SAP는 4월 20일~24일 독일에서 열리는 ‘하노버 메세 2026’에 참가한다. SAP는 이번 박람회에서 ‘신뢰할 수 있는 오케스트레이션과 더 스마트한 실행’을 주제로 에이전틱 AI 기반의 제조 및 공급망 혁신 설루션을 공개한다고 전했다. 비즈니스 AI가 기업의 핵심 운영 프로세스를 어떻게 혁신하는지에 대한 구체적인 비전을 제시한다는 계획이다. SAP의 크리스티안 클라인 CEO는 이번 행사에서 AI 전략적 목표를 실제 비즈니스 실행으로 전환하는 방법론에 대해 발표한다. 그는 제조업계가 마주한 원가 상승과 글로벌 경쟁 심화 등의 문제를 해결하기 위해 AI를 비즈니스 프로세스에 직접 내재화하는 방향성을 강조할 예정이다. SAP는 비즈니스 AI가 포함된 제조, 공급망, 클라우드 ERP 애플리케이션을 통해 기업이 시장 변화를 새로운 성장 기회로 전환하도록 지원한다. 특히 이번 박람회에서 선보이는 에이전틱 AI는 핵심 워크플로에 통합되어 작동한다. AI 에이전트가 변화를 감지하고 운영 제약 조건을 분석해 최적의 행동을 실시간으로 자동 실행하는 방식이다. 이를 통해 기업이 단순한 가시성 확보를 넘어 더 빠르고 정확한 의사결정을 내릴 수 있다는 것이 SAP의 설명이다.     SAP는 설계와 계획부터 제조, 물류, 자산 관리에 이르는 전 과정에서 데이터와 프로세스를 통합한다. SAP 공급망 오케스트레이션 설루션은 실시간 지식 그래프와 생성형 AI인 쥴(Joule)의 역량을 결합해 다단계 공급업체 네트워크의 위험을 사전에 감지한다. 또한 디지털 제품 여권과 전자 인보이스 컴플라이언스 등 규제 준수 기능을 비즈니스 프로세스에 내재화해 복잡한 글로벌 규제 환경에서도 지능적인 사업 확장을 돕는다. 글로벌 파트너사와의 협업도 강화한다. SAP는 액센츄어, 삼일PwC, 캡제미니 등과 함께 엔드 투 엔드 제조 및 공급망 설루션을 시연하며, 스노우플레이크와는 데이터 세션을 공동 진행한다. 아울러 제조 가치사슬 전반에서 기업 간 데이터를 안전하게 교환하는 ‘매뉴팩처링-X’ 이니셔티브를 통해 디지털 제조 생태계 구축에서의 역할을 보여준다. 현장 부스에서는 방문객을 위한 가이드 투어와 체험 공간이 운영된다. 독일 공작기계 기업 DMG 모리의 CNC 머신이 부품을 생산하고 울만 패키징 머신에 투입하는 실물 연동 시연이 진행된다. 휴머노이드 로봇이 자율적으로 피킹과 패킹 작업을 수행하는 시연을 통해 디지털 의사결정이 물리적 실행으로 연결되는 미래 제조 현장을 확인할 수 있다. SAP의 도미닉 메쯔거 공급망 관리 부문 최고제품책임자는 “제조 기업은 복잡성을 관리하면서 변화에 민첩하게 대응해야 하는 과제에 직면해 있다”면서, “에이전틱 AI를 핵심 비즈니스 프로세스에 내재화해 시장 변화를 실시간으로 감지하고 즉각적인 실행으로 연결하도록 지원할 것”이라고 밝혔다.

다이슨(Dyson)은 최적의 물청소 솔루션을 개발하기 위해 새로운 접근 방식이 필요하다는 연구 결과를 도출했다. 그 결과물이 바로 수세기의 역사를 지닌 가정용 청소 도구인 대걸레를 재해석한 청소기 ‘다이슨 워시G1(Dyson WashG1)’이다. 다이슨 엔지니어들은 이 제품을 개발하기 위해 항공우주 산업 등 복잡한 시스템 설계에 쓰이는 엔지니어링 방법론을 일상 제품에 적용했다. 기존 제품의 개선 버전을 개발할 때는 효과적이었던 다이슨의 문서 기반 워크플로가 완전히 새로운 제품군을 만드는 데는 적합하지 않았기 때문이다. 이에 다이슨의 첨단 제어 시스템 수석 엔지니어인 로맹 기셰르(Romain Guicherd)는 팀을 설득해 모델 기반 설계(model-based design : MBD)를 도입했다. 모델 기반 설계란 시스템 레벨 시뮬레이션 모델을 활용해 시스템 개발 방식을 개선하는 방법론이다. 이를 통해 개발 워크플로를 가속화하고, 테스트를 위한 보다 강건한 코드를 구현할 수 있었다.   모델 기반 설계로 바꾼 제품 개발 방식 다이슨은 진공청소기 등 기존 제품 라인업의 신제품을 개발할 때, 팀 간 요구사항의 전달에서 서면으로 된 문서 기반 방식을 사용해 왔다. 이러한 방식은 이전의 설계 및 임베디드 소프트웨어를 참고하고 반복 개선할 수 있어, 이미 안정화된 기존 제품군 개발에 적합한 방식이다. 그러나 완전히 새로운 제품군을 개발하는 과정에서는 이러한 문서 전달 방식이 오히려 혼선을 초래할 수 있었다. 문서로 작성된 설계 사양은 엔지니어마다 요구사항을 다르게 해석할 가능성이 있기 때문이다. 새로운 제품군 개발은 팀 간 오해를 줄이고 보다 원활한 협업을 가능하게 하는 새로운 개발 방식을 모색하게 하는 계기가 됐다.    ▲ 다이슨 워시G1은 습식 오염과 건식 이물질을 모두 제거한다.   다이슨은 모델 기반 설계가 새로운 기능과 설계 방향을 탐색하는 데 적합한 개발 방식이라고 봤다. 개발 초기에는 다양한 개념과 방향을 동시에 검토해야 했는데, 시뮬링크(Simulink) 기반의 모델 기반 설계를 도입한 덕분에 팀은 기존 문서 기반 프로세스 대비 두 배 빠르게 새로운 아이디어를 구현할 수 있었다. 워시G1의 핵심 세척 방식은 촘촘한 마이크로파이버 천으로 감싼 역방향 회전 롤러를 탑재한 세척 헤드를 중심으로 구성된다. 습식 오염과 건식 이물질을 분리하기 위해 보조 롤러가 고체 이물질을 트레이에 모으고, 트레이 바닥의 메시 필터를 통해 액체가 오수 탱크로 흘러내려가는 구조다. 기셰르의 팀은 이 모든 기능을 구현하고 다양한 상황에 대응하기 위해, 상호작용하는 시스템 구성요소의 시뮬레이션을 용이하게 하고 설계부터 코드 생성, 소프트웨어 테스트까지 전 과정을 아우르는 툴이 필요했다. 팀은 세척 롤러 제어 장치 개발을 위해 심스케이프 일렉트리컬(Simscape Electrical)로 폼 롤러 모터와 모터 드라이브를 모델링했다. 또한 스테이트플로(Stateflow)를 활용해 청소기에 탑재된 두 개의 펌프, 즉 깨끗한 물로 롤러에 수분을 공급하는 펌프와 오수를 배출하는 펌프의 스케줄링과 제어 로직을 설계했다. 제품의 자동 세척 메커니즘 구현에도 스테이트플로가 활용됐다. 워시G1의 세척 성능을 구현하기 위해서는 단계별로 선택 가능한 수분 공급 수준과 각 단계의 세밀한 민감도 조정이 모두 뒷받침돼야 했다. 다양한 설정 값과 세척 부하 변화에 대응하려면 정밀한 전압 제어가 필수였다. 팀은 시뮬링크 모델로 매개변수를 조정하고 다양한 값을 반복 테스트하며 모터 전압 제어 로직을 빠르게 최적화했다. 실제 프로토타입을 제작하지 않고도 시뮬레이션만으로 설계 변경의 영향을 사전에 파악할 수 있었다는 점도 개발 효율을 높이는 데 크게 기여했다.   ▲ 심스케이프로 모델링된 다이슨의 롤러 기술   다이슨은 요구사항 툴박스(Requirements Toolbox)를 활용해 요구사항을 시뮬링크 모델에 연결함으로써 각 요구사항이 제품 기능으로 어떻게 구현되는지 확인할 수 있었다. 요구사항 툴박스(Requirements Toolbox)를 사용하기 전에는 하드웨어 테스트 단계에 이르러서야 요구사항의 오류를 발견할 수 있었다. 하지만 요구사항을 모델에 연결한 이후로는 각 요구사항의 구현 방식과 요구사항 간 상호 관계를 사전에 명확히 파악할 수 있게 됐다.   시스템 시뮬레이션이 설계에 가져온 변화 시뮬링크와 심스케이프를 활용한 모델 기반 설계는 보다 체계적인 개발 접근 방식을 가능하게 했고, 다이슨이 프로토타입을 제작하고 테스트하기에 앞서 다양한 유형의 인더루프(in-the-loop) 테스트를 수행할 수 있도록 하였다. 모델 기반 설계 덕분에 엔지니어는 멀티도메인 모델링을 수행하고 타 팀과 긴밀하게 협업할 수 있었다. 일례로 기셰르의 팀은 배터리 셀 및 배터리 관리 시스템 팀의 데이터를 활용해 정밀한 4셀 배터리팩 모델을 구축했다. 또한 전자팀과 협력해 심스케이프 일렉트리컬로 전력전자 하드웨어의 동작을 모델링하고 시뮬레이션했다. 시뮬링크를 통한 시스템 레벨 시뮬레이션은 더 많은 설계 옵션을 검토하고 트레이드오프를 비교할 수 있는 환경을 만들어줬다. 그 결과 팀은 프로젝트의 설계 단계에 더 많은 시간을 투자할 수 있었고, 설계 오류와 통합 문제를 수정하기 훨씬 쉽고 비용도 적게 드는 초기 단계에서 발견할 수 있었다.   소프트웨어 아키텍처와 임베디드 코드 개발 이후 프로젝트에서 팀은 소프트웨어 아키텍처 개발을 위해 시스템 컴포저(System Composer)를 추가로 도입했다. 시스템 컴포저를 통해 제품팀과 소프트웨어팀은 소프트웨어 인터페이스와 스케줄링을 함께 개발하고 다양한 시나리오를 모델링할 수 있었다. 또한 대규모 모델을 논리적 단위로 구조화해 병합 충돌 없이 원활한 팀 간 협업이 가능해졌다. 시뮬링크 모델은 제품 동작을 시각적으로 표현함으로써 개발 전 과정에 걸쳐 팀원 간의 협업을 촉진했다. 제어 시스템 모델에서는 C 코드가 생성됐다. 팀은 모델을 수정하고 일부 구간에 주석을 달거나 새로운 블록을 추가하는 방식으로 소프트웨어 엔지니어에게 청소기의 새로운 동작을 보여줬다. RCP(Rapid Control Prototyping)를 활용하면 코드를 빠르게 생성하고, 다음 날 바로 실험실에서 제품의 동작을 확인할 수 있었다. 팀은 직접 코딩 대신 임베디드 코더(Embedded Coder)로 시뮬링크 모델에서 C 코드를 자동 생성했고, 소프트웨어팀은 이를 NXP 마이크로컨트롤러의 메인 코드에 통합했다. 임베디드 코더 도입 이후 소프트웨어 릴리스 주기는 기존 약 10주에서 9일로 단축됐다. 초기에는 실험실 환경에서의 동작 구현에 집중하였기 때문에 모델과 코드 생성을 핵심으로 삼았지만, 곧 모델과 코드, 테스트, 커버리지가 함께 어우러질 때 제품 완성도가 한층 높아진다는 사실을 확인했다.   테스트 효율을 높인 모델 기반 개발 팀은 이전 제품 개발 때보다 설계 개선에 더 많은 시간을 쏟았다. 시뮬링크를 통해 시뮬레이션 중 발생한 오류를 신속하게 수정할 수 있었고, 그 효과는 테스트 단계에서 그대로 나타났다. 이 테스트 단계는 과거보다 훨씬 단순하고 빨라졌으며, 팀의 개발 시간과 노력을 절감하는 데 기여했다. 모델에서 정상 작동하도록 설계한 것은 실제 제품에 적용해도 동일하게 구현됐고, 이는 무결점 제품 출시로 이어졌다. 워시G1의 모델 기반 설계와 코드 자동 생성이 성공을 거두면서, 초기에 회의적이었던 소프트웨어팀의 시각도 달라졌다. 자동 생성 코드가 내부 표준 준수와 실행 효율성을 담보할 수 있을지 우려하던 소프트웨어팀은 이제 코드에 대한 확신을 갖게 됐다. 현재 소프트웨어팀은 하드웨어팀과 협력해 자동 생성 코드의 API를 함께 정의하고 있으며, 모델 기반 설계에 시뮬링크를 활용하면서 유연성과 개발 속도 모두를 향상시켰다. 이제는 소프트웨어팀이 먼저 나서서 동일한 프로세스를 다른 제품에도 적용해 달라고 요청할 만큼, 프로젝트 복잡도가 높아질수록 모델 기반 설계의 가치는 더욱 분명해지고 있다. 다이슨 팀은 향후 워시G1 후속 모델 개발 시 기존 모델의 구성 요소를 재사용할 수 있다. 또한 이번 모델 기반 설계 방법론의 성공 사례는 사내 다른 부서에서도 주목받고 있다. 헤어 케어 제품과 다른 플로어 케어 제품군에도 이를 적용하는 방안이 검토되고 있어, 다이슨 내 추가 혁신 가능성을 넓히고 있다.   ■ 이웅재 | 매스웍스코리아 이사

가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (6)   복잡한 시스템 설계를 최적화하기 위해 시스템 모델링 언어인 SysML의 역할이 커지고 있다. 이번 호에서는 블록 정의 및 내부 블록 다이어그램을 통한 설계 애셋의 재사용성과 파라메트릭 모델을 활용한 검증 방법을 살펴본다. 또한 객체지향 시스템 엔지니어링 방법론인 OOSEM의 주요 개발 활동과 모델 요소 간의 연결 구조를 분석한다. 이를 통해 복잡한 요구사항을 체계적으로 관리하고 설계 일관성을 확보하는 통합적인 시스템 엔지니어링 접근법을 제시한다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   블록 정의 및 사용   그림 1. BDD와 IBD에 의한 자동차의 ABS 시스템 예시(제동 시스템)   <그림 1>은 블록 정의 다이어그램(Block Definition Diagram : BDD)과 내부 블록 다이어그램(Internal Block Diagram : IBD)의 관계를 SysML 모델링에서의 블록 정의와 사용(Definition and Usage) 개념을 설명하는 것이다. 특히 시스템 모델에서 정의(definition)와 사용(usage)의 구분이 어떻게 나타나는지를 자동차의 ABS 시스템(제동 시스템) 예시를 통해 직관적으로 설명하고 있다. BDD는 시스템 구성 요소를 정의(definition 또는 type)하는 다이어그램이다. 여기서 블록은 하나의 설계 단위 또는 유형으로 간주되며, 그 자체로는 구현이 아닌 속성, 인터페이스, 동작 등을 기술한다. 예를 들어 Anti-Lock Controller는 하나의 중심 블록으로 정의되어 있고, Traction Detector(d1), Brake Modulator(m1), Sensor(s1)와 같은 하위 블록과 구조적 관계를 가진다. 이들 블록은 각각 독립적으로 정의된 타입이며, 다른 시스템에서도 재사용이 가능하다. Definition에서 Block은 하나의 유형(type)이며 속성, 동작, 포트 등을 정의하여 여러 콘텍스트에서 재사용된다. 연결 방식은 관계 선(연결 구조) 위주로 나타낸다. IBD는 정의된 블록을 특정 콘텍스트에서 사용하는 방식을 나타낸 다이어그램으로 정의된 블록의 실제 사용/구현 구조 표현이다. 여기서는 AntiLock Controller 블록의 내부를 구성하는 part(사용 인스턴스)들이 나타난다. Part(인스턴스 또는 역할)로 모델 내부 특정 위치에 배치된다. 연결방식은 포트와 커넥터로 물리적/논리적 인터페이스로 구성한다. 예를 들어 s1:Sensor, d1:Traction Detector, 102 · m1:Brake Modulator는 모두 정의된 블록을 특정 역할(역할/파트)로 사용하는 형태이다. 각 파트는 인터페이스 포트(c1, c2)를 통해 상호 연결되며, 모델 내 실제 연결 구조를 명시한다. Usage에서 Part는 정의된 블록의 사용 인스턴스이며 특정 콘텍스트에서 기능 역할로 배치되며 블록에 의해 타입(Type)이 지정되며 역할(role) 또는 구성요소(instance)로도 불린다. 또한 <그림 1>은 모델 기반 시스템 설계에서 중요한 개념인 정의와 사용의 분리(separation of definition and usage)를 설명하고 있다. 정의된 블록은 단일 설계 요소로서 명세되고, 이를 다양한 콘텍스트에서 조합하여 모듈화, 재사용성, 유연한 시스템 확장이 가능해진다. SysML에서 BDD와 IBD는 각각 설계와 구성, 추상화와 구현을 잇는 핵심적인 다이어그램으로 활용된다.   매개변수 - 구속조건 정의 및 사용   그림 2. 매개변수 간의 수학적 관계와 제약 조건의 정의 및 실제 시스템 모델에 적용 방법   <그림 2>는 SysML 파라메트릭 다이어그램(Parametric Diagram)을 활용하여 매개변수(변수) 간의 수학적 관계와 제약 조건(구속조건)을 정의하고, 이를 실제 시스템 모델에 적용(usage)하는 방법을 보여준다. 실제로 매개변수와 구속조건 정의 및 사용으로 시스템의 무게 조건을 예로 들어 설명하고 있다. 구속조건 정의(Constraint Definition)의 BDD 부분은 모델링된 제약 조건을 정의한 것이다. 이 영역에서는 다음 두 개의 제약 블록(constraint block)이 정의되어 있다. Total Weight는 수식 wt = Σw로 정의되어 각 구성 요소의 무게를 모두 더하여 총 무게를 계산하는 수식이다. 입력 매개변수는 wi(각 구성 요소의 무게들)과 결과로 wt(총 무게)를 나타낸다. Max Weight는 수식 result = (wt<2000 Ton)이며 총 무게가 2000톤 미만인지 여부를 판단한다. 결과는 불린(boolean) 타입으로 반환(true 또는 false)된다. 이 두 제약 블록은 상위 분석 블록인 Ship Weight Analysis에 속하며, 전체 시스템에서 무게 제한 분석을 수행하기 위한 논리적 조건으로 사용된다. 파라메트릭 다이어그램(Parametric Diagram)은 앞에서 정의한 제약 조건들을 Ship Weight Analysis 블록에 실제 적용한 예시이다. 이 다이어그램에서는 다음과 같은 구성으로 모델이 연결되어 있다. wt는 Total Weight 제약 블록이며 입력 값으로 w1, w2, w3가 연결되며 각각 ship.weight, cargo.weight, ammo.weight와 연결되어 전체 무게를 계산한다. Mw는 Max Weight 제약 블록이며 앞에서 계산된 총 무게 wt를 입력으로 받아 그것이 2000톤 미만인지 여부를 결과로 피드백한다. 이 다이어그램에서 사용된 두 제약 블록은 «usage» 관계로 상단의 BDD에서 정의된 constraint block을 참조하고 있으며, 결과적으로 시스템 설계 모델에 제약을 수학적으로 통합하는 구조이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업을 위한 AI와 버추얼 트윈 기술 (2)   이번 호에서는 다쏘시스템의 LBM 기반 CFD 설루션인 파워플로(PowerFLOW)를 활용하여, 하중 및 회전에 의해 변형되는 트레드 타이어를 반영한 정밀 유동 예측 워크플로를 제시한다. 드라이브에어(DrivAer) 모델 적용을 통해 접지면과 사이드월 돌출부 형상 변화가 차량 항력 및 후류 구조에 미치는 영향을 분석하고, 실제 주행 조건을 고려한 차세대 공력 최적화 설계 프로세스의 방향성을 제안한다.   ■ 고석원 다쏘시스템의 유동해석 컨설턴트로, 국내 완성차 업체의 공력 및 공력소음 분야 CFD 프로젝트 수행 및 기술 지원을 담당하고 있다. 홈페이지 | www.3ds.com/ko   EV(전기자동차) 시대에 접어들면서 공력 성능은 단순한 항력 계수(Cd : Drag Coefficient) 저감의 문제가 아니라, 에너지 효율과 주행거리 경쟁력을 결정하는 핵심 설계 변수로 자리잡았다. 특히 고속 주행 영역에서는 타이어 주변에서 형성되는 복잡한 와류 구조가 전체 항력에 상당한 영향을 미친다. 그러나 현재까지 많은 외부 유동해석은 계산 효율과 모델 단순화를 이유로 강체 타이어 형상을 가정해왔다. 실제 주행 조건에서는 차량 하중과 회전에 의해 타이어 접지면이 평탄화되고, 트레드 패턴이 국부적으로 변형된다. 이러한 기하학적 변화는 경계층 발달과 박리 위치, 그리고 후류 구조에 직접적인 영향을 미친다. 그럼에도 불구하고 설계 단계에서 이러한 변형 효과는 충분히 반영되지 못하는 경우가 많다. 이 간극은 단순한 수치 오차를 넘어, 설계 의사 결정의 신뢰성 문제로 이어질 수 있다. 기존의 전산유체역학(CFD : Computational Fluid Dynamics) 접근에서는 회전 조건을 MRF(Moving Reference Frame) 혹은 LRF(Local Reference Frame) 기법을 구현하고, 접지부는 이상적인 평면 조건으로 단순화한다. 이 방식은 빠른 비교 분석에는 적합하지만, 접지부 인근의 비대칭 유동 구조와 시간에 따라 변화하는 와류 변동을 충분히 재현하기 어렵다. 특히 하중에 의해 형성되는 접지부 형상 변화는 타이어 하부 압력 분포를 바꾸고, 이는 차체 하부 유동과 상호작용하며 항력 특성에 영향을 미친다. 고속 주행 시에는 원심력에 의한 외경 변화까지 더해져 형상 변형이 복합적으로 발생한다. 따라서 현실 기반 공력 예측을 위해서는 타이어 변형을 포함한 해석 전략이 요구된다.   파워플로 기반 정밀 유동 예측 방법론 이번 호에서는 LBM(Lattice Boltzmann Method) 기반 CFD 설루션인 파워플로를 활용하여 하중 및 회전 변형을 반영한 해석 환경을 구축하였다. 차량 모델은 <그림 1>과 같이, 오픈소스 표준 차체 형상인 드라이브에어 모델을 적용하였다. 타이어 형상은 단순 강체 모델과 실제 하중 조건을 반영한 변형 트레드 타이어 모델을 사용하였다. 변형 형상은 파워플로의 전처리 모듈인 파워델타(PowerDELTA)를 통해 구현되었으며, <그림 2>와 같이 정적 하중에 의해 형성되는 접지면(contact patch)과 사이드월 돌출부(bulge)를 기하학적으로 재현하였다. 수치해석 방법에는 회전하는 타이어에 IBM(Immersed Boundary Method)을 적용하여 타이어 인근에서 시간에 따라 변화하는 유동 구조와 후류 거동을 정밀하게 분석하였다.   그림 1. 드라이브에어 차량 형상   그림 2. 접촉면과 돌출부의 형상(왼쪽 : 접촉면, 오른쪽 : 돌출부)   해석 케이스 구성 해석 케이스는 변형 타이어의 적용 유무와 <그림 3>에 나타낸 바와 같이, 타이어 변형 효과를 체계적으로 비교하기 위해 다음 세 가지 인자를 독립적으로 변화시켰다. 사이드월 돌출부(bulge, B) 횡방향 삽입각(slip angle, α) 접지면 폭(contact patch width, W)   그림 3. 변형 타이어 인자 변화 조건   각 변수 변화에 따른 항력 특성 및 후류 구조 변화를 비교함으로써, 설계 관점에서 지배적인 인자를 도출하고자 하였다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술   해운 산업의 탈탄소화가 가속화되는 가운데, 블루핀(Bluefins)은 고래 지느러미에서 영감을 받은 파력 변환 추진 시스템인 웨이브드라이브(WaveDrive)를 통해 연료비와 온실가스 배출을 20% 절감하는 설루션을 개발했다. 이 시스템은 케이던스의 피델리티 CFD(Fidelity CFD) 소프트웨어를 활용해 실제 해상 조건에서의 운동을 정밀하게 모델링하고 최적화 성능을 검증했다. 특히 오버셋 메시 기법과 피델리티 파인 마린(Fidelity Fine Marine)의 고급 기능을 통해 복잡한 유동 해석과 시스템 동역학 분석을 성공적으로 수행하며, 지속 가능한 해운 기술의 가능성을 제시하고 있다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   해운 산업의 탈탄소화 해운 산업은 전 세계 무역의 약 90%를 운송할 만큼 글로벌 경제에서 필수적인 역할을 한다. 대형 선박은 하루에 20~70톤의 연료를 소비하며, 이는 연간 약 1500만 유로의 연료 비용으로 이어진다. 이러한 연료 소비는 선박 한 척당 연간 최대 75,000톤의 이산화탄소 환산량(CO₂)을 배출하는 결과를 초래한다. 또한 전 세계 해운 산업은 질소산화물(NOx)과 황산화물(SOx)을 포함해 전체 온실가스(GHG) 배출량의 약 3%를 차지하고 있다. 따라서 해운을 탈탄소화하고 운송을 더욱 지속 가능하게 만들기 위해서는 관련 시스템과 기술을 도입하는 것이 매우 중요하다. 블루핀은 고래의 지느러미에서 영감을 받은 파력(파도 에너지) 변환 기술을 개발하여 온실가스 배출과 연료 운영 비용을 20% 절감하는 것을 목표로 하고 있다.   블루핀과 고래 지느러미에서 영감을 받은 추진 시스템   그림 1   블루핀은 선박의 구조, 안전성 및 기타 특정 요구사항이나 제약 조건을 고려하여 각 선박 유형에 맞춤형 무배출 보조 추진 설루션을 개발한다. 이러한 추진 시스템은 프랑스의 대표적인 해양 연구기관인 Ifremer(프랑스해양개발연구소)와의 협력을 통해 개발되고 있다. 고래에서 영감을 받은 추진 시스템인 웨이브드라이브는 선미에 장착되는 하이드로포일(hydrofoil)로 구성되며, 선박의 종동요(pitching) 운동을 추력으로 변환한다. 이 기술은 신조 선박뿐만 아니라 기존 선박의 개조(refit) 작업 시에도 통합 적용이 가능하다.   피델리티 CFD를 활용한 블루핀 추진 시스템 모델링 블루핀은 피델리티 CFD 소프트웨어를 활용하여 다양한 운항 조건 및 실제 해상 파랑 조건에서 웨이브드라이브 추진 시스템을 설계하고 최적화한다. 이 소프트웨어의 고급 기능을 통해 플랩(flap)의 세부 분석, 시스템 동역학 분석, 그리고 하이드로포일 하중 예측이 가능하며, 이를 통해 추진 성능을 최적화한다. 이러한 시뮬레이션은 다양한 해상 조건에서 시스템의 운동을 센서 기반으로 제어하기 위한 첫 단계에 해당한다. 다음은 사용된 방법론 및 설정 개요이다.   메시 설정 기계 시스템은 다섯 개의 개별 구성 요소로 분해되었으며, 각 구성 요소의 반쪽(body half)은 피델리티 CFD 2025.1 버전에서 개별적으로 메시(mesh) 처리되었다. 선체(hull)는 피델리티 CFD의 C-Wizard 기능을 통해 자동으로 메시가 생성되었으며, 그 결과 880만 개의 셀(cell)을 갖는 고해상도 메시가 구축되었다. 부가 구조물(appendages)은 각각 개별적으로 메시 처리되어 오버셋 메시(overset mesh)로 활용되었다.   그림 2   피델리티는 오버셋 메시(overset mesh) 기법을 활용하여 겹쳐진 격자(overlapping grids)를 사용하고, 격자 간 데이터 보간(interpolation)을 수행함으로써 복잡한 유동을 정밀하게 시뮬레이션하고 각 구성 요소의 큰 운동을 정확하게 제어한다. 오버셋 메시의 초기 셀 크기(initial cell size : ICS)는 배경 격자의 초기 셀 크기 대비 여섯 번째 세분화(refinement) 레벨로 설정되었다. 한편, 배경 박스(background box) 세분화는 초기 셀 크기보다 한 단계 더 거칠게(coarser) 적용되었다. 이 설정에서는 오버셋 인터페이스(overset interfaces) 구간에 3~4개의 초기 셀 크기를 배치하여 정확한 보간과 서로 다른 메시 구성 요소 간의 원활한 통합을 보장했다. 전체적으로 선체(hull)의 총 메시 크기는 약 1060만 개의 셀로 구성되었다.   그림 3   피델리티 파인 마린 설정 CFD 시뮬레이션은 피델리티 파인 마린에서 수행되었으며, 정상 상태(steady-state) 초기화로 시작한 후 벽 함수(wall functions)를 적용한 k-ω SST 난류 모델을 사용했다. 경계 조건과 수치 설정은 모범 사례(best practices)에 맞게 일관되게 적용되었다. 고체 영역의 경계 조건은 ‘wall-function’으로 설정되었으며, 갑판(deck)에는 ‘slip’ 조건이 적용되었다. 덕트 프로펠러(ducted propeller)는 액추에이터 디스크(actuator disk) 모델을 사용하여 구현되었다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (4)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA의 성능을 비약적으로 가속화시키는 AI 시뮬레이션 프레딕터(AI Simulation Predictor) 기술에 대해 자세히 살펴본다. 지난 호에서 다룬 SHERPA의 지능형 탐색 방식에 AI의 예측 통찰력을 결합하여, 어떻게 해석 시간의 병목을 해결하고 검색 효율을 극대화하는지 조명할 예정이다. 이를 통해 고비용 해석 모델에서도 실질적인 리드타임을 단축하고 더 우수한 설계안을 도출해 내는 원리를 알아보고자 한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 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 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   최적화의 병목, 해석 시간과 비용의 문제 고충실도(High-Fidelity) 해석의 딜레마 현대 엔지니어링 설계의 정점은 전산유체역학(CFD)이나 비선형 구조해석과 같은 고성능 계산 과정을 필수로 한다. 이러한 고충실도 해석은 제품 성능을 가상 공간에서 정밀하게 모사할 수 있게 해 주지만, 치명적인 약점이 있다. 복잡한 모델의 경우 1회 해석에 수 시간에서 수 일이 소요되기도 하며, 수백 번의 반복 계산이 필요한 최적화 과정에서 이는 극복하기 어려운 시간적 병목(bottleneck)이 된다.   MDAO 과정에서 직면하는 실제 문제들 연재의 배경이 되는 다분야 설계 분석 및 최적화(MDAO : Multidisciplinary Design Analysis and Optimization) 환경에서는 다음과 같은 네 가지 핵심 문제에 직면한다. 시뮬레이션 시간 & 계산 비용 : 장기간의 CAE 실행은 컴퓨터 자원의 점유와 라이선스 비용 부담을 가중시킨다. 신뢰성 : 시간 제약으로 인해 충분한 설계안을 검토하지 못하면 결과의 신뢰성이 떨어진다. 지식의 재사용 : 이전 프로젝트의 방대한 시뮬레이션 데이터를 현재 최적화에 제대로 자산화하지 못하는 한계가 있다. 시프트 레프트(shift left) : 제품 개발 초기 단계에서 오류를 발견하지 못하면 이후 단계에서 대규모 수정 비용이 발생한다.   기존 대안 : 전통적 최적화 프로세스와 근사 모델의 한계 해석 시간을 줄이기 위해 전통적인 설계 공간 탐색(design space exploration) 과정에서는 반응표면법(RSM)이나 크리깅(kriging)과 같은 근사 모델(surrogate model)이 널리 사용되어 왔다. 하지만 이러한 전통적인 방식은 프로세스 측면에서의 번거로움과 기술적 모델 구축 측면에서의 한계를 동시에 안고 있다.   그림 1   첫째, 전문가 중심의 복잡한 다단계 프로세스로 인한 고충(pain points)이 크다. 목적 정의부터 모델 단순화, 알고리즘 선택 및 튜닝, 탐색 수행, 결과 해석으로 이어지는 과정은 매우 정교한 전문 지식을 요구하며 다음과 같은 문제를 일으킨다. 모델 단순화의 오류 가능성 : 변수 선별이나 응답면 모델을 수동으로 생성하는 과정은 오류가 개입되기 매우 쉽다.(too error-prone) 알고리즘 선택 및 튜닝의 고비용 구조 : 적절한 검색 알고리즘을 결정하기 위해 수많은 반복 시도가 필요하며, 파플레이션 크기나 변이율 등 세부 매개변수 설정에 고도의 전문성이 요구되어 시간과 비용이 많이 든다.(too costly & too difficult) 제한적인 혁신 : 이러한 난이도 탓에 최적화 기술이 일부 전문가에 의해 매우 한정적인 문제에만 적용되어, 결과적으로 설계 혁신의 폭이 좁아지는 결과를 초래한다. 둘째, 기술적으로 구축된 근사 모델 자체가 가진 결정적인 한계가 존재한다. 초기 데이터 확보의 높은 비용 : 신뢰할 수 있는 모델을 구축하기 위해서는 설계 공간 전체에 걸쳐 상당수의 초기 샘플 해석이 선행되어야 하며, 고성능 CAE 환경에서는 이 초기 샘플링 과정 자체가 막대한 병목이 된다. 정적 구조의 경직성 : 한 번 구축된 모델은 최적화가 진행되는 동안 설계 공간의 특성 변화나 새로운 유망 영역의 발견을 실시간으로 반영하여 스스로 업데이트되지 않는다. 전역적 경향성과 국부적 정밀도의 딜레마 : 전체적인 경향성은 파악하지만 최적해 주변의 미세한 비선형적 거동을 포착하는 데 한계가 있어, 최종 설계안이 실제 해석 결과와 괴리를 보이는 경우가 빈번하다.   그림 2   반면, 심센터 HEEDS는 이러한 복잡한 중간 단계를 ‘Automated Search’ 하나로 통합하여 엔지니어가 본연의 설계 업무인 목적 정의와 결과 분석에만 집중할 수 있는 환경을 제공한다. 이번 호에서 다룰 AI 프레딕터(AI Predictor)는 이 혁신적인 자동 탐색 과정을 한 단계 더 가속하여 기술적 한계를 극복하고 진정한 설계 디스커버리(discovery)를 실현하는 핵심 기술이다.   기술 혁신 : Boosting SHERPA의 정의와 전략적 가치 AI 시뮬레이션 프레딕터란 무엇인가? 심센터 HEEDS의 AI 시뮬레이션 프레딕터는 최적화 검색 과정을 가속시키는 퍼포먼스 부스터(Performance Booster)이다. 단순히 정해진 데이터를 학습하는 것을 넘어, SHERPA 검색 프레임워크 상단에서 작동하는 AI 오버레이(AI Overlay) 기술을 통해 실시간으로 데이터를 학습(on-the-fly)하여 해석이 필요한 위치(DOE)를 지능적으로 선별한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

캐드앤그래픽스 지식방송 CNG TV 지상 중계   최근 AI 기술의 비약적인 발전으로 직업적 위기감이 고조되는 가운데, 인간의 고유한 경험과 AI를 결합해 새로운 가치를 창출하는 ‘슈퍼휴먼’ 전략이 제시되어 눈길을 끌고 있다. CNG TV는 지난 3월 16일, 4차산업혁명연구소 한석희 소장을 초청해 ‘AI 시대, 인간의 전략적 진화 - 슈퍼휴먼으로 거듭나기’를 주제로 줌 방송을 진행했다. 자세한 내용은 다시보기를 통해 확인할 수 있다. ■ 박경수 기자     슈퍼휴먼의 정의 : 기술에 나만의 진면목을 더하는 사람 이번 방송에서 한석희 소장은 100세 시대의 실존적 불안을 넘어 AI를 파트너로 삼아 개인의 역량을 극대화하는 구체적인 방법론과 사례를 공유했다. 한 소장은 슈퍼휴먼을 “AI를 활용해 이전에는 도달하지 못한 수준의 성과나 가치를 이루는 사람”으로 정의했다. 그는 슈퍼휴먼이 되기 위한 세 가지 조건으로 ▲자신만의 핵심 원석(경험, 직관) 발견 ▲AI를 협업 파트너로 수용 ▲AI 결과물에 인간의 인사이트를 더하는 ‘에디드 밸류(Added Value)’ 창출을 꼽았다. 한 소장은 “우리가 가지고 있는 지식과 경험은 사라지는 것이 아니라, AI를 통해 증폭되는 것”이라며, “AI를 단순한 도구가 아닌 반복 업무와 분석을 전담하는 팀원 혹은 협업 파트너로 인식하는 것이 진화의 첫걸음”이라고 강조했다.   생산성 10배 향상… 1인 미디어부터 전문 자문까지 또한 이번 방송에서는 AI를 통해 생산성을 혁신한 실전 사례가 소개되었다. 한 소장은 직접 겪은 사례를 통해 “AI와 협업하면 칼럼 집필이나 저술 속도가 4배 이상 빨라지며, 전문 자료 분석 능력은 10배 이상 향상된다”고 설명했다. 실제로 그는 AI를 활용해 자신만의 캐릭터가 담긴 ‘네 컷 만화’를 연재하고, 음악적 배경 없이도 수준 높은 작곡을 수행하며, 1인 뉴스레터 시스템을 구축하는 등 1인 기업으로서의 면모를 선보이고 있다. 특히 “AI가 글의 80%를 작성하더라도 나머지 20%에 나만의 핵심 메시지를 담아 완성도를 높인다”는 편집자적 관점을 제시해 큰 공감을 얻었다.   ▲ 4컷 만화 전문가 한석희   은퇴 후 제2의 인생, AI가 지렛대 역할 이번 웨비나에서는 시니어 세대를 위한 희망적인 메시지도 다뤄졌다. 대기업 임원 은퇴 후 AI의 도움으로 영문 서적을 출간해 아마존 베스트셀러가 된 사례나, 공무원 출신이 ESG 자문가로 변신한 사례 등이 대표적이다. 이는 AI가 인간을 소외시키는 것이 아니라, 오히려 묻혀 있던 개인의 경험을 세상 밖으로 끌어내는 강력한 도구가 될 수 있음을 시사한다. 한 소장은 웨비나를 마무리하며 “AI가 여러분을 대체하는 것이 아니라, AI를 활용하는 다른 사람이 여러분을 대체하게 될 것”이라며, “나이와 직업에 상관없이 누구나 슈퍼휴먼의 잠재력을 갖고 있으며, 지금 당장 AI와 협업하는 연습을 시작해야 한다”고 당부했다.     ■ 기사 내용은 PDF로도 제공됩니다.

빌딩스마트협회 외 공저 / 3만원 / 이엔지미디어(캐드앤그래픽스) 건설 산업의 체질 개선과 경쟁력 확보를 위한 디지털 전환 실전 지침서 인공지능(AI), 빅데이터, 사물인터넷(IoT), 클라우드 컴퓨팅 등 첨단 기술이 산업 전반의 지형을 바꾸는 디지털 대전환(DX) 시대를 맞아 건설 산업 역시 역동적인 변화의 중심에 서 있다.  이러한 흐름 속에서 빌딩스마트협회와 캐드앤그래픽스는 관련 업계 전문가들과 함께 건설/건축 업계의 다양한 변화상을 진단하고 미래 청사진을 제시하는 전문 서적을 발간했다. 이 책은 스마트 건설 DX에 대한 기초적인 이해부터 건설 소프트웨어 최신 동향, 시스템 구축 전략, 실제 적용 사례까지 방대한 정보를 집대성한 가이드북이다.  BIM(건설정보모델링), 설계, 구조해석, 디지털 트윈 등 현재 건설 현장에서 실시간으로 벌어지는 기술 혁신의 현주소를 상세히 짚어준다. 특히 국토교통부의 '스마트 건설 활성화 방안'과 BIM 의무화 등 정부의 정책적 기조에 발맞추어, 단순한 기술 도입을 넘어 국가 건설 산업의 체질을 개선하고 글로벌 경쟁력을 확보하기 위한 핵심 전략을 제시한다.  데이터 기반의 정밀 설계와 시공을 통해 생산성을 높이고 공기를 단축하는 방법론은 물론, 안전사고 예방과 ESG 경영 실현을 위한 스마트 기술의 역할도 비중 있게 다루고 있다. 구성은 총 7개의 파트로 나뉘어 있다. 스마트 건설의 개요와 DX 인사이트를 시작으로 도입 전략 가이드, 기술 동향 및 발전 방향, 국내외 적용 사례를 순차적으로 설명한다.  또한 주요 솔루션 소개와 관련 업체 디렉토리, 제품 리스트를 부록처럼 수록하여 실무자들이 현장에서 즉각적으로 활용할 수 있도록 편의성을 높였다. 건설 분야의 디지털 전환이라는 긴 마라톤을 앞둔 건설인들에게 이 책은 조직 문화를 바꾸고 사람 중심의 혁신을 이끌어내는 튼튼한 발판이 될 것으로 기대된다. <스마트 건설 DX 가이드>는 현재 이북으로 캐드앤그래픽스 홈페이지에서 구입 가능하며, 도서 사전예약 을 거쳐 4월 중순 시중 서점에서 만날 수 있다.    

아비바는 엔비디아와 협력해 자사의 엔지니어링 및 운영 소프트웨어를 엔비디아 옴니버스 DSX 블루프린트(NVIDIA Omniverse DSX Blueprint)에 통합했다고 밝혔다. 이를 통해 기가와트급 AI 팩토리를 위한 새로운 라이프사이클 디지털 트윈 아키텍처를 선보였다. 양사는 대규모 데이터센터에 적용할 수 있는 물리적·디지털 모듈을 공동 개발하고 이를 AI 팩토리 형태로 구현한다. 이 방식은 기존 AEC(엔지니어링·조달·시공) 프로젝트에서 검증된 방법론을 기반으로 삼았다. 이번 협력은 아비바의 산업 인텔리전스 플랫폼 커넥트와 산업용 디지털 트윈 기술 포트폴리오를 중심으로 진행한다. 기업은 도메인 특화 시뮬레이션과 디지털 시각화, 협업 설계 도구를 통해 GPU 활용 효율을 높일 수 있다. 아비바에 따르면 AI의 토큰 생성에 걸리는 시간을 줄여 AI 팩토리 구축 속도와 확장성을  높일 수 있다. 아비바는 슈나이더 일렉트릭, 이탭(ETAP)과 맺은 전략적 파트너십을 이번 협력과 연계한다. 세 기업은 엔비디아 옴니버스 DSX 블루프린트 기반 AI 팩토리의 설계부터 시뮬레이션, 구축, 운영, 최적화 전 과정을 공동으로 고도화하고 있다. 이를 통해 아비바가 보유한 산업 전문성을 AI 인프라 영역으로 확장한다는 전략이다.     아비바는 설루션 통합을 통해 AI 팩토리의 전체 생애주기에 걸쳐 디지털 트윈의 가치를 제공한다는 비전을 내세웠다. 우선 오픈USD 기반 심레디(SimReady) 자산을 아비바 유니파이드 엔지니어링(AVEVA Unified Engineering)으로 가져올 수 있는 신규 컨버터를 제공한다. 이를 통해 기존 자산 재사용과 고정밀 시뮬레이션 환경 활용이 가능해진다. 아비바 자산 정보 관리(AVEVA Asset Information Management)를 활용하면 단일 데이터 소스를 바탕으로 설계부터 운영까지 장비와 시스템을 일관되게 관리할 수 있다. 아비바 프로세스 시뮬레이션(AVEVA Process Simulation)은 AI 팩토리의 고급 액체 냉각 네트워크를 모델링하고 시뮬레이션하여 설계를 최적화하고 냉각 효율을 높이는 데 쓰인다. 아비바 PI 시스템(AVEVA PI System)은 엔비디아 옴니버스 DSX 익스체인지 전반에서 IT와 OT 데이터를 통합 수집하고 분석한다. 향후 엔비디아 NV-태서랙트(NVIDIA NV-Tesseract) 모델을 적용해 이상 탐지와 예측 기능까지 확대할 계획이다. 이를 통해 냉각 시스템과 서버 랙 등에서 발생하는 데이터를 실시간으로 분석할 수 있다. 아비바 오퍼레이션 컨트롤(AVEVA Operations Control)과 유니파이드 오퍼레이션 센터(Unified Operations Center)는 전력과 기계, 안전 시스템을 하나의 통합 플랫폼으로 관리한다. 상황 인식 기반 템플릿을 통해 장애 원인 분석과 대응 권고, 성능 저하 추세 파악 등이 가능하다. 고객은 고밀도 AI 팩토리 환경에서도 안정적인 운영을 구현하고 차세대 AI 인프라 구축을 앞당길 수 있다. 아비바의 롭 맥그리비 최고제품책임자는 “AI 팩토리는 글로벌 디지털 경제를 견인하는 핵심 인프라로 자리 잡고 있다”면서, “아비바와 엔비디아는 전문성과 소프트웨어, 운영 역량을 결합해 새로운 디지털 트윈 구축 방식을 제시하고 있다”고 전했다. 엔비디아의 블라디미르 트로이 AI 인프라 부문 부사장은 “기가와트급 AI 팩토리의 확산은 설계부터 운영까지 전체 생애주기를 최적화할 수 있는 산업 지능을 요구한다”면서, “아비바의 소프트웨어를 엔비디아 옴니버스 DSX 블루프린트에 통합함으로써 개발자들이 AI 인프라를 더 빠르고 효율적으로 구축할 수 있게 됐다”고 밝혔다.

심센터 HEEDS 더 깊게 살펴 보기 (3)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA Search Framework에 대해 자세히 살펴본다. 기존의 전통적인 최적화 알고리즘과 비교 분석하여, SHERPA(셰르파)만이 가지는 차별화된 탐색 방식과 뛰어난 성능을 조명할 예정이다. 이를 통해 복잡한 설계 공간에서 사용자의 개입을 최소화하고 가장 효율적으로 최적해를 도출해 내는 원리를 알아보고자 한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 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 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   최적화의 난제와 ‘No Free Lunch’ 이론 엔지니어링 최적화의 현실 현대의 엔지니어링 환경에서 ‘최적화(optimization)’는 선택이 아닌 필수가 되었다. 제품의 경량화, 성능 향상, 비용 절감이라는 상충되는 목표를 동시에 만족시켜야 하기 때문이다. 그러나 설계 변수가 증가함에 따라 설계 공간(design space)은 기하급수적으로 복잡해진다. 비선형성(non-linearity), 다봉성(multimodality), 그리고 수치적 노이즈(noise)가 뒤섞인 예측 불가능한 지형에서 최적해를 찾는 것은 매우 도전적인 과제이다. 엔지니어에게 중요한 것은 이론적으로 완벽한 ‘절대 최적해’를 찾는 것보다, 제한된 시간과 비용 내에서 ‘실현 가능한 더 나은 해(feasible better design)’를 발견하는 것이다.   No Free Lunch Theorem(NFL)의 시사점 최적화 이론에는 ‘공짜 점심은 없다(No Free Lunch Theorem)’라는 유명한 정리가 존재한다. 이는 ‘모든 종류의 문제에 대해 평균적으로 우수한 성능을 보이는 단일 최적화 알고리즘은 존재하지 않는다’는 것을 의미한다. 즉, 특정 문제(예 : 매끄러운 단봉형 함수)에 뛰어난 성능을 보이는 알고리즘이라도, 다른 문제(예 : 복잡한 다봉형 함수)에서는 성능이 현저히 떨어질 수 있다.   그림 1   그림 2   이 이론은 엔지니어에게 큰 부담을 안겨준다. 최적화 문제를 풀기 위해 엔지니어는 자신의 문제 특성을 정확히 파악해야 하며, 이에 적합한 알고리즘을 선정하고, 수많은 파라미터를 튜닝해야 하는 ‘최적화를 위한 최적화’ 과정에 매몰된다.   전통적 최적화 기법의 한계와 파라미터 튜닝의 딜레마 전통적인 최적화 기법들은 각자의 영역에서 훌륭한 성능을 발휘하지만, 비전문가가 다루기에는 ‘튜닝의 어려움(tuning difficulty)’이라는 명확한 진입장벽이 존재한다. <그림 3>과 같이 심센터 HEEDS(히즈)에서 제공하는 전통적인 최적화 기법의 설정 환경을 기반으로 설명하겠다.   그림 3   2차 계획법 2차 계획법(Quadratic Programming : QP)은 목적함수를 2차 함수로 근사하여 최적해를 탐색하는 구배(gradient) 기반 기법이다. 매끄러운 함수에서는 빠른 수렴 속도를 보이지만, 실제 엔지니어링 문제에서는 다음과 같은 튜닝의 어려움과 한계가 있다.   그림 4   튜닝의 복잡성 : 사용자는 ‘Maximum outer iterations(전체 반복 횟수)’, ‘Maximum line search iterations(탐색 방향 결정 후 반복 횟수)’, ‘Gradient step size(미소 변위량)’ 등을 직접 설정해야 한다. 특히 스텝 크기(step size)가 너무 작으면 노이즈에 민감해지고, 너무 크면 정확도가 떨어지는 딜레마가 있다. 조기 종료(Early Termination) 문제 : 예를 들어 최대 반복 횟수를 50회로 설정했더라도, 탐색 도중 국부 최적해(local optima)에 갇혀 기울기가 0에 가까워지면 알고리즘은 20~25회 만에 탐색을 종료해 버린다. 이는 전역 최적해를 찾지 못했음에도 불구하고 해석 기회를 스스로 포기하는 결과를 낳는다.   다중 시작 국부 탐색 다중 시작 국부 탐색(Multi-Start Local Search : MS)은 이러한 국부 탐색의 한계를 극복하기 위해, 여러 초기점에서 국부 탐색을 수행하여 전역해를 찾으려는 시도이다. 그러나 이 역시 사용자의 파라미터 설정 능력에 크게 의존한다.   그림 5   총 해석 횟수 계산의 번거로움 : SHERPA와 달리 총 해석 횟수(evaluation)를 직접 입력하는 것이 아니라, ‘Number of Starts(시작점 개수)’와 ‘Evaluations per Start(각 탐색별 반복 횟수)’를 곱하여 계산해야 한다. 200회 설정의 함정 : 만약 사용자가 총 200회의 해석 예산(evaluation budget)을 가지고 ‘Max Evaluations’를 200으로 설정하더라도, 기본값인 ‘Number of cycles(Starts)’를 100으로 둔다면 치명적인 문제가 발생한다. 각 시작점(cycle)에서 평균 2회(200/100)밖에 탐색하지 못하기 때문이다. 이는 수렴은커녕 수박 겉핥기식 탐색(shallow search)에 그치게 된다. 제대로 된 탐색을 위해서는 사용자가 사이클을 4~5회(각 40~50회 탐색) 수준으로 직접 대폭 줄여야 하는 번거로움이 있다.   전역 탐색 및 메타 휴리스틱 유전 알고리즘(GA)이나 입자 군집 최적화(PSO), 시뮬레이티드 어닐링(SA)과 같은 전역 탐색(global search) 기법은 국부해 탈출 능력은 뛰어나지만, 파라미터 설정의 난이도는 더욱 높다.     ■ 기사 상세 내용은 PDF로 제공됩니다.