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.

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.

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.

펑션베이가 지난 10월 13일 ‘2025 리커다인 유저 콘퍼런스’를 진행했다. 이번 콘퍼런스에서는 모델링 속도 개선, 해석 정확도 및 활용성 강화, 결과 분석 용이성 등을 중점으로 다물체 동역학 해석 설루션 리커다인 2026(RecurDyn 2026) 버전의 신기능을 소개했다. 또한 입자법 기반 CFD(전산 유체 역학) 소프트웨어인 파티클웍스 8.2(Particleworks 8.2) 버전의 기능 개선과 함께 사용자 서브루틴의 활용법, 모터 모델링 및 제어 기법, 하모닉 드라이브의 MFBD(유연 다물체 동역학) 해석 기법 등의 기술 발표가 이뤄지는 등 엔지니어링 시뮬레이션 기술의 최신 동향과 적용 사례를 전했다. ■ 정수진 편집장     해석의 신뢰도와 사용자 편의성 강화한 리커다인 2026 펑션베이 기술사업팀의 김진수 수석은 펑션베이가 자체 개발하고 있는 리커다인 2026의 핵심 기능을 소개했다. 사용자 모델링 효율과 해석 정확도를 강화한 이번 버전은 접촉(contact), 조인트(joint), 요소(element) 등 물리 현상 재현 능력을 고도화하고, 최신 AI 기술을 도입해 사용자 편의성을 높인 것이 특징이다. 우선, 해석의 신뢰도를 좌우하는 접촉 기능이 향상됐다. 패치 사이즈의 하한 제한을 없애 미세한 설정이 가능해졌으며, 이를 통해 더욱 정교한 지오메트리 조정이 가능하다. 특히 지오 콘택트(geo contact)에는 ‘단위 면적당 강성’과 ‘압력 스플라인’ 입력 방식이 추가되어, 브레이크 패드와 같이 면적에 따라 압력이 변하거나 비선형적 압력 관계를 가진 모델의 해석 정확도가 높아졌다. 조인트 영역에서는 스크류 조인트에 프리로드 기능을 추가해 오일 피스톤 등의 마찰 거동을 현실적으로 구현하며, 유연체(FFlex) 해석 시 더미 보디의 질량을 자동 보정해 물리적 간섭을 최소화했다. 주목할 점은 생성형 AI 기술의 도입이다. 리커다인 2026은 LLM(대규모 언어 모델) 기반의 ‘리커다인 어시스턴트’ 베타 버전을 탑재했다. 김진수 수석은 “복잡한 표현식(expression) 예제 생성이나 사용법 안내를 AI가 지원함으로써 모델링의 진입 장벽을 낮췄다”고 설명했다. 후처리(포스트 프로세싱)의 효율도 개선됐다. 애니메이션 일시 정지 상태에서 즉각적인 파라미터 확인과 노드 데이터 추적이 가능해졌고, 최대 5개 주파수의 진동 모드를 동시에 비교 재생하거나 셸(shell) 요소의 두께 위치별 응력을 확인하는 기능이 추가됐다. 이 외에도 내구 해석 결과 통합, 2배 빨라진 기어 해석용 패치 구속 모델링 등을 통해 엔지니어의 업무 생산성을 높이는 데 주력했다.   ▲ 리커다인 2026에서 베타로 탑재된 LLM 기반의 AI 어시스턴트   입자 해석의 정밀도·효율 높인 파티클웍스 8.2 펑션베이가 국내 공급하는 입자법 기반 CFD 소프트웨어인 파티클웍스는 지난 10월 8.2 버전을 선보였다. 펑션베이 기술사업팀의 김태영 책임은 “이번 업데이트는 기체와 액체의 상호작용을 다루는 LBM(Lattice Boltzmann Method) 기능의 고도화와 대규모 해석을 위한 전용 모델 도입, 열 해석 영역 확장을 통해 정확도와 효율을 강화했다”고 밝혔다. 가장 큰 변화는 기체와 액체 간의 양방향(2-way) 커플링 지원이다. 뭉쳐진 유체인 액적과 LBM 격자 간의 상호작용을 직접 계산하여, 액적과 기류가 서로 주고받는 영향을 반영할 수 있다. 이를 통해 빗방울이나 소방수 살포 같은 복잡한 유동을 더욱 현실적으로 모사할 수 있게 됐다. 눈이나 먼지가 쌓이는 현상을 다루는 ‘부착/적층 모델’도 추가됐다. 파티클웍스 8.2에서는 해석 효율이 더욱 개선됐다. FVM(유한체적법) 연동 시 MPS는 싱글, FVM은 더블 프리시즌으로 계산하는 하이브리드 방식을 도입해 속도와 안정성을 확보했다. 김태영 책임은 “불필요한 격자 생성을 줄이고 결과 파일 크기를 최대 85% 축소해 대용량 해석의 부담을 덜었다”고 설명했다. 또한 억 단위 입자를 처리하는 토목·해일 해석용 ‘EIMPS’ 모델을 도입해 메모리 효율과 속도를 높였다. 열 해석 분야에서는 고체-액체-기체 간 상호 열전달을 단일 솔버로 통합 지원하며, 방향별 열 전도도 입력 기능을 더해 복합적인 열전달 현상을 정밀하게 해석할 수 있게 됐다.   동역학 해석의 한계 극복 위한 기술과 사례 소개 이번 콘퍼런스에서는 리커다인의 기술적 깊이와 확장성을 선보이는 발표와 함께 자동차, 로보틱스, 전력 설비, 인공위성 등 다양한 산업 분야의 활용 사례가 소개됐다. 펑션베이 기술사업팀의 이정한 수석은 ‘리커다인 유저 서브루틴(user subroutine) 사용법’을 주제로, 파도의 힘과 같은 특수 물리 현상을 사용자가 직접 구현하거나 복잡한 모델을 수식화하여 해석 속도를 단축하는 노하우를 공유했다. 장성일 책임은 ‘코링크(CoLink) 모터 드라이버를 연동한 모터 모델링’ 기법을 소개하면서, 기계와 제어 시스템이 결합된 메카트로닉스 분야로의 기술 확장을 강조했다. 전용우 팀장은 로봇 구동계의 핵심인 ‘하모닉 드라이브(harmonic drive)의 모델링 및 정밀 해석 기법’을 발표하면서, 해석 시간 단축과 정확도 확보를 동시에 달성하는 해법을 제시했다. 펑션베이는 이들 발표를 통해 리커다인이 다룰 수 있는 CAE 기술의 스펙트럼과 해결 능력을 포괄적으로 제시했다. 또한, 동역학 해석을 넘어 복합 물리 현상과 정밀 제어 시스템까지 아우르는 통합 설루션으로 나아가고자 하는 리커다인의 미래 방향성을 제시했다.     ■ 기사 내용은 PDF로도 제공됩니다.

개발 : ZWSOFT 주요 특징 : 기계/제조 분야에 특화된 올인원 설루션인 ZW3D에 통합된 CAE 소프트웨어, 구조/유체/전자기장 해석 등 다양한 전문 해석 도구 제공. 설계 환경에서 직관적이며 빠른 검증 과정과 데이터 일관성을 통해 제품 개발 과정의 시간 단축과 품질 향상을 실현 공급 : ZWCAD KOREA   해석 전문가를 위한 ZWSIM 해석 플랫폼 ZWSOFT의 ZWSIM은 여러 산업 분야의 문제를 해결하기 위해 개발된 통합 CAE 시뮬레이션 플랫폼이다. ZWSIM은 엔지니어가 제품 개발 초기 단계에서 가상 시뮬레이션을 통해 성능을 예측하고, 잠재적인 결함을 파악하여 설계를 최적화할 수 있도록 지원한다. 이를 통해 개발 기간을 단축하고, 시제품 제작 비용을 절감하며, 제품의 전반적인 품질과 신뢰성을 향상시키는 전문 프로그램이다. 초기에는 구조 해석 설루션인 ‘ZWSIM Structural’로 시작했으나, ZWSIM의 포트폴리오를 지속적으로 확장하여 유체(fluid), 음향(acoustics), 광학(optics) 등 더욱 광범위한 물리 영역을 포괄할 수 있는 다중 물리(multiphysics) 해석 플랫폼으로 발전하고 있다. 이는 단일 현상뿐만 아니라 여러 물리적 요인이 복합적으로 작용하는 복잡한 문제를 하나의 플랫폼에서 해결할 수 있도록 지원하는 것을 목표로 한다.      제품 개발 과정에 필수인 CAE 도구, ZW3D에 통합 복잡한 제품 개발을 지속적으로 영위하는 기업은 3D 모델링을 설계하는 업무보다 그 이후 과정에 더 많은 시간을 투자할 수 밖에 없다. 제작 단계에서 설계 수정이 반영되면서 3D 데이터의 연속성은 필수이기 때문에 2D 도면과 3D 모델링은 연관성이 있고, 구조적 안전성과 열/피로 같은 현실 조건을 설계 단계에서 미리 점검해야 한다. 이러한 문제를 해결하고자 전문 해석자를 위한 ZWSIM 브랜드의 CAE 플랫폼에서 다져 온 역량을 바탕으로, ZW3D 플랫폼에 구조와 유동 해석 소프트웨어를 단계적으로 통합하여 제품 개발의 전 과정을 실현하도록 통합 출시했다.  3D CAD에 통합된 CAE 기능을 통해 설계 환경에서 3D 데이터를 불러온 후, 해석을 위한 모델 전처리 작업과 하중 및 구속조건을 정의하고, 결과를 확인한 뒤 설계 수정을 통해 재검증하는 프로세스를 지원한다. 특히 경향성 파악을 위해 메시 작업도 간결하게 처리할 수 있기 때문에 설계자가 직접 반복 검증을 주도할 수 있게 된다. 여기에 형상 이력과 결과 이력을 함께 축적하면, 변경 사유와 판단 근거가 한 줄기로 이어져 각 제품별 품질 회고가 쉬워진다.    Structural & Flow에서 지원하는 해석의 범위 실무에서 자주 받는 질문은 정형화되어 있다. ‘이 형상이 버틸 수 있는가’, ‘고유 진동수는 어디에 걸리는가’, ‘열 변형이 생기면 체결부는 안전한가’, ‘반복 하중에서 수명은 어떠한가’와 같은 질문이다. ZW3D Structural(ZW3D 스트럭처럴)은 이러한 질문을 정면으로 다룬다. 선형/비선형을 포함한 정적 구조 해석, 고유진동수와 모드를 구하는 모달 해석, 정상/과도 조건의 열전달 해석, 시간 응답을 보는 암시적(implicit) 동역학, 낙하/충격 같은 고변형에 적합한 명시적(explicit) 동역학, 그리고 피로 해석까지 설계 단계에서 필요한 줄기를 폭넓게 지원한다. 피로는 상수/가변/조화/시간 단계/랜덤 진동 등 다양한 케이스를 포괄해 전장/가전/장비처럼 반복 하중이 일상적인 제품에 유용하다. 하중과 구속을 절차대로 적용하는 멀티스텝 해석을 통해 실제 시험 절차를 시뮬레이션에 그대로 옮길 수 있다. 또한 실무에서 자주 쓰는 기능이 빠지지 않고 배치되어 있다는 점이 중요하다. 좌굴, 볼트 프리텐션, 접촉 마찰, 과도 열 등 튜토리얼 성격의 자료가 함께 제공되어 해석 도입의 기초를 마련하는 데 도움이 된다. 여기에 결과 리포트 자동화 기능을 결합하면 스냅샷, 형상 상태, 경계 조건을 일관된 양식으로 남길 수 있어 검토 회의가 간결해진다. 한편 구조해석만으로 해결하기 어려운 냉각, 유동, 온도장 같은 복합적인 문제 영역을 검증하기 위한 설루션인 유동 해석 소프트웨어 ZW3D Flow(ZW3D 플로)를 지원한다.      1974년 영국의 브라이언 스폴딩(Brian Spalding) 교수에 의해 설립된 컨설팅 및 소프트웨어 기업인 CHAM(Concentration, Heat And Momentum) Limited에서 개발한 전산유체역학 분야의 범용 CFD 소프트웨어 피닉스(PHOENICS)를 2023년에 ZW 제품군의 포트폴리오로 추가하면서, ZWSIM Flow를 출시했다.      이를 ZW3D에 네이티브로 통합하여 설계 모델과 동일한 좌표/단위/형상 상태에서 유동과 열을 바로 계산하고, 그 결과를 구조 해석으로 자연스럽게 넘길 수 있게 했다. 예를 들어, 팬 위치나 덕트 단면을 바꾸며 온도 분포가 어떻게 달라지는지, 그 변화가 체결부 응력과 변형에 어떤 영향을 주는지를 한 자리에서 추적할 수 있다. 형상/유동/열/구조의 연계가 끊김 없이 돌아가므로 설계 의도 변화가 결과에 미치는 경향을 빠르게 파악할 수 있다. 초기 콘셉트 단계에서는 단순화한 경계 조건으로 빠른 비교를, 상세 설계 단계에서는 실제 재질/접촉/제약을 반영해 정밀 계산을 수행하는 식의 단계적 접근이 유효하다.   설계자가 주도하는 구조적 실무형 접근 자동차 계기판의 광원 백패널을 예로 들 수 있다.  한여름 갇힘 조건을 가정해 내부 발열과 냉각 조건으로 온도 상승을 해석한다. 결과를 바탕으로 열팽창과 응력 집중을 확인하고 필요 시 체결부 인근의 리브/보스 형태를 조정한다. 수정 모델을 기준으로 속도 변화와 노면 조건을 반영해 모달 해석을 수행하고 취약 주파수 대역을 파악한다. 수명/피로 분석으로 국부 설계 변경의 효과를 검증한다. 사고 시나리오에 따른 충돌 하중을 대입해 최종 설계 사양을 확정한다.     이 모든 과정이 ZW3D의 단일 환경에서 수행된다. 추가 프로그램 없이 설계/해석 평가/설계 변경/재검증까지 같은 문맥에서 진행되므로, 현업에서 빈번한 히스토리 단절과 모델 호환 문제에서 자유로울 수 있다. 팀 협업에서는 동일 모델을 공유하며 검토 내역을 일관되게 축적할 수 있어 관리 효율이 높아진다.   메시 전략과 요소 선택의 체계화 메시는 수렴성과 정확도를 동시에 좌우한다. 곡률 기반 세분화, 접촉부 국부 정렬, 두께 대비 요소 크기 규칙 같은 기본 원칙을 지키면 불필요한 자유도 증가를 피하면서 신뢰 가능한 결과를 얻을 수 있다. 얇은 판/셸 구조는 셸 요소와 두께 오프셋을, 두꺼운 실체는 솔리드 요소와 적절한 적분점을 적용하는 식으로 형상/요소 대응을 표준화하면 셋업 편차가 줄어든다. 초기 단계에서는 자동 메시로 빠르게 경향을 보고, 핵심 부품만 지역 정렬로 보완하는 혼합 전략이 생산적이다.     접촉과 비선형, 수렴성을 높이는 쉬운 해법 해석 난이도는 대개 접촉, 대변형, 재료 비선형에서 결정된다. ZW3D Structural은 이 영역의 수렴을 안정화하기 위해 여러 솔버 선택지를 제공한다. 복잡한 이론을 일일이 지정하지 않아도 자동 해법 선택으로 고유치 계산, 대형 시스템을 위한 해법, 점진적 반복법 등을 상황에 맞게 배치한다. 메시 품질 관리, 접촉 정의, 하중 단계 설계가 함께 맞물리면 설계/해석 반복 속도가 체감될 만큼 빨라진다. 동시에 해석이 ZW3D 커널을 직접 참조하기 때문에 보강 리브 위치 조정이나 두께/재질 변경 같은 수정이 포맷 변환이나 재메시 없이 이어진다. 미세한 차이로 인한 불필요한 잡음을 줄이고 의사결정의 신뢰도를 높일 수 있다. 접촉 안정화를 위한 마찰 계수 스윕, 하중 단계 분할, 요소 품질 검사 같은 절차를 체크리스트로 상시화하면 재작업률을 낮출 수 있다.      다양한 결과 분석 방식과 자동 리포트 해석은 수치만 맞는다고 끝이 아니다. 시험치와의 상호 검증, 경계 조건 민감도, 메시 독립성 검토를 기본 절차로 포함해야 한다. ZW3D Structural에서는 결과 필터, 절단면, 등가응력/주응력 뷰, 변형 과장 보기 등을 일관된 뷰포트로 저장해 재사용할 수 있다. 표준 리포트 서식을 팀에서 공유하면 프로젝트 간 비교가 수월해지고, 승인 사이클이 짧아진다. 색상 범례와 최대/최소 위치, 안전계수 표기를 통일하면 커뮤니케이션 오류가 줄어든다.   해석의 대중화를 향해 : Easy/Affordable/Powerful 지더블유캐드코리아는 해석 제품에서 쉬운 사용성(Easy), 합리적 가격(Affordable), 현업 검토를 통과하는 결과 품질(Powerful)을 일관되게 강조해 왔다. 설계자가 평소 쓰는 도구 안에서 해석을 습관처럼 돌리고, 필요할 때만 전문 해석 팀이나 외부 툴로 심화하는 구조가 더 합리적이라는 관점을 제시했다. 중소 규모 개발 팀일수록 이 균형이 일정과 완성도를 좌우한다. 도입 장벽이 낮을수록 반복은 빨라지고, 반복이 빨라질수록 판단의 질은 높아진다. 교육은 기능 나열보다 실제 부품을 활용한 반복 실습이 효과적이며, 한두 개의 대표 제품군을 선정해 표준 조건과 리포트 양식을 먼저 고정하는 방식이 안정적이다.    ‘기능 수’보다 체감되는 실무 가치 중심 전문 해석자에게는 기능의 세목이 중요할 수 있으나, 일반 설계자에게 더 중요한 것은 폭넓은 범위를 범용적으로 다룰 수 있는가이다. 정적/모달/열/동역학/피로, 그리고 접촉/비선형/단계 해석이 하나의 지도처럼 이어지고, 메시 품질, 결과 가시화와 리포트, 적절한 해법과 수렴 옵션 등 실무형 도구가 설계 품질 향상으로 곧바로 체감되도록 구성했다. 기계적 조작의 부담을 줄이고 설계 의도를 중심에 둔 빠른 가설/검증/수정 루틴을 장착하는 데 초점을 맞췄다. 도입 이후에는 파일 전송과 포맷 변환에 소요되던 시간을 줄이고, 그 시간을 설계 대안 탐색과 리스크 선제 차단에 재투자하는 선순환을 만드는 것이 핵심이다.   통합형 CAD/CAE/CAM 설루션을 통해 기대하는 지점 ZW3D Structural & Flow 제품이 겨냥하는 핵심은 빠른 반복과 데이터 일관성이다. ZWSIM이 축적한 신뢰를 바탕으로 설계자에게 한 화면에서 닫히는 검증 루프를 제공한다. 유동과 구조를 오가며 현실에 가까운 하중 시나리오를 초기부터 반영하고, 그 결과를 도면과 가공까지 끌고 가는 흐름을 정착시킨다.이 흐름이 자리잡을수록 설계 팀은 비용과 시간을 낮추면서 판단의 질을 끌어올릴 수 있다. 현장에서도 해석이 특별한 이벤트가 아니라 매일의 루틴으로 자리 잡을 때 제품 품질과 실행 속도가 함께 높아진다. ZW3D에 추가된 CAE 제품군들은 그 지점을 향해 설계/해석/제조를 단단히 엮는 역할을 수행한다. 결국 중요한 것은 도구 자체가 아니라 팀이 동일한 모델과 동일한 근거로 더 빠르게 합의에 이르는 역량이며, ZW3D 통합 해석 환경은 바로 그 역량을 키우는 기반이 된다.     ■ 기사 내용은 PDF로도 제공됩니다.

캐드앤그래픽스 지식방송CNG TV 지상 중계   CNG TV는 10월 13일 줌 웨비나에서 ‘BIM과 인공지능 관련 설계혁신연구’를 주제로, 국내외 건축 실무자와 연구자들이 실시간으로 활발한 토론을 진행했다. 이번 웨비나는 한국BIM학회가 주관한 ‘2025 KIBIM International Seminar Series’의 일환으로 진행됐다. 자세한 내용은 다시보기를 통해 확인할 수 있다. ■ 박경수 기자      AI와 BIM이 만난 설계 혁신의 현장 연세대학교 한정민 교수가 사회를 맡은 이날 행사에는 삶것건축사사무소의 양수인 건축가, 그리고 내러티브 아키텍츠의 황남인·김시홍 건축가가 발표자로 참여했다. 이들은 건축 실무 현장에서 AI와 BIM의 융합이 설계 전 과정을 어떻게 변화시키고 있는지를 실제 프로젝트 사례와 연구를 통해 구체적으로 공개했다. 또한 설계 개념의 설정부터 이미지 생성, 3D 모델링, 공사비 산출, 패널 제작까지 이어지는 AI 주도형 설계 파이프라인을 소개하며, “건축가의 역할은 단순히 형태를 만드는 제작자에서 조건과 흐름을 설계하는 조율자로 진화하고 있다”고 강조했다.   도면-CAD/파라메트릭을 넘어 ‘언어·데이터’ 기반 판단의 시대 첫 번째 발표를 맡은 내러티브 아키텍츠의 황남인 건축가와 김시홍 건축가는 ‘노이즈와 디노이즈(Noise & Denoise)’를 주제로 AI를 활용한 건축 설계 접근법을 소개했다. 이들은 건축 설계 방식의 세 가지 전환점을 제시했다. ▲도면의 등장으로 양식을 기록하고 재현하던 시대 ▲CAD와 파라메트릭 디자인의 도입으로 설계 차원을 확장하던 시대를 거쳐 ▲현재는 AI를 통해 언어적 조건과 데이터 기반 판단이 이루어지는 새로운 시대로 진입했다는 것이다.   ▲ 내러티브 아키텍츠의 황남인 건축가   내러티브 아키텍츠는 “AI는 단순한 도구의 교체가 아니라 건축을 사고하고 말하는 방식 자체를 갱신하는 존재”라고 규정하며, “건축가는 앞으로 수많은 이미지와 해석 사이를 오가며 흐름을 조율하고 조건을 설계하는 역할을 하게 될 것”이라고 말했다. 이들은 2023년 정부 발주 설계 공모에서 챗GPT(ChatGPT)와 이미지 생성 AI에 전 과정의 주도권을 맡기는 실험을 진행했다. 공모 지침을 LLM에 입력해 핵심 콘셉트를 도출하고, 자동화된 계획과 텍스트 조건화를 결합하여 설계 개념을 구체화했으며, 콘셉트 이미지와 설명 텍스트 등 제출 패널의 대부분을 AI로 제작했다. 다만 AI는 정규분포의 평균에 가까운 답을 빠르게 제시하지만, 본질적으로 유동성과 불완전성을 지닌다는 점을 지적하며, 이에 대응하기 위해 개념어×형태어의 프롬프트 체계를 정교화해 일관된 경향성을 확보하고, 비선형 다중 대안 탐색이 가능한 설계 프로세스로 전환할 필요성을 제안했다. 황남인 건축가는 “AI는 데이터 속 불필요한 노이즈를 제거하면서 동시에 새로운 아이디어의 흔적을 남긴다. 그 과정이 바로 창작의 확장이다”라고 강조했다. 김시홍 건축가는 “디지털 설계의 본질은 완벽함보다 가능성에 있다. AI는 데이터와 감성 사이의 균형을 조율하는 새로운 도구”라고 설명했다.   ▲ 내러티브 아키텍츠의 김시홍 건축가   마우스 없는 디자인, 언어로 구현하는 설계 실험 삶것건축사사무소의 양수인 건축가는 ‘말(로)하는 건축가’ 프로젝트를 통해 ‘마우스리스 디자인(Mouseless Design)’ 실험을 공개했다. 그는 상용 AI만을 활용해 설계 과정 자체를 혁신한 사례를 소개하며, “설계 초반의 정보 구조화와 제약 관리 자동화가 가장 큰 성과였다”고 밝혔다. 그는 챗GPT와 클로드(Claude)로 설계 요강을 분석하고 관계 매트릭스와 버블 다이어그램을 자동화했으며, 클로드가 작성한 기획서를 바탕으로 관계 가중치·그루핑·고정영역·면적 검증 기능을 갖춘 전용 툴을 직접 생성했다. 이어 매터(Matter) 물리엔진과 IK 체인(Inverse Kinematics)을 활용해 복도 없는 유동적 공간 배치와 자동 동선 형성을 실험했다. 또한 JSON → 라이노/레빗(Revit) 연동과 MCP(CoPilot) 학습을 통해 음성·텍스트 지시로 모델링을 제어하는 실험을 진행했다. 그 결과, 벽과 지붕 생성, 창·문·가구 배치, 지붕 기울기 조정, 수영장 수심 분기 등 다양한 작업을 자연어 명령만으로 구현하는데 성공했다. 양수인 건축가는 “프롬프트가 설계 인터페이스로 작동할 수 있음을 실무 단계에서 확인했다”고 전하며, “AI는 단순한 보조도구가 아니라 함께 설계하는 지치지 않는 동료이자 커스텀 소프트웨어 제작 파트너”라고 평가했다. 다만 AI의 공간 지각 능력은 여전히 취약하며 복합적 지시에는 세분화가 필요하다는 점을 지적하면서도, “정밀한 사고 언어가 구현 루틴으로 번역되는 ‘맥스 커스터마이제이션(Max Customization)’ 시대가 곧 도래할 것”이라고 전망했다.   ▲ ‘컴퓨팅 파워는 새로운 창의력이다.’라고 소개한 양수인 건축가   누구나 만드는 시대, 중요한 건 의도와 책임 세 발표자는 공통적으로 AI 시대의 건축 대중화와 건축가의 윤리적 책임을 강조했다. 영상과 모델링이 손쉽게 생성되는 시대일수록 ‘무엇을 왜 만드는가’라는 질문이 더욱 중요해진다는 것이다. AI 기술의 확산은 전문 툴 숙련 없이도 설계 패널을 제작할 수 있게 만들지만, 동시에 사회적 맥락과 윤리적 지향점을 건축 설계에 반영하는 책임은 더욱 커진다. 특히 텍스트 기반의 프롬프트 언어가 도시와 사회의 담론을 담는 매개가 되고 있는 만큼, 언어를 다루는 능력과 담론 설계 역량이 건축가의 핵심 경쟁력으로 부상하고 있다. 한정민 교수는 마무리 인사에서 “연구 중심의 담론을 넘어 실제 설계 현장에 적용된 구체적 사례를 공유한 유익한 시간이었다”며, “AI와 BIM이 결합된 설계 혁신은 앞으로 건축의 표준 프로세스로 자리 잡을 것”이라고 총평했다.     ■ 기사 내용은 PDF로도 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (26)   이번 호에서는 고속 제트 유동 시뮬레이션에서 마주하게 되는 주요 도전 과제를 설명한다. 또한 피델리티 LES 솔버(Fidelity LES Solver)의 기능을 소개하고, 이를 활용한 사례 연구를 통해 그 잠재력을 강조하고자 한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   초고속 제트 유동을 시뮬레이션하는 것은 기술적으로 매우 도전적인 과제이자 유체역학 분야의 흥미로운 최전선이다. 특히 초음속 및 극초음속 비행 기술이 발전함에 따라, 이러한 극한 속도에서의 복잡한 유동 거동을 이해하는 것은 점점 더 중요해지고 있다. 마하 1 이상의 속도에서는 공기역학적 힘의 성질이 크게 변하며, 충격파가 발생한다. 이 충격파는 특정한 유동 패턴을 만들어내며, 이는 항공기의 성능, 안정성 및 기동성에 큰 영향을 미칠 수 있다. 비행 속도가 마하 3을 넘어 특히 스크램제트 엔진이 작동하는 구간에 이르면, 마찰 및 압축으로 인해 발생하는 온도 변화가 섭씨 1500도 이상에 달할 수 있다. 이러한 극한의 열 환경은 설계 시 제대로 고려되지 않으면 재료 피로와 파손을 초래할 수 있다. 하지만 피델리티 LES 솔버(구 Cascade CharLES)와 같은 전산 유체역학(CFD) 도구의 발전으로, 연구자는 이제 고속 비행의 물리 현상을 과거에는 불가능했던 수준의 정밀도로 탐구할 수 있게 되었다. 그러나 이러한 극한 조건을 정확히 시뮬레이션하려면 무엇이 필요할까? 수많은 시뮬레이션 과제를 어떻게 해결할 수 있을까?     고속 제트 유동 시뮬레이션의 도전 과제 고속 제트 유동을 시뮬레이션하는 것은 온도, 압력, 난류 간의 복잡한 상호작용으로 인해 상당한 어려움을 동반한다. 높은 레이놀즈 수에서는 난류가 매우 불규칙하게 변하기 때문에, 정확한 결과를 얻기 위해서는 강력한 알고리즘과 고성능 컴퓨팅 자원이 필수이다. 가장 큰 과제 중 하나는 압축성 효과를 포착하는 것이다. 고속 유동에서는 밀도 변화 및 충격파와의 상호작용이 유동의 거동을 극적으로 변화시키므로, 이를 정확히 모델링하는 것이 매우 중요하다. 또한 고속 제트 내부의 복잡한 유동 구조를 고려할 때 효과적인 난류 모델링이 필수이며, 정확성과 계산 효율 간의 균형을 찾는 것은 여전히 큰 도전 과제이다. 또 다른 핵심 요소는 열 전달과 수치적 안정성이다. 급격한 온도 구배(gradient)는 경계 조건의 정교한 정의를 요구하며, 그렇지 않으면 시뮬레이션 내에서 반사 오류(artifact)가 발생할 수 있다. 고해상도 수치 기법은 이러한 구배를 포착하는 데 필수이지만, 그만큼 계산 비용도 증가한다. 소음 예측 역시 중요한 과제이다. 제트 소음을 정확하게 예측하려면 유동 시뮬레이션과 함께 공력음향 모델을 통합하여, 다양한 환경에서의 음파 전파를 효과적으로 재현해야 한다. 여기에 연료 분사를 포함하면 혼합(mixing) 모델링이 추가로 필요하며, 이는 전체 제트 성능에 영향을 주는 핵심 요소로 작용한다. 또한, 실험 데이터와의 검증 문제도 간과할 수 없다. 실험적 기준이 제한적인 경우가 많기 때문에 시뮬레이션은 불완전한 데이터와 상이한 가정을 기반으로 진행되어야 하며, 이는 결과 검증을 어렵게 만든다. 이러한 모든 문제는 정교한 전산 도구와 안정적인 고성능 컴퓨팅 인프라가 필수임을 보여준다. 이를 통해 고속 제트 유동 시뮬레이션의 정확도와 효율을 동시에 향상시킬 수 있다.   해결책 : 피델리티 LES 솔버 피델리티 LES 솔버는 극초음속 및 초음속 유동 시뮬레이션을 위해 개발된 고충실도 전산 유체 역학(CFD) 분석 도구이다. 이 도구는 Large Eddy Simulation(LES)을 고속 항공우주 분야에 확장하여, 극한 유동 환경에서의 고유한 과제를 해결하도록 설계되었다. 고급 수치 기법, 고품질 격자 생성, 뛰어난 병렬 확장성을 결합하여 복잡한 유동을 정밀하게 예측할 수 있다. 다면체 격자 생성(polyhedral mesh generation) : 고급 클리핑 보로노이 다이어그램(clipped Voronoi diagrams)을 활용하여 복잡한 형상에서도 강력하고 효율적인 격자 생성을 지원한다. 이를 통해 정밀하고 확장 가능한 시뮬레이션이 가능하다. 확장성(scalability) : CPU 및 GPU 기반 고성능 컴퓨팅 환경 모두에서 원활하게 작동하도록 설계되어, 고해상도 결과를 빠르고 효율적으로 제공한다. 예측 중심 고충실도 시뮬레이션 : 최신 알고리즘을 통해 충격파 상호작용부터 음향파 전파에 이르기까지 고속 제트 유동의 복잡한 물리 현상을 정밀하게 재현할 수 있다.   사례 연구 : 비선형 음향파형 분석 피델리티 LES 솔버의 성능을 입증하기 위해, 고속 제트 유동을 시뮬레이션하고 그 음향 특성을 분석하는 사례 연구가 수행되었다. 이 연구의 주요 목적은 출구 마하수 3(Mach 3)의 제트 노즐에서 방출된 비선형 음향파형의 전파 현상을 분석하고, 그 결과를 실험 데이터와 비교·검증하는 데 있었다.   ▲ 고속 제트 유동에서의 누적 비선형 음향파형 왜곡 분석     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (25)   이번 호에서는 사용자가 피델리티 포인트와이즈(Fidelity Pointwise)와 피델리티 LES 솔버(Fidelity LES Solver, 이전 명칭 CharLES)를 사용하여 LES 워크플로의 이점을 누릴 수 있는 방법에 대해 설명한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   대규모 와류 시뮬레이션(LES)은 최근 전산 유체 역학(CFD)에서 그 중요성이 커지고 있다. 이러한 급증은 주로 제한된 설계 공간, 긴 실행 시간, 물리학 감소 등 기존의 레이놀즈 평균 나비에 스토크(RANS) 기반 CFD에 내재된 트레이드오프 때문이다. 코드 설계 및 컴퓨팅 아키텍처의 발전으로 경계층 분리, 항공 음향, 연소 등 복잡한 산업 문제에 대해 LES(Large-Eddy Simulation, 대형 와류 시뮬레이션)와 같은 고충실도 시뮬레이션을 구현할 수 있게 되었다. 이러한 발전은 시뮬레이션 결과에 대한 신뢰도를 높여줄 뿐만 아니라, GPU 컴퓨팅 아키텍처의 활용을 통해 LES 솔버의 성능을 크게 향상시켰다. 이러한 개선으로 이제 LES 워크플로를 실제 엔지니어링 작업에 적용하여 10시간 미만의 처리 시간을 달성할 수 있게 되었으며, 이를 통해 LES는 생산 수준의 CFD 환경에서 실용적인 선택이 될 수 있게 되었다.   ▲ CFD Prediction for High-Lift Aerodynamics(Slotnick, 2019)   피델리티 LES 솔버 피델리티 LES 솔버가 고충실도 LES 시뮬레이션에서 갖는 장점은 다음과 같이 네 가지로 볼 수 있다. 보로노이 다이어그램 기반 대규모 병렬 메시 환경 강력하고 비선형적으로 안정적인 수치 체계 및 고급 물리 모델 대규모 데이터 세트를 위한 신속한 시각화 및 심문 확장 가능한 GPU 상주 다중 물리 유동 솔버     전처리는 전체 정확도에 큰 영향을 미치고 일반적으로 전체 워크플로 시간의 약 75~80%를 차지하기 때문에 CFD 워크플로에서 매우 중요한 단계이다. 이 단계에서 CFD 사용자를 지원하기 위해 피델리티 LES는 피델리티 스티치(Fidelity Stitch)라는 고급 메시 툴을 개발했다. 이 툴은 정확도를 개선하고 메시 품질 지표를 향상하는 데 필요한 시간을 단축하여 전처리 워크플로를 훨씬 더 효율적으로 만들 수 있도록 설계되었다. 피델리티 스티치는 LES를 위한 보로노이 다이어그램 기반 볼륨 메시 툴이다. 보로노이 다이어그램은 유클리드 거리를 기반으로 한 고유한 파티션이다. 이 메시 프로세스에는 두 가지 입력이 있다. 첫 번째 입력은 피델리티 스티치가 다이어그램을 클립하는 데 사용할 수밀하고 매니폴드한 표면 메시를 가져오는 것이다. 두 번째 입력은 사이트 생성이다. 토폴로지는 사이트 배치와 해당 사이트 스텐실과 서피스 메시의 교차점을 생성한 결과물이다. 그러면 스티치가 임의의 다면체 셀을 직접 생성한다.     로이드 알고리즘은 반복적으로 메시를 평활화하는 데 사용된다. 이 스무딩 절차는 벽에 가까운 정렬을 유리하게 만들고 고해상도가 필수적인 인터페이스에서 셀 볼륨을 보다 균일하게 분배한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

시뮬레이션·디지털 트윈·AI 결합해제품 개발의 미래 제시   헥사곤 매뉴팩처링 인텔리전스에서 시뮬레이션 및 디지털 엔지니어링을 담당하는 헥사곤 디자인&엔지니어링(D&E) 사업부가 9월 18일 유저 콘퍼런스인 ‘헥사곤 디자인&엔지니어링 유저 콘퍼런스 코리아 2025’를 진행한다. 이 행사는 D&E 사업부의 기술과 전략을 집중 소개하고, 고객과의 협력을 강화하는 것을 주된 목적으로 한다. 헥사곤 매뉴팩처링 인텔리전스 D&E 사업부의 성 브라이언 사장은 이번 행사를 통해 AI 기반 시뮬레이션, 디지털 트윈, SPDM(시뮬레이션 프로세스 및 데이터 관리) 등 자사의 핵심 기술 역량을 공유하고, 디자인&엔지니어링의 미래 방향과 산업별 적용 사례를 폭넓게 전달할 것이라고 소개했다. 또한, 디자인&엔지니어링 분야에서 국내 시장 공략을 더욱 강화할 예정이라고 밝혔다. ■ 정수진 편집장     헥사곤 및 D&E 사업부에 대해 소개한다면 헥사곤은 센서, 소프트웨어, 자율화 설루션 분야의 글로벌 기업으로, 데이터를 활용해 산업, 제조, 인프라, 안전, 모빌리티 전반에서 효율과 품질을 높이고 있다. 전 세계 50개국에 약 2만 4500명의 임직원이 근무하며, 매출은 약 54억 유로에 이른다. 그중 헥사곤 매뉴팩처링 인텔리전스는 디자인 및 엔지니어링, 생산, 측정 전 과정에서 데이터를 기반으로 스마트 제조 환경을 지원한다. 헥사곤 디자인&엔지니어링(D&E) 사업부는 헥사곤 매뉴팩처링 인텔리전스 내에서 시뮬레이션 및 디지털 엔지니어링을 담당하고 있다. 헥사곤 D&E 사업부는 예측 시뮬레이션 소프트웨어를 통해 엔지니어들이 가상 프로토타입으로 제품 및 프로세스를 검증·최적화할 수 있도록 지원하며, 물리적 프로토타입의 ‘구축 및 테스트’를 대체하여 제품 개발 효율을 높이고 있다.   헥사곤 D&E 사업부가 보유한 대표 설루션과 핵심 기술은 무엇인지 헥사곤 D&E 사업부는 다양한 산업군에서 신뢰받는 CAE 시뮬레이션 및 디지털 엔지니어링 설루션을 제공한다. 주요 기술에는 선형·비선형 유한요소해석(FEA), 음향 해석, 유체-구조 연성해석(FSI), 다물체 동역학, 열 유동 해석, 최적화, 피로·내구성 해석, 전기기계식 드라이브라인 및 제어 시스템 시뮬레이션 등이 포함된다. 또한, ADAS(첨단 운전자 보조 시스템) 및 자율주행 분석, 시뮬레이션 프로세스 및 데이터 관리(SPDM), 디지털 트윈 구축, AI 기반 최적화 등 최신 기술을 꾸준히 개발하고 있다. 이러한 설루션을 통해 고객은 제품 설계를 최적화하고, 기존 물리적 프로토타입의 ‘빌드&테스트(build&test)’ 단계를 줄이며 개발 효율을 높일 수 있다.   헥사곤의 디자인&엔지니어링 설루션이 가진 차별점과 경쟁력을 소개한다면 가장 큰 강점은 디자인&엔지니어링 사업부와 헥사곤의 다른 계열사 사이의 긴밀한 협업이다. 이를 통해 헥사곤은 산업 전반을 아우르는 폭넓은 기술 포트폴리오와 글로벌 네트워크를 갖추고 있다. CAE 소프트웨어를 기반으로 센서, 측정 장비, 데이터 관리 플랫폼을 통합 제공함으로써 설계부터 생산, 검증까지 전 과정을 연결할 수 있는 엔드 투 엔드(end-to-end) 설루션을 제공한다. 또한, 각 산업 분야의 특화된 요구를 반영한 맞춤형 시뮬레이션 환경과, 전 세계 고객 사례를 기반으로 한 풍부한 기술 지원 역량은 헥사곤만의 독보적인 경쟁력이다. 이를 통해 고객은 단순한 툴 제공을 넘어 혁신적인 제품 개발 프로세스와 지속 가능한 제조 경쟁력을 확보할 수 있다.   ▲ 헥사곤의 디자인&엔지니어링 설루션   디지털 트윈과 시뮬레이션 기술을 중심으로 한 최신 디지털 엔지니어링 트렌드와 향후 시장 전망에 대해 소개한다면 최근 디지털 엔지니어링은 정밀도·속도·지속 가능성이라는 세 가지 축을 중심으로 진화하고 있다. 디지털 트윈은 단순한 가상 모델을 넘어, 실시간 센서 데이터와 AI 분석을 결합하여 예측, 최적화까지 가능한 지능형 운영 플랫폼으로 발전하고 있다. 특히, 클라우드 기반 협업 환경과 AI 자동화 기술이 결합되면서, 개발 속도 단축과 비용 절감 효과가 더욱 가속화되고 있다. 향후 시장은 지속 가능한 설계와 제조, 에너지 효율 향상, 규제 대응 등과 맞물려, 산업 전반에서 디지털 트윈과 고급 시뮬레이션의 도입이 필수화될 것으로 전망된다.   ‘헥사곤 디자인&엔지니어링 컨퍼런스 코리아 2025’에서는 어떤 내용이 소개되는지 9월 18일 개최되는 헥사곤의 D&E 유저 콘퍼런스는 자동차, 항공, 방산, 조선, 전기·전자 등 주요 산업군의 엔지니어와 전문가들이 모여 글로벌 CAE 기술의 최신 트렌드와 산업별 실무 경험을 나누는 자리이다. 헥사곤의 글로벌 및 국내 임직원, 주요 파트너와 고객사가 발표자로 참여하여, 각자 현장에서 축적한 경험과 성과를 직접 공유한다. 이를 통해 AI 기반 시뮬레이션, SPDM 등 디지털 엔지니어링을 가속화하는 혁신 기술과 산업별 최전선에서의 적용 사례를 심도 있게 다룰 예정이다. 기조연설과 산업별 세션, 전시 부스를 통해 참석자는 최신 기술을 직접 체험하고, 업계 전문가들과 교류하며, CAE 기술의 미래 비전과 제조업 R&D의 혁신 방향을 함께 모색할 수 있다. 또한, 각 산업별로 실제 기술 과제와 시뮬레이션 적용 사례를 통해 헥사곤 디자인&엔지니어링 사업부의 최신 기술 전략이 현장 중심의 문제 해결과 개발 효율성 향상에 어떻게 기여하는지 구체적으로 소개된다. 항공 및 방위 산업 분야에서는 MSC 에이펙스(MSC Apex), 나스트란(Nastran), CAE퍼티그(CAEFatigue), 시뮤팩트 애디티브(Simufact Additive), 제너레이티브 디자인(Generative Design) 등을 활용한 항공기 피로해석, 발사체 구조 해석과 복합재 적용 사례가 소개된다. 자동차 산업 분야에서는 아담스(Adams), 로맥스(Romax), 디지매트(Digimat), VTD 등을 기반으로 NVH 해석, 자율주행 시뮬레이션, 전기차 제어 시스템 연계 구조 모델 개발 등 차량 성능 최적화를 위한 다양한 해석과 검증 사례가 발표된다. 전기·전자 산업 분야에서는 크래들 CFD(Cradle CFD), 액트란(Actran) 등을 이용한 전자기기 냉각 해석, 충돌 기반 진동·소음 해석, 고열 환경 신뢰성 확보 사례가 다뤄지며, 정밀하고 안정적인 제품 설계를 위한 시뮬레이션 기술이 강조된다. 조선 산업 분야에서는 해양 구조물과 배관 시스템 해석을 중심으로 배관 단납부의 기계적 물성 해석, 강관-구조 연계 설계 등 실무에 적용 가능한 구조 해석 사례가 발표된다.   이번 행사를 통해 헥사곤 D&E 사업부가 전달하고자 하는 핵심 메시지는 무엇인지 헥사곤 D&E 사업부는 ‘데이터 기반의 연결과 자율화를 통한 지속 가능한 제조 혁신’을 핵심 철학으로 삼고 있다. 이번 유저 콘퍼런스에서는 단순한 기술 소개를 넘어, 고객·파트너·업계 전문가가 한자리에 모여 산업별 과제를 함께 논의하고 실질적인 해결 방안을 모색하는 협력의 장을 만들고자 한다. 또한 AI(인공지능), 디지털 트윈, 시뮬레이션 프로세스 혁신 등 최신 기술이 어떻게 제품 개발 주기를 줄이고 설계 최적화와 예측 정확도를 높이며, 지속 가능한 산업 생태계 구축에 기여하는지에 대한 내용도 공유할 예정이다.   향후 헥사곤 D&E 사업부의 중장기 사업 전략 및 기술 로드맵을 소개한다면 헥사곤 D&E 사업부는 2025년 하반기 및 그 이후에도 디지털 트윈과 AI 기반 시뮬레이션 고도화를 핵심 전략으로 삼고 있다. 이를 위해 ▲산업별 특화 디지털 트윈 플랫폼 개발 및 적용 확대 ▲클라우드 기반 시뮬레이션 및 협업 환경 강화 ▲AI·머신러닝을 활용한 자동화 설계 최적화 기능 확장 ▲지속 가능성(sustainability) 중심의 경량화·에너지 효율 설계 지원 ▲SPDM(시뮬레이션 프로세스 및 데이터 관리)의 산업 전반 확산 등을 추진하고자 한다. 또한, 기존 제조업뿐만 아니라 반도체·에너지·스마트시티 등 신산업 분야로 설루션 적용 범위를 확대해, 고객이 제품 개발 주기와 비용을 혁신적으로 절감할 수 있도록 지원할 계획이다.   마지막으로 전하고 싶은 메시지가 있다면 헥사곤 D&E 사업부는 단순한 소프트웨어 공급사가 아니라, 산업 전반의 디지털 혁신을 함께 설계하고 구현하는 파트너이다. 고객·파트너·학계와 지속적인 협력과 지식 공유를 통해 설계와 제조의 효율과 품질을 극대화하고, 지속 가능한 미래 산업 생태계를 구축하는 데 기여하고자 한다. 이번 유저 콘퍼런스를 비롯해 다양한 교류의 장을 마련해 헥사곤의 글로벌 역량과 현장 경험을 적극적으로 공유하며, 한국 제조업의 경쟁력 강화와 차세대 엔지니어링 패러다임 전환을 함께 이끌어 나가고자 한다.     ■ 기사 내용은 PDF로도 제공됩니다.