을 통해 얻어낸 자연계에 대한 자식을 의미한다. 과학자들은 자연계에서 관찰되는 현상을 과학적 방법에 따라 자연적인 (초자연적이지 않은) 이론으로 설명하려고 한다. 그렇다면 과학적인 방법이란 무엇일까? 연역과 귀납의 논리학을 바탕으로 관찰이론–실험–재현을 바탕으로 한 과학, 즉 자연과학에서 체계적이고 객관적인 방법으로 검증할 수 있는 질문에 관해 연구하는 방법이라고 소개되어 있다. 결국은 과학을 연구하는 사람들이 주장하는 내용을 이해하고 인정해야 한다는 이야기이다. 진실은 다수결로 결정되는 것은 아닐 텐데, 과연 이런 방법이 과학적인 방법이라고 단언할 수 있을까? 약간 고개가 갸우뚱해지는 설명이지만 심정적으로는 충분히 이해되는 말이다. <그림 1>에 원자 모델의 시대적 변화를 시간순으로 정리해 보았다. 우선 원자 모델이 출현하려면 ‘원자’라는 개념이 먼저 만들어져야 한다. 원자는 일상적인 물질을 이루는 가장 작은 단위이다. 일상적인 물질들은 원소로 구성되어 있으며, 화학 반응을 통해 더 쪼갤 수 없는 단위와 같은 의미로 사용된다. 모든 물질의 네 가지 상태인 고체(solid), 액체(liquid), 기체(gas), 플라스마(plasma)가 모두 원자로 이루어져 있다. ‘atom’이라는 단어는 언어적으로 고대 그리스어에 뿌리를 두고 있고, 그 추상적 개념은 이미 기원 전 5세기에 고대 그리스 철학자 데모크리토스가 사용한 것이다. 1803년 존 돌턴이 제안한 단단한 공의 모양을 한 원자 모델부터 이제까지 수많은 원자 모델이 제안되어 왔다. 현재는 1913년에 닐스 보어가 제안한 우주를 닮은 모델과 약 100년 전인 1926년에 에르빈 슈뢰딩거가 제안한 양자 모델이 주로 사용되고 있다. 많은 원자 모델이 실험 결과를 설명하는데 한계가 오면 실험 결과를 설명하기 위하여 새로운 모델이 제안되어 검증받는 방식으로 변화하여 오늘에 이르고 있다. 오늘의 상식이 언제까지 유효할지는 알 수 없다. 원자의 모습과 성질은 그대로인데 우리의 생각과 이해의 정도가 달라졌을 뿐이다.   과학적 이론과 법칙의 차이 과학 분야에서 이론, 법칙, 모델, 가설이라는 용어가 자주 등장한다. 어렴풋하게 의미는 알 것 같은데 명확하게 구분하는 것은 쉽지 않다. 사람마다 어떤 개념에 관한 생각과 동의 여부가 크게 다르기 때문이다.   그림 2. 과학적 이론과 법칙의 차이는?   <그림 2>에 과학적 이론과 법칙의 차이를 비교적 이해하기 쉽게 정리해 놓은 것이 있어서 소개한다. 이론은 어떤 현상이 어떻게, 왜 일어났는지를 설명하고 법칙은 현상이 무엇인지를 수식으로 설명하고 있다. 이론과 법칙 모두 같은 현상을 설명하고 있지만 이론은 많은 설명 가운데 하나이고, 법칙은 핵심을 정리한 것으로 많은 사람들의 증명을 통해서 동의를 얻은 것이라고 할 수 있다. 처음에는 현상의 관찰이나 단순한 발상에서 시작해서 어느 정도 경향성을 파악하는 단계에 다다르면 가설을 세우고 실험을 통해서 그 가설의 유효성을 검증하게 된다. 실험 결과에 대한 해석이 명확하고 현상의 본질을 간결하게 설명할 수 있다면 법칙으로 발전한다. 실험 결과에 대한 해석을 위하여 여러 가지 이론(모델)을 만들어 실험 결과가 잘 설명될 수 있도록 이론(모델)을 수정해가는 과정을 거쳐 완성도를 높여가게 된다.(그림 3)   그림 3. 과학적 개념의 점진적 변화를 통한 이론(모델)과 법칙의 형성 과정   시작은 관찰부터 우리가 알고 있는 모든 이론과 법칙은 현상의 관찰로부터 시작되었다고 해도 과언이 아니다. 때로는 단순한 논리적 사고로부터 시작된 것도 있지만, 결국은 실험을 통해서 검증되어야만 이론이나 법칙으로 인정받을 수 있기 때문이다. <그림 4>에 포유류 동물의 지역적 분포를 관찰하여 정리한 것을 예로 들었다. 지역별로 특징적인 동물들이 상당히 눈에 띈다. 인위적으로 동물을 이동시킨 것이 아니므로 오랜 시간에 걸쳐 자연스럽게 발생한 현상으로 보아야 할 것이다. 이렇게 관찰된 현상으로부터 왜 이런 특징이 생길 수밖에 없었는가를 추론하여 가설을 세우고, 타당성을 증명할 수 있는 추가적 실험이나 관찰을 통해서 가설을 입증해 가는 노력을 하였다. 호주 대륙처럼 다른 대륙과 멀리 떨어져 있는 경우라면, 오랜 기간 고립된 환경에서 환경에 맞는 독자적인 생태계가 형성된 것으로 추정하는 것이 논리적이다. 실제로 호주 대륙에는 다른 대륙에서는 볼 수 없는 캥거루, 태즈메이니아데빌, 코알라, 키위새 등이 서식하고 있다.   그림 4. 포유류 동물의 지역적 분포     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   전기 집진기(Electrostatic Precipitator : ESP)는 화력발전, 제철소, 시멘트 공정 등 대규모 산업 설비에서 배출되는 미세입자를 제거하기 위해 널리 활용되는 환경 규제 대응 설비이다. 전기 집진기의 집진 과정에서 전기장(electric field)의 크기와 분포는 입자 충전 효율과 이송 특성, 그리고 절연 안전성까지 좌우한다. 특히 코로나 방전은 첨단부 주변 전계 집중에 의해 시작되기 때문에, 설계 초기 단계에서 전계 분포를 파악하고 관리하는 것이 성능과 신뢰성을 확보하는 핵심 요소이다. 이번 호에서는 앤시스 맥스웰(Ansys Maxwell)을 활용하여 전기 집진기 내부 전계 분포를 분석하고, 파라메트릭(parametric) 해석을 통해 전극 간격이 전계 특성에 미치는 영향을 살펴보고자 한다.   ■ 오승희 태성에스엔이 EBU-LF팀의 매니저로 전자기 해석 기술 지원 및 교육, 컨설팅 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   전기 집진기와 전계 해석의 필요성   그림 1. 전기 집진기의 내부 구조   산업 현장에서 발생하는 미세먼지 및 배기가스 처리 요구가 높아지면서, 전기 집진기는 발전, 제철소, 시멘트 공정 등에서 핵심적인 환경 설비로 자리 잡고 있다. 전기 집진기는 기체 내 미세 오염물을 제거하기 위한 설비로서, 외부로부터 유입된 오염물을 코로나 방전을 이용해 이온화하고 집진판으로 이송·포집하는 방식으로 작동한다. 이 과정에서 전계의 크기와 분포는 집진 효율을 결정하는 핵심 인자이다. 전기 집진기 내부에 높은 전계가 형성될 경우, 이온 생성이 활발해져 포집 효율이 증가하는 이점이 있다. 하지만, 코로나 역전리 확률이 증가하고, 전극 손상 확률이 증가하여 유지보수 난이도를 증가시킨다. 이에 반해 전계가 낮을 경우 입자가 하전되지 않아 포집 효율이 감소한다. 전계 분포적인 측면에서는 불균일한 전계 발생 시 불필요한 절연파괴가 발생할 수 있으며, 전계가 전체적으로 균일하게 분포할 경우 이온화 효율이 감소할 수 있다. 때문에 적절한 전계 형성을 위한 설계가 필수이다.   전기 집진기의 전극 구조 및 전계 특성 전기 집진기는 크게 방전극(discharge electrode)과 집진판(collecting plate)으로 구성된다. 전기 집진기의 기본 원리는 <그림 2>와 같다. 먼저, 분진이 포함된 공기가 전기 집진기 내부로 유입되면 방전극에 의해 분진이 이온화된다. 방전극은 분진을 이온화시키는 역할을 하기 때문에, 일반적으로 고전계가 집중될 수 있는 형상인 와이어 또는 스파이크 형상을 가진다. 방전극의 첨단부에서 국부 고전계가 형성되면 코로나 방전이 발생하고, 이로 인해 분진을 이온화시키게 된다. 이온화된 분진은 음전하를 띄게 되며 전기 집진기 내부 전계에 의해 반대극성을 띄고 있는 집진판으로 이동하게 되고, 집진판에 도달하면 전하를 방출하고 들러붙게 된다. 절연파괴를 방지하기 위한 설계 시에는 기본적으로 균일한 전계를 가지는 형상으로 설계를 진행한다. 하지만, 앞서 소개한 것처럼 전기 집진기에서는 균일 전계가 무조건적으로 좋은 성능을 의미하는 것은 아니다. 균일 전계는 포집 효율을 높이지만 이온화 효율은 감소시키기 때문에, 일부 영역에서는 의도적으로 고전계를 형성하는 형상으로 설계를 진행해야 한다. 따라서 설계 목표는 필요 영역에서 충분한 고전계를 확보하되, 절연부 손상을 방지하는 균형 설계라고 할 수 있다.   그림 2. 전기 집진기의 원리   앤시스 맥스웰 기반 전계 해석 모델 설정 방법 해석은 맥스웰 2D 정전기 솔버(Maxwell 2D Electrostatic Solver)를 사용하였다. 전기 집진기는 Z축 방향으로 구조가 일정한 경우가 많아 2D 단면 모델만으로도 기본 전계 특성 파악이 가능하다. 해석 모델은 <그림 3>과 같이 원형의 방전극과 평판 형태의 집진판, 그리고 공기 영역으로 구성하였다. 방전극에는 음의 고전압을 인가하고 집진판은 접지 조건으로 설정하였다. 전극 주변부는 공기(Air) 재질로 설정하였으며, 전극은 스테인리스 스틸(Stainless steel)로 정의하였다. 전기장 해석에서는 공기와 전극 등 해석 모델을 구성하는 모든 재료에 대해 상대유전율(εr) 및 도전율(σ)과 같은 전기적 물성이 필요하다. 이러한 물성은 전계 분포 및 전하 축적 특성에 직접적인 영향을 미치므로, 재료별 특성을 정확히 반영하는 것이 중요하다. 따라서 이번 호의 해석에서는 사용된 재질의 대표적인 유전 특성을 기반으로 물성을 설정하였으며, 각 물질의 유전율은 <그림 3>에 나타내었다. 메시(mesh)는 <그림 4>와 같이 설정하였으며, 어댑티브 메싱(Adaptive meshing) 기능을 활용하여 수렴 기준에 도달할 때까지 자동으로 정밀도를 높였다.   (a) 전극 배치 및 재질설정   (b) 영역(region) 설정 그림 3. 전기 집진기의 전극 배치 개념도   그림 4. 메시 형상     ■ 자세한 기사 내용은 PDF로 제공됩니다.

‘CAE 컨퍼런스 2025’가 지난 11월 7일 수원컨벤션센터에서 진행됐다. ‘시뮬레이션의 미래 : AI와 디지털 트윈이 주도하는 제조 혁신’을 주제로 한 CAE 컨퍼런스 2025에서는 AI(인공지능)와 디지털 트윈(Digital Twin)의 융합을 통한 엔지니어링 혁신 및 가속화의 흐름을 짚었다. 특히 CAE 기술이 AI 및 데이터 기술과 결합함으로써 제조 및 설계 분야의 복잡한 문제를 해결할 뿐만 아니라, 최적 설계를 넘어 자율 설계와 스마트 제조를 구현할 수 있는 가능성에 주목했다. ■ 정수진 편집장     CAE 컨퍼런스 준비위원회 위원장인 연세대학교 기계공학과 이종수 교수는 개회사에서 과거에는 설계, 해석, 생산 등 공학 영역 사이의 장벽이 허물어지고 기술 융합과 협업이 가속화되고 있다고 짚었다. 한편, AI는 엔지니어링 의사 결정 과정에서 가속화를 돕는 역할을 한다. 특히 물리적 현상을 파악하는 기술인 CAE는 데이터 부족이나 불확실성, 그리고 경험하지 않은 영역의 문제를 해결해야 할 때 AI와 상호보완적인 관계를 갖게 된다는 것이 이종수 교수의 분석이다. 그는 “AI와 CAE는 서로 부족한 부분을 채워주는 친구처럼 협력하고 있다. 이번 CAE 컨퍼런스의 주제인 AI와 디지털 트윈을 통해 이러한 융합이 더욱 촉진되기를 기대한다”고 전했다.   디지털 제조 혁신을 가속화하는 CAE와 AI의 결합 앤시스코리아의 강태신 전무는 ‘디지털 제조 혁신을 위한 앤시스의 엔드 투 엔드 설루션’을 주제로 첫 번째 기조연설을 진행했다. 그는 최근 제조 트렌드의 변화와 스마트 공장의 필요성, 그리고 시뮬레이션의 핵심 역할을 설명했다. 강태신 전무는 IoT(사물인터넷), AI 등 4차 산업혁명 기술로 인한 리쇼어링(reshoring) 추세를 언급하면서, 스마트 공장의 핵심은 데이터의 연결성(connectivity)과 시뮬레이션을 통한 불량 예방이라고 강조했다. “시뮬레이션 기반 디지털 엔지니어링의 도입은 전체 수명 주기 비용을 줄이는 데 기여하며, 앤시스는 제품 설계부터 제조 공정까지 전 과정을 아우르는 엔드 투 엔드 시뮬레이션 설루션을 제공해 디지털 전환을 가속화한다”고 전한 강태신 전무는 국내 배터리 제조 공정에 시뮬레이션과 IoT 데이터를 결합한 디지털 트윈을 구축하여 생산성을 약 20% 향상하고 비용을 절감한 실제 사례를 소개했다. 또한 “스마트 공장의 도입은 이제 필수이며, 복잡한 것보다 작은 것부터 시작하여 성공을 확장하는 것이 중요하다”고 짚었다.   ▲ 앤시스코리아 강태신 전무   연세대학교 기계공학과 이종수 교수는 ‘자율지능 에이전트를 위한 물리 모델 기반 시스템 엔지니어링 & 생성적 산업 인공지능’을 주제로 한 기조연설에서 “공학의 딜레마인 ‘정확성’과 ‘효율성’ 사이의 고민을 해소하고, 데이터가 부족한 ‘경험하지 않은 영역’ 문제를 해결하기 위해 물리 지식을 다루는 CAE와 AI의 협업이 필수라고 강조했다. 이종수 교수는 “물리 지식 기반의 CAE가 AI 모델의 가이드 역할을 함으로써, 빅데이터가 아니라 적은 데이터로도 AI 학습을 가속화하고 정확도를 높일 수 있다”고 설명했다. 이런 기술이 대형 화면 단차 분석의 도메인 적응이나 전기차 냉각 시스템 소음 저감 설계 등에서 복잡한 문제를 해결하고 새로운 설루션을 도출하는 데 적용되고 있다고 소개한 이종수 교수는 AI와 CAE가 서로 협력하는 것이 중요하다고 전했다.   ▲ 연세대학교 기계공학과 이종수 교수   차세대 엔지니어링 패러다임 : AI, 자율화, 클라우드 나니아랩스의 강남우 대표는 ‘생성형 AI에서 에이전틱 AI까지 : 자율 설계의 미래’를 주제로 한 발표에서 인구 감소 등으로 어려움을 겪는 제조업의 혁신을 위해 AI 도입이 필수라고 강조했다. 또한, 엔지니어링 설계의 패러다임이 AI를 도구로 쓰는 ‘생성형 설계’를 넘어, AI가 의사 결정권을 갖는 ‘자율 설계(autonomous design)’ 시대로 진화할 것이라고 전망했다. 강남우 대표는 “딥러닝이 복잡한 고차원 설계 문제를 해결하는 핵심 기술이며, 미래에는 AI가 스스로 최적의 워크플로를 생성하여 설계 전 과정을 자동화하는 자율 에이전트 AI(agentic AI) 플랫폼 구축이 중요하다”고 짚었다.   ▲ 나니아랩스 강남우 대표   아마존웹서비스(AWS)의 전병승 설루션 아키텍트는 ‘클라우드 기반 CAE 혁신 : AI로 가속화하는 차세대 엔지니어링 시뮬레이션’을 주제로 발표했다. 그는 전통적인 온프레미스 HPC 환경의 한계를 분석하면서, “클라우드는 무제한의 용량과 유연성, 비용 효율을 제공함으로써 CAE 워크로드의 개발 주기를 단축시킨다”고 설명했다. 또한 “AWS는 HPC 인프라 자원과 클러스터 구축 자동화 설루션을 제공한다. 나아가 클라우드를 통해 가속화된 엔지니어링 환경에 자율 에이전트 AI를 적용하여 시뮬레이션 자동화 및 엔지니어의 생산성을 극대화할 수 있다”면서, “AWS는 인프라부터 AI 개발 도구까지 지원하여 기업의 혁신을 돕는다”고 소개했다.   ▲ AWS 전병승 설루션 아키텍트   한국알테어의 이승훈 기술총괄 본부장은 ‘CAE 최신 동향과 AI 기반 디지털 트윈 가속화’를 주제로 발표하면서, 엔지니어링 패러다임 변화에 대응하는 알테어의 핵심 전략을 제시했다. 이승훈 본부장은 “알테어는 메시리스 설루션으로 설계자의 시뮬레이션 접근성을 높이고, 멀티피직스 및 엔드 투 엔드 워크플로를 통합한다. 또한, 클라우드 기반의 협업 환경으로 데이터 사일로(silo) 문제를 해결하고, HPC 자원을 유연하게 확장하도록 돕는다”고 설명했다. 또한, “궁극적으로는 시뮬레이션 데이터를 활용하여 물리 AI(physics AI) 기반의 예측 모델을 구축하고, 복잡한 해석 결과를 수십 초 만에 도출하여 엔지니어링 시간을 확보하는 것이 핵심”이라고 전했다.   ▲ 한국알테어 이승훈 기술총괄 본부장   CAE의 난제 해결하는 첨단 기술 피도텍의 최병열 연구위원은 ‘RBDO, 데이터 시대에 무결점 설계를 향해’를 주제로 발표했다. 최병열 연구위원은 제조 오차나 재료 물성의 불확정성(uncertainty)을 설계 단계부터 반영하는 신뢰성 기반 설계 최적화(RBDO : Reliability-Based Design Optimization) 기술의 적용 필요성을 강조했다. 또한 “이 기술의 핵심 목표는 불확정 요인을 반영하여 최종 제품의 신뢰도를 극대화하는 것”이라면서, RBDO의 개념과 현재 엔지니어링 환경에서 필수인 이유, 그리고 현장에 효과적으로 적용하는 구체적인 방법을 제시했다.   ▲ 피도텍 최병열 연구위원   메타리버테크놀러지의 서인수 이사는 ‘입자 기반 멀티피직스 CAE 기술 : 유체유동 및 플라스마 응용사례’ 발표에서 격자 생성 없이 비정상 상태 해석에 효과적인 입자 기반 다중 물리 CAE 기술을 소개했다. 또한 CUDA HPC를 활용하여 해석 속도를 가속화했다고 밝혔다. 주요 응용 사례로 믹싱 공정, 프린터 토너 거동 등 고체 입자 해석, 기어박스 오일 거동이나 모터 냉각 시스템 등 유체 유동 해석, OLED 증착 및 반도체 식각 공정 등 고진공 플라스마 해석 분야에서의 적용을 제시한 서인수 이사는 “GPU 기반 자체 설루션이 기존 상용 툴로 풀기 어려운 복잡하고 특수한 CAE 난제를 해결하는 데 기여하고 있다”고 전했다.   ▲ 메타리버테크놀러지 서인수 이사   자동차 및 전자 산업의 디지털 트윈 적용 사례 LG전자의 문강석 책임연구원은 ‘시뮬레이션 기반 파우치형 배터리 동향과 실링 공정 최적화를 통한 신뢰성·안전성 강화 사례’ 발표에서 파우치형 배터리의 실링(sealing) 공정 최적화 사례를 소개했다. 문강석 책임연구원은 “배터리 실링은 열 전달, 상 변화, 구조 변형, 점성 유동 등의 다중물리 현상이 동시에 발생하기 때문에 해석이 어렵다”면서, “신뢰성과 안전성을 확보하기 위해 실링 공정의 복잡한 물리적 거동을 CAE 기술로 분석했다”고 전했다. LG전자 연구팀은 기존 설루션의 한계를 극복하고자 솔버를 개선하고, 실험 데이터와 CAE 해석을 기반으로 두께 변화에 대한 수학적 모델링 및 최적화를 진행했다. 문강석 책임연구원은 이를 통해 실링 공정의 정량적 예측이 가능해져, 배터리의 신뢰성을 높이는 데 기여할 수 있었다고 설명했다.   ▲ LG전자 문강석 책임연구원   LG전자의 장일주 책임연구원은 ‘TV 제품의 CAE 자동화 및 AI 활용 사례’ 발표에서 “CAE의 핵심인 효율화 및 자동화를 달성하기 위해, 개발자들이 직접 사용할 수 있는 웹 기반의 CAE 자동화 시스템을 구축했다”고 소개했다. 그 한 가지 사례로 TV 스탠드와 헤드 블록의 구조/방열 성능을 예측해서 설계 단계에서 활용할 수 있도록 하는 TV 스탠드 안정성 예측 모델이 있는데, 몬테카를로 시뮬레이션과 딥러닝을 활용해 높은 신뢰도의 예측 결과를 빠르게 도출할 수 있었다. 또한 해석 시간이 3주 소요되던 포장 충격 예측에는 물리 기반 딥러닝 기법(PINNs)을 도입해 정확도를 높였다. 장일주 책임연구원은 “향후 TV 제품에 대해 약 15~20가지의 해석 항목을 모두 자동화해서 엔지니어링의 효율화를 이룰 계획”이라고 전했다.   ▲ LG전자 장일주 책임연구원   현대자동차의 한만용 책임연구원은 ‘고객 중심의 디지털 트윈 기술–승객 모니터링과 인체 모델의 융합’을 주제로 발표했다. 한만용 책임은 SDV(소프트웨어 중심 차량) 시대에 고객 중심 차량을 개발하기 위해서는 승객 데이터의 확보가 필수라고 강조하면서, “기존 디지털 모델과 달리 현실 데이터를 동기화하는 디지털 트윈 모델을 목표로 한다”고 소개했다. 현재는 승객 모니터링 시스템의 정보를 활용해서 관절의 위치를 파악하고, 인버스 다이나믹 모델을 통해 하중 정보를 계산하는 디지털 트윈 인체 모델을 구축하고 있는데, 한만용 책임연구원은 “체형 정보를 반영하여 충돌, 안락성 평가를 최적화하고, 실시간 피드백을 통해 승객 안전과 멀미 지수 예측 등 다양한 버추얼 테스트에 디지털 트윈 인체 모델을 활용할 계획”이라고 전했다.   ▲ 현대자동차 한만용 책임연구원     ■ 기사 내용은 PDF로도 제공됩니다.

한국시뮬레이션기술(코스텍)은 지난 11월 5일 서울 여의도 FKI 컨퍼런스센터에서 ‘2025 코스텍 콘퍼런스(2025 KOSTECH Conference)’를 진행했다고 전했다. 이번 행사는 디지털 엔지니어링과 시뮬레이션 기술의 최신 동향을 조망하고, 산업 전반의 혁신적 변화를 논의하는 자리로 마련되었으며, 자동차·조선·에너지·항공우주 등 다양한 산업군에서 관계자와 전문가가 참석했다. 이번 콘퍼런스는 현대자동차 김동휘 팀장의 기조연설로 문을 열었다. 그는 ‘버추얼 개발 강건화를 위한 해석 물성 표준화 전략 : 전산재료과학 기반의 물성 평가 표준화 및 충돌해석 재료 모델 개발’을 주제로, 실제 차량 충돌 해석의 신뢰도를 높이기 위한 물성 데이터 표준화의 필요성과 현대자동차의 추진 방향을 상세히 소개했다. 시뮬레이션이 실제 물리 시험을 대체하고 설계 초기 단계에서의 최적화를 가능케 하는 산업 트렌드 속에서, 김 팀장은 “정확한 재료 모델링이야말로 디지털 개발 체계의 근간”이라고 강조했다.     이어진 플레너리 세션에서는 국내외 각 산업을 대표하는 전문가들이 시뮬레이션의 혁신적 활용 방안을 공유했다. 첫 번째 발표는 임팩트 디자인 유럽(Impact Design Europe)의 아가타 소콜(Agata Sokoll)이 맡았다. 임팩트 디자인 유럽은 폴란드의 소프트웨어 개발사로, MEM이라고 하는 매크로 요소법 기반으로 FEM(유한요소법)을 보완하여 초기 설계 단계에서 빠르게 충돌 해석 및 경량 구조 설계를 할 수 있는 설루션을 제공하는 업체이다. 그는 ‘IDE PreDesign Environment – The Idea of Design with Awareness’라는 주제로, 설계 초기 단계에서 물리적 거동을 직관적으로 이해하고 예측 가능한 디지털 엔지니어링 환경 구축의 중요성을 강조했다. 또한 “상대적으로 해석 시간이 오래 걸리는 충돌 해석이나 경량 구조 설계 분야에서 적재적소에 잘 활용한다면 많은 도움이 될 것”이라고 전했다. 두 번째 세션에서는 대한조선학회 함정기술연구회 부회장인 한국기계연구원 권정일 책임연구원이 ‘충격 하중에 대한 함정의 생존성 향상을 위한 취약성 평가 방안’을 발표했다. 그는 실제 충돌 및 폭발 환경에서 선체 구조물의 응답을 정량화하고, 이를 바탕으로 방호 성능을 높이는 해석 기술의 최신 연구 결과를 소개했다. 특히 국방·조선 분야에서의 시뮬레이션 신뢰도 확보와 검증 절차에 대한 구체적 사례가 주목을 받았으며, 실제 해석 영상을 통해 설계에 대한 분석과 연구 활동에 대해 소개했다. 마지막으로 서울대학교 이명규 교수는 ‘유한요소해석의 예측 신뢰성 향상을 위한 재료 및 파단 모델 개발 및 응용’을 주제로 발표를 진행했다. 이 교수는 정밀 실험 기반의 파단 거동 분석과 수치해석 연계 기술을 중심으로, 재료 모델의 물리적 타당성과 예측 신뢰성을 높이는 접근법을 제시했다. 그의 발표는 학계와 산업계의 공동 연구 가능성을 보여주면서 참석자들의 호응을 얻었다. 한국시뮬레이션기술은 이번 콘퍼런스가 단순한 기술 교류의 장을 넘어, 산업계의 디지털 전환 가속화와 시뮬레이션 기반 의사결정의 확산을 확인할 수 있는 자리였다고 평가했다. 한국시뮬레이션기술의 이형주 대표이사는 “올해 콘퍼런스는 산업 현장의 목소리와 연구자의 비전을 한자리에서 듣고 공유할 수 있었던 뜻깊은 자리였다”면서, “앞으로도 국내 시뮬레이션 기술의 수준을 한 단계 끌어올리고, 고객사와 함께 실질적인 디지털 혁신을 만들어가겠다”고 밝혔다.

시점 – 사물이나 현상을 바라보는 눈 (11)   지난 호에서는 ‘무엇을 볼 것인가?’, ‘무엇을 믿을 것인가?’, ‘가설, 모델, 이론의 설득력의 시대성’의 이야기의 첫 번째 이야기로 ‘무엇을 볼 것인가?’에 관해서 생각해 보았다. 여러 가지 사례를 통해서 우리는 현상의 관찰에 집중하고 있다는 사실을 알게 되었다. 감각적으로 느껴지는 현상 너머를 생각해 보려는 노력도 필요하다. 이번 호에서는 그 두 번째 주제로, 많은 현상을 다양한 방법으로 관찰은 하고 있지만 관찰된 현상의 ‘무엇을 믿을 것인가?’에 관해서 생각해 보고자 한다. 다음 호에 소개할 ‘가설, 모델, 이론의 설득력의 시대성’의 이야기로 연결되는 내용을 소개한다.   ■ 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   그림 1. 압력과 진공의 존재는 어떻게 이해하고 믿어야 할까?    압력과 진공 압력(pressure)은 단위 면적당 수직으로 가해지는 힘으로 정의된다. 진공(vacuum)은 공간 내에 ‘물질’이 존재하지 않는 상태라는 의미이다. 우리는 대기 중에서 생활하고 있으니 공간 내에 공기가 없는 상태라는 의미로 사용되기도 한다. 우리 주변에 압력 또는 진공이라는 단어가 들어간 도구가 많다. 예를 들면 압력밥솥, 진공청소기같은 것이다. 물리적인 의미로 보면 실제와는 다소 거리가 있지만, 대기압보다 높은 압력으로 밥을 짓는 밥솥이니 압력밥솥이라고 부를 만하다. 진공청소기의 경우는 사정이 조금 다르다. 이 세상에 공간 내에 물질이 없는 진정한 의미의 진공이란 없다. 다만 대기압보다 낮은 압력으로 대기압 공간에 놓인 많은 물체를 흡입하므로 진공이라는 단어를 사용했을 뿐이다. 압력도 진공도 모두 압력 범위를 지정하지 않으면 상징적인 의미로 받아들이게 된다.  <그림 1>에 톨리첼리의 실험과 백조 모양의 액체가 담긴 일기예보용 기압계의 사진을 소개하였다. 에반젤리스타 토리첼리(Evangelista Torricelli)는 이탈리아의 수학자며 물리학자로, 수은주를 사용한 대기압의 존재 확인과 수은주 윗부분에 빈 공간이 생기는 것을 확인하였다. 대기에서 측정하면 수은주의 높이는 수직으로 세우거나 기울이거나 상관없이 수은 액면으로부터 늘 76cm, 즉 760mm의 위치까지만 채워졌기 때문에 대기압을 760mmHg라고 한다. 그 빈 공간을 ‘톨리첼리의 진공’이라고 부르는데 엄밀하게는 그 공 안에는 수은의 증기가 미량 포함되어 있을 것이다. 이 실험을 통해서 대기압과 진공의 존재가 증명되었다. 파란 액체가 담겨 있는 백조 모양의 용기는 주둥이가 뚫려 있어 공기가 자유롭게 드나들 수 있는 구조이다. 대기압이 올라가게 되면 백조 목 부분의 파란 액체가 아래로 내려가게 되고 날씨가 좋아질 것이라고 예측한다. 반대로 대기압이 낮아지면 목 부분의 파란 액체가 위로 올라가게 되며 날씨가 나빠질 것으로 해석한다. 원리는 압력계 밖의 기압과 압력계 내 공간의 압력 차이로 목 부분 파란 액체의 위치가 달라지는 것이다. 압력계 내 빈 공간의 압력이 대기압보다 낮으면 목 부분의 파란 액체가 아래로 밀리면서 높이가 낮아진다. 반대로 바깥쪽의 압력이 낮아지면 안쪽에서 액체를 밖으로 밀어내려 하므로 액체의 높이가 높아진다. 이러한 원리로 대기압의 변화를 시각화한 도구이다.   그림 2. 우리는 마치 살아 있는 진공 펌프와 같다. 물병 일부만 채워진 병을 기울이면 병의 각도와 관계없이 수면은 항상 수평을 이룬다.   <그림 2>에 보이는 빨대로 음료를 마시는 행위를 예로 들면 톨리첼리의 실험과 압력계의 원리가 쉽게 이해된다. 빨대로는 음료수를 마시는 행위는 입으로 대기압보다 낮은 압력으로 빨대를 빨아서 입 안의 압력과 외부 대기압과의 압력 차이를 이용하여 액체를 흡입하는 것이다. 압력의 차이가 없으면 빨대 안의 물의 높이도 병이나 컵의 수위와 같다. 대기압과의 압력 차이에 대응하여 빨대를 통과하는 음료수의 속도와 양이 결정된다. 반대로 빨대에 공기를 불어 넣으면 빨대 안의 음료수를 밀어내고, 공기가 음료수 속에서 기포가 만들어져 떠오르게 된다.   액체를 이용한 다양한 구조의 압력계 자연현상도 물리학의 이해도 어렵게 생각하면 한없이 어렵지만, 조금만 발상을 바꿔보면 그다지 어려운 것은 아니다. 적어도 필자의 경험으로는 그렇다. 중세 유럽의 발음하기도 어려운 유명한 과학자의 이름과 연결해 가면서 간단한 그림으로 원리를 이해하려고 해도 긴가민가하다가 결국은 이해하지 못하는 자신을 탓하는 경우가 많다. 공기의 압력으로 발생하는 대기압의 존재를 증명하려면 공기의 존재가 증명되어야 한다. 그렇다면 공기층의 두께가 다른 곳에서는 다른 현상이 나타나야 하고, 공기층이 없는 곳에서는 공기의 압력이 없다는 것도 증명해야 한다. 이런 불가능에 가까운 요구를 어찌 해결했을까?     ■ 자세한 기사 내용은 PDF로 제공됩니다.