INFOWORLD   Editorial 17　AI와 CAE의 융합, ‘지능형 시뮬레이션’ 시대를 연다    Hot Window 18　말하면 설계하는 시대를 향해 – AI로 그리는 설계의 미래 / 한명기 21　리얼타임을 통한 디지털 트랜스포메이션의 진화 / 권오찬   Focus 26　AWS, 산업 혁신 이끄는 AI 에이전트 비전과 전략 공개 28　AEC/MFG 산업의 미래는? 지더블유캐드코리아, CAD/CAM/CAE 통합 플랫폼 비전 제시 30　유니티, “게임 엔진 넘어 AI·디지털 트윈 시대의 산업 기반 기술로”   Case Study 33　핵융합 실험을 위한 3D 시뮬레이션 플랫폼 개발　유니티로 구현한 핵융합 디지털 트윈, V-KSTAR 36　인더스트리 4.0을 위한 로봇 예측 유지보수의 발전 / 이웅재　디지털 트윈과 AI가 시뮬레이션과 현실의 간극을 메우다   People&Company 40 　지더블유캐드코리아 최종복 대표이사　CAE·PDM까지 라인업 확장… ‘가성비’ 넘어 AI·성능으로 승부   New Product 42　HP Z2 미니 G1a 리뷰 / 이민철　BIM 엔지니어의 실무 프로젝트 성능 검증 50　3D 설계 환경에 통합된 전문 CAE 시뮬레이션　ZW3D Structural & Flow 54　접촉·포스 성능 향상 및 MFBD 후처리, 산업별 툴킷 기능 강화　리커다인 2026 57　실시간 3D 시각화 워크플로의 생산성 향상　트윈모션 2025.2 74　이달의 신제품   On Air 62　캐드앤그래픽스 CNG TV 지식방송 지상중계　AI와 BIM의 융합, 건축 설계의 패러다임을 바꾸다 64　캐드앤그래픽스 CNG TV 지식방송 지상중계　제조 산업에서의 사이버 보안과 위기 상황 대응 방안 65　캐드앤그래픽스 CNG TV 지식방송 지상중계　시뮬레이션의 미래 : AI와 디지털 트윈이 주도하는 제조 혁신   Column 66　디지털 지식전문가 조형식의 지식마당 / 조형식　인공지능 시대의 서바이벌 노트 : 인공지능 마인드세트와 원칙 69　현장에서 얻은 것 No. 23 / 류용효　나만의 AI 에이전트 필살기 Ⅲ – 본질에 집중하는 삶   76　New Books 78　News   Directory 147　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 81　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　코드로 강력한 수학 그래픽 애니메이션을 만드는 매님 84　새로워진 캐디안 2025 살펴보기 (12) / 최영석　유틸리티 기능 소개 Ⅹ 88　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2026 (8) / 천벼리　아레스 커맨더의 동적 블록과 트리니티 블록 라이브러리   Reverse Engineering 91　시점 – 사물이나 현상을 바라보는 눈 (11) / 유우식　무엇을 믿을 것인가?   Mechanical 98　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (4) / 박수민　모델 기반 정의 개선사항   Analysis 104　앤시스 워크벤치를 활용한 해석 성공 사례 / 장형진　앤시스 LS-DYNA S-ALE를 활용한 폭발 성형 해석 방법 108　최적화 문제를 통찰하기 위한 심센터 히즈 (9) / 이종학　프로세스 자동화 Ⅳ – 다물리 시스템 최적화 118　성공적인 유동 해석을 위한 케이던스의 CFD 기술 (27) / 나인플러스IT　차세대 다중물리 CFD 설루션의 ‘4A’ 122　설계, 데이터로 다시 쓰다 (2) / 최병열　DX 시대에서 AX 시대로 126　로코드를 활용하여 엔지니어링 데이터 분석 극대화하기 (4) / 윤경렬, 김도희　로코드를 활용하여 시뮬레이션 데이터 분석을 따라해 보자 132　가상 제품 개발을 위한 MBSE 및 SysML의 이해와 핵심 전략 (1) / 오재응　디지털 모델 중심 시스템 설계로의 전환 전략   Manufacturing 138　자율제조를 위한 데이터 표준화와 사이버 보안 강화 전략 (2) / 차석근　산업 사이버 위협을 돌파하기 위한 IEC 62443   PLM 144　산업 디지털 전환을 가속화하는 버추얼 트윈 (8) / 이희라　부품 공용화 및 표준화를 위한 AI 기반 3D 형상 분석 설루션

디지털 트윈과 AI가 시뮬레이션과 현실의 간극을 메우다   제조 시설은 지속적인 문제에 직면해 있다. 정비 일정은 일반적으로 실제 마모와 관계없이 3개월마다 부품을 점검하고 6개월마다 구성 요소를 교체하는 등 엄격한 일정을 따른다. 그 결과 불필요한 점검과 교체로 인한 비효율적인 시간 낭비가 발생하고, 반대로 정비 일정 전에 부품이 고장 나는 일도 생긴다. 센트랄수펠렉-파리 사클레대학교(CentraleSupélec–Université Paris-Saclay)의 지궈 젠(Zhiguo Zeng) 교수와 그의 연구팀은 디지털 트윈 기술과 딥러닝을 결합한 혁신적인 접근 방식을 통해 이 문제를 해결하고 있다. 그들의 목표는 모든 중요 부품에 센서를 배치할 필요 없이 시스템 수준의 모니터링 데이터만으로 로봇 시스템의 구성요소 수준의 고장을 감지하는 것이다. 젠 교수는 “유지보수는 공장에서 매우 큰 문제”라면서, “기계에 유지보수가 필요한 시기를 미리 안다면 주문이 적은 시기에 수리 일정을 잡을 수 있어 생산성 손실을 최소화할 수 있다”고 말했다. 그는 신뢰성 공학과 수명 예측 분야에서 풍부한 경험을 갖고 있지만, 디지털 트윈 기술은 그의 이전 연구와는 결이 다른 새로운 영역이었다. 센트랄수펠렉의 안 바로스(Anne Barros) 교수와 페드로 로드리게스-아예르베(Pedro Rodriguez-Ayerbe) 교수가 주도하는 학제 간 프로젝트인 ‘미래의 산업(Industry of the future)’에 참여하면서, 그는 디지털 트윈이 어떻게 강력한 시뮬레이션 도구를 물리적 시스템에 실시간으로 직접 연결할 수 있는지 깨달았다. 젠 교수는 “디지털 트윈은 결함 진단에 매우 유용하다. 이를 실제 기계의 데이터에 연결하여 그 데이터로 모델을 개선할 수 있다”고 설명했다.  제조업, 자동차, 항공우주 및 기타 분야로 활용 영역이 확대되면서, 디지털 트윈은 인더스트리 4.0에서 유망한 기술 중 하나로 자리잡고 있다. 물리적 객체나 시스템의 가상 복제본인 디지털 트윈(digital twin)을 생성함으로써, 조직은 운영 현황과 유지보수 필요성을 명확하게 파악할 수 있다. 또한 디지털 트윈은 예측 유지 관리 시스템 개발의 어려운 측면 중 하나인 고장 데이터의 부족에 대한 해결책을 제시한다. 젠 교수는 “현실에서는 고장이 자주 발생하는 걸 보기는 어렵다. 그래서 이제는 시뮬레이션을 통해 고장 데이터를 만들어낸다”고 설명했다.   가상과 물리의 가교 역할 디지털 트윈 프로젝트는 물리적 시스템과 가상 시스템 간의 다양한 수준의 통합을 통해 구현 옵션을 제공한다. 젠 교수의 연구팀은 세 가지 서로 다른 수준의 디지털 표현으로 작업했다. 기본 수준에서 디지털 모델은 기존 시뮬레이션처럼 작동하며, 물리적 시스템과 데이터를 교환하지 않는 정적 모델로 오프라인에서 실행된다. 그다음 단계는 디지털 섀도로, 가상 모델이 물리적 시스템의 데이터를 받아 그 행동을 미러링하지만 제어하지는 않는다. 가장 발전된 구현은 데이터와 정보의 양방향 흐름을 갖춘 진정한 디지털 트윈이다. 여기서 모델은 관찰을 바탕으로 스스로 업데이트하고 물리적 시스템을 제어하는 실시간 결정을 내린다. 연구팀은 테스트용으로 ArmPi FPV 교육용 로봇을 선택했다. 이 로봇은 5개의 관절과 하나의 엔드이펙터로 구성되며, 6개의 서보 모터로 제어된다. 결함 진단의 기초가 될 만큼 정확한 디지털 트윈을 만드는 것은 어려운 일이었다. 또한 기존 모니터링 접근 방식의 한계를 해결해야 했다. 젠 교수는 “대부분의 산업 사례에서 베어링을 진단하려면 베어링 수준의 센서가 필요하며, 이는 쉽지 않은 일이다. 내부에 베어링이 있는 큰 기계를 상상해보면 센서를 설치하기 위해서는 기계를 분해해야 하는데 때로는 공간이 충분하지 않을 때도 있다”고 말했다.   그림 1. ArmPi FPV 교육용 로봇(출처 : 센트랄수펠렉)   그들의 접근 방식은 시스템 수준 데이터(로봇 엔드 이펙터의 이동 궤적)를 사용하여 구성 요소 수준의 오류(개별 모터 문제)를 진단하는 것이었다. 또한 디지털 트윈을 사용하여 관찰할 수 있는 것과 감지해야 할 것 사이의 격차를 해소하고자 했다. 연구팀은 시뮬링크(Simulink)와 심스케이프 멀티바디(Simscape Multibody)를 사용하여 디지털 트윈을 구축했으며, 구성요소와 시스템 수준 동작을 모두 나타내는 계층적 모델을 만들었다. 젠 교수는 “모든 것은 시뮬레이션 모델을 설계하는 것으로 시작한다. 동적 시스템과 그 제어기를 모델링하고 싶다면 시뮬링크는 매우 강력하다”고 말했다. 연구팀은 시뮬링크를 사용해 모터 제어기를 PID 제어기로 모델링하면서 실험적으로 조정한 게인 값을 활용했다. 또한, 시뮬링크의 시각화 기능을 적극적으로 활용해 시뮬레이션 데이터와 실제 로봇의 센서 데이터를 연동할 수 있는 인터페이스를 구축하고, 실시간 모니터링 환경을 구성하였다. ROS 툴박스(ROS Toolbox)는 로봇 하드웨어와의 연결에서 유용한 역할을 했다. 젠 교수는 “로봇 운영 체제(Robot Operating System : ROS)를 사용하려면 일반적으로 ROS와 파이썬(Python) 환경을 별도로 구성하고 모든 연결을 직접 처리해야 한다”면서, “ROS 툴박스를 사용하면 이런 설정이 자동으로 관리되기 때문에 많은 노력을 아낄 수 있다”고 설명했다. 연구팀은 AI 모델 학습을 위한 데이터 준비 과정에서는 두 가지 접근 방식을 시도하였다. 먼저, 로봇에 입력되는 모터 명령과 그에 따른 그리퍼(gripper)의 움직임 패턴과 같은 원시 계측값을 기반으로 데이터를 수집하였다. 이후에는 디지털 트윈을 활용한 방식을 도입하였다. 시뮬레이션을 통해 로봇이 명령에 따라 어떻게 움직여야 하는지를 예측하고, 이 결과를 실제 움직임과 비교함으로써 예상과 실제 간의 차이를 도출하였다. 이러한 차이는 미세한 고장을 감지하는 데 유용한 지표로 작용하였다.   그림 2. 심스케이프 멀티바디의 로봇 팔에 대한 시뮬링크 모델(출처 : 센트랄수펠렉)   연구팀은 딥 러닝 툴박스(Deep Learning Toolbox)를 사용하여 장단기 메모리(Long Short-Term Memory : LSTM) 신경망을 훈련하여 특정 실패를 나타내는 패턴을 식별했다. 모델 아키텍처에는 각각 100개의 숨겨진 단위가 있는 두 개의 LSTM 계층, 그 사이의 드롭아웃 계층 및 완전히 연결된 분류 계층이 포함된다. 연구팀은 매트랩 앱 디자이너(MATLAB App Designer)를 사용하여 각 모터의 위치, 전압 및 온도를 포함한 실시간 데이터를 수집하는 그래픽 사용자 인터페이스를 설계했다. 이 인터페이스를 통해 로봇의 상태를 모니터링하고 오류 진단 모델의 예측을 검증할 수 있었다. 이러한 통합 도구들이 원활하게 함께 작동하면서, 연구팀은 소프트웨어 호환성 문제와 씨름하기보다는 효율적으로 기술적 과제 해결에 집중할 수 있었다.   현실 격차에 도전하다 연구팀은 실제 로봇에서 훈련된 모델을 테스트했을 때 연구원들이 ‘현실 격차’라고 부르는 시뮬레이션과 현실 세계 간의 불일치에 직면했다. 결함 진단 모델은 시뮬레이션에서 98%의 정확도를 달성하여 모터 고장의 위치와 유형을 모두 정확하게 식별했지만, 실제 로봇에서 테스트했을 때 성능은 약 60%로 떨어졌다. 젠 교수는 “시뮬레이션이 현실과 일치하지 않는 이유를 분석하고 있다”고 말하며, “실제 세계를 시뮬레이션 상에서 표현할 때 고려하지 못한 요소들이 있다”고 설명했다. 젠 교수와 그의 연구팀은 통신 신뢰성 문제, 시뮬레이션에서 고려되지 않은 모터 노이즈, 제어 명령과 모니터링 활동 간의 동기화 문제 등 성능 격차에 기여하는 여러 요인을 확인했다.   그림 3. 정상 상태 오류에서 로봇 팔의 애니메이션 및 관련 혼동 매트릭스(출처 : 센트랄수펠렉)   이러한 과제는 디지털 트윈 애플리케이션의 광범위한 문제를 반영한다. 현실은 가장 정교한 시뮬레이션보다 더 복잡하다. 연구팀은 낙담하기보다는 실제 노이즈 패턴을 시뮬레이션 하는 모듈을 디지털 트윈에 추가하고 전이 학습에 도메인 적응 기술을 적용하는 등 이러한 격차를 해소하기 위한 방법을 개발했다. 젠 교수는 “디지털 트윈 모델을 개발할 때 보정 테스트를 하긴 하지만, 이 역시 통제된 환경에서 이루어진다”고 말했다. 이어서 “하지만 산업 현장에 모델을 실제로 적용하면 훨씬 더 많은 노이즈가 포함된 데이터를 접하게 된다. 이처럼 현실의 노이즈를 알고리즘 관점에서 어떻게 보정할 것인가는 매우 도전적인 연구 주제”라고 설명했다. 이러한 수정을 통해 연구팀은 실제 세계 정확도를 약 85%까지 개선했다. 이는 실용적 구현을 향한 중요한 진전이다.   소규모 실험실에서 스마트 공장으로 연구팀의 작업은 단일 로봇을 넘어서 확장되고 있다. 이들은 다수의 로봇이 협업하며 생산 라인을 구성하는 소규모 스마트 공장 환경을 구축하고 있으며, 이를 통해 고장 진단 알고리즘을 보다 실제에 가까운 조건에서 실험하고자 한다. 젠 교수는 “우리는 미니 스마트 공장을 구축하려고 한다”면서, “생산 설비와 유사한 환경을 만들어 로봇에 알고리즘을 적용해, 실제 생산 스케줄링에 통합될 수 있는지를 실험하고 있다”고 설명했다. 이러한 접근 방식은 교육적 효과도 크다. 센트랄수펠렉의 공학과 학생들은 수업과 프로젝트를 통해 디지털 트윈, 로보틱스, 머신러닝 기술을 실습 기반으로 학습하고 있다. 젠 교수는 “학생들이 처음부터 가상 공간에서 모델을 직접 설계하고 이를 점차 실제 로봇과 연결해가는 과정을 보면, 그들이 이 과정을 진심으로 즐기고 있다는 걸 알 수 있다”고 전했다. 이 연구는 제조업뿐 아니라 물류, 스마트 창고 등 다양한 산업 분야로의 확장이 가능하다. 예를 들어 스마트 창고에서는 로봇이 정해진 경로를 따라 이동하지만, 장애물이 나타나면 이를 인식하고 경로를 유동적으로 조정해야 한다.   그림 4. 여러 로봇이 소규모 스마트 공장 환경의 생산 라인에서 협력하여 작동한다.(출처 : 센트랄수펠렉)   젠 교수는 “스마트 창고에서 로봇은 사전 정의된 규칙을 따르지만, 패키지가 떨어지고 경로가 막히는 등 경로를 리디렉션하고 다시 프로그래밍해야 하는 경우가 있을 수 있다. 이런 경우 로봇을 조정하기 위해 각 로봇의 실시간 위치를 알아야 하기 때문에 디지털 트윈 시스템이 필요하다”고 설명했다. 연구팀은 구성요소가 고장 날 때 로봇의 움직임을 조정하는 것과 같은 내결함성 제어를 포함한 추가 응용 프로그램을 모색하고 있다. 또한 연구자들은 에너지 소비만 고려하는 것이 아니라, 궤적 최적화 모델에서 각 모터의 성능 저하 수준과 잔여 유효 수명도 고려하는 건전성 인식 제어를 개발하고 있다. 그들의 코드, 모델, 데이터 세트를 깃허브 저장소(GitHub repository)를 통해 자유롭게 공개하고 있으며, 다른 연구자들이 이를 바탕으로 연구를 확장해 나가기를 기대하고 있다. 목표는 개선의 출처가 어디든 간에, 보다 나은 고장 진단 시스템을 구축하는 것이다. 젠 교수는 “누군가 우리보다 더 나은 결과를 만들어낸다면 정말 기쁠 것”이라고 전했다. 중국 제조업 현장에서 일하던 부모님의 영향을 받아 공학자의 길을 걷게 된 젠 교수에게 이번 연구는 단순한 학문적 탐구를 넘어선 개인적인 사명이기도 하다. 젠 교수는 “어릴 때 제조업에서 일하는 것이 얼마나 힘든 일인지 직접 보며 자랐다”면서, “내가 그렸던 비전은 그런 육체 노동을 로봇이 대체하게 해 사람들이 보다 나은 삶을 살 수 있도록 하는 것이었다”고 전했다.   ■ 이웅재 매스웍스코리아의 이사로 응용 엔지니어팀을 이끌고 있으며, 인공지능·테크니컬 컴퓨팅과 신호처리·통신 분야를 중심으로 고객의 기술적 성공을 지원하는 데 주력하고 있다. LG이노텍과 LIG넥스원에서 연구개발을 수행하며 신호처리와 통신 분야의 전문성을 쌓아왔다.     ■ 기사 PDF는 추후 제공됩니다.

최적화 문제를 통찰하기 위한 심센터 히즈 (8)   이번 호에서는 파이프 유로 형상 설계 최적화를 위해 NX CAD와 심센터 스타-CCM+(Simcenter STAR-CCM+)를 사용하여 CAD 치수 변수를 수정하며 유동해석의 자동화 워크플로를 구성하고 최적화를 진행하는 과정을 소개한다. ■ 연재순서 제1회 AI 학습 데이터 생성을 위한 어댑티브 샘플링과 SHERPA의 활용 제2회 근사모델 기반의 최적화 vs. 직접 검색 기반의 최적화 제3회 수집 또는 측정된 외부 데이터의 시각화 및 데이터 분석 제4회 산포특성을 가지는 매개변수의 상관성 및 신뢰성 분석 제5회 실험 측정과 해석 결과 간의 오차 감소를 위한 캘리브레이션 분석 제6회 프로세스 자동화 Ⅰ – 구조 설계 최적화 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 히즈를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR   이번에 사용할 심센터 스타-CCM+는 2006년에 첫 버전이 공개되었으며, 통합된 환경과 클라이언트-서버 접근 방식은 당시의 CFD 해석 방법에 새로운 패러다임을 제시했다. 첫 출시 이후 주요 기능이 빠르게 확장되었는데, 대표적으로 코드의 기반이 되는 ‘메시 파이프라인(mesh pipeline)’과, 산업용 CFD 최초로 다면체(polyhedral) 메시 기술을 도입한 점이 큰 변화였다. 2010년에는 컴퓨팅 하드웨어의 가격이 저렴해지는 반면, 라이선스 비용이 하드웨어 활용의 제약이 된다는 시장의 목소리를 반영해 ‘파워 세션(Power Session) 라이선스’를 도입하였고, 이를 통해 하나의 고정 비용으로 무제한 코어에서 대규모 병렬 해석을 수행할 수 있게 되어, 소프트웨어 사용 비용과 하드웨어 활용 간의 한계를 완전히 해소하는 사용 환경을 마련하였다. 2012년에는 업계 최초로 ‘오버셋 메시(overset meshes)’ 기능을 도입해 실제 현장에서 움직이는 격자 기반 해석을 더욱 직관적으로 구현할 수 있게 되었고, 2015년에는 산업용 CFD를 넘어 유체-구조 연성 등 진정한 다중물리 해석을 지원하기 위해 유한요소(finite elements) 해석 솔버를 통합했으며 전자기 해석까지 기능을 확장했다. 오늘날 스타-CCM+는 자동화 기능, 설계 탐색 도구, 포괄적인 다중물리 해석, 그리고 산업을 선도하는 데이터 분석 및 협업형 가상현실 환경까지 지원하며 그 성장을 지속하고 있다. 그 외에도 다양한 혁신적 진보를 이루었지만, 이 내용만으로도 지난 짧은 기간 내 스타-CCM+가 얼마나 빠르게 발전했는지 잘 보여준다고 할 수 있다.   그림 1   프로세스 자동화 다분야 설계 최적화(MDO : Multidisciplinary Design Optimization) 수행 시 설계 및 분석에서 효율적인 데이터 교환 및 프로세스 연동이 필수이므로, 데이터를 신속하고 정확하게 받기 위해서는 다이렉트 인터페이스 포털(Direct Interface Portal)이 필요하다. HEEDS(히즈)에서는 심센터 스타-CCM+를 위한 포털(Portal)을 제공하므로 빠른 설정이 가능하다. 그림 2는 HEEDS에서 제공하는 다양한 설루션의 다이렉트 인터페이스 포털 목록이다.   그림 2   <그림 3>은 파이프 유로 설계 최적화 자동화 워크플로의 주요 단계와 각 툴의 역할을 요약한다.   그림 3   첫째, NX_CAD 포털에서는 HEEDS가 NX CAD의 파트 파일(*.prt)을 NX Expressions를 활용하여 변수(치수 등)를 자동으로 수정한다. 수정된 파이프 형상이 파라솔리드(parasolid) 형식(*.x_t)으로 내보내지는데, 이 파일에는 해석에 필요한 Named Face(경계면) 정보를 포함한다. 둘째, STAR-CCM+ 포털에서는 스타-CCM+ 해석 파일(*. sim)이 전달받은 신규 형상(*.x_t)을 읽고, 메시 업데이트와 경계조건 수정이 자동으로 적용된다. 이후 유동 해석이 수행된 뒤, 결과값은 HEEDS가 자동 추출한다. <그림 3>은 NX CAD와 스타-CCM+ 간의 입력/출력 파일 흐름, 형상 전송, 변수-응답 데이터 매핑 관계를 시각적으로 정리한다. 이처럼 각 단계를 자동화로 설정하면 설계 변수 변경부터 해석 실행 및 결과 평가까지 전체 최적화 과정을 빠르고 효율적으로 반복할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   터보기기 해석에 많이 쓰이는 앤시스 설루션으로 앤시스 CFX(Ansys CFX)가 있다. 앤시스 플루언트(Ansys Fluent)를 이용하여 터보기기를 해석할 수 없는 것은 아니었지만, 굳이 애써서 할 필요성은 없었다. 하지만 플루언트의 GPU 솔버가 적극적으로 도입된 이 시점에서, GPU를 이용하여 터보기기를 해석할 수 있다면 해석 속도에 있어서 상당한 이점을 가져올 수 있다. 플루언트의 터보 워크플로(Turbo Workflow)는 사용자 편의성을 갖추어 손쉽게 터보기기 해석을 할 수 있도록 지원하고 있다. 플루언트의 터보 워크플로를 이용하여 터보기기를 해석하는 방법을 예제를 통하여 알아보자.   ■ 한성훈 태성에스엔이 FBU-F3팀에서 수석매니저로 근무하고 있으며, 유동 해석 기술 지원 및 교육, 용역 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   해석 모델 이번 호에서 다루는 해석 모델은 TFD Hannover 축류압축기이며, <그림 1>과 같이 앞쪽에서부터 총 3 Rows(1.5 단)를 해석 대상으로 한다. 각 단은 IGV – Rotor – Stator로 구성되어 있다. 격자 파일은 플루언트 튜토리얼 turbo_workflow.zip을 다운로드하여 압축을 해제하면 얻을 수 있으며, 앤시스 터보그리드(Ansys TurboGrid)로 생성된 세 개의 파일(IGV.gtm, R1.gtm, S1.gtm)로 구성된다. IGV는 26개, Rotor는 23개, Stator는 30개로 이루어져 있으며, 해석에서는 주기 경계조건을 적용하여 각각 1개의 섹터만을 모델링한다.   그림 1. Schematic Rows   터보 워크플로 시작하기 터보 워크플로는 다음의 경로에서 터보 워크플로를 활성화하여야 시작할 수 있다. Domain → Turbomachinery → Turbo Workflow → Enable Workflow   그림 2. 터보 워크플로 활성화   활성화가 되면 <그림 3>과 같이 Workflow 작업 메뉴들이 생성된다.   그림 3. Turbo Workflow Task   Turbo와 관련된 환경설정 Cell과 Face zone 및 Turbo Topology에 적절한 영역을 할당하기 위해 연관성 설정을 수행한다. 이를 통해 플루언트가 특정 문자열 구성을 일정한 순서로 인식하도록 지시하여, 영역 매핑을 보다 쉽게 수행할 수 있다. File → Preference → Turbo Workflow에서 <그림 4>와 같이 세팅한다.   그림 4. Preference turbo workflow   Describe Component Component Type : Axial Compressor Component Name : hannover Number of Rows : 3 Row1 : name – igv, Type – stationary, #sectors – 26, End Wall Gap – no Row2 : name – r1, Type – rotating, #sectors – 23, End Wall Gap – yes Row3 : name – s1, Type – stationary, #sectors – 30, End Wall Gap – no   그림 5. Describe component     ■ 자세한 기사 내용은 PDF로 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.

시높시스와 통합 시너지 강화… AI로 엔지니어링 혁신 이끈다   제품이 복잡해지면서 반도체 설계와 전체 시스템의 구현을 통합하는 엔지니어링이 필수가 됐다. 앤시스는 EDA(전자 설계 자동화) 기업 시높시스와 통합을 통해 제품 개발의 전체 과정을 단일 플랫폼으로 지원한다는 비전을 마련했다. 이와 함께 AI(인공지능) 기술을 자사 포트폴리오 전반에 적용해, 전문가의 전유물이었던 시뮬레이션의 장벽을 허문다는 전략도 제시했다. ■ 정수진 편집장   ▲ 앤시스 패드메쉬 맨들로이 부사장   ‘실리콘부터 시스템까지’ 아우르는 엔지니어링 시대 연다 제품이 점차 스마트해지고 복잡해지면서 물리 세계와 전자 세계의 만남이 그 어느 때보다 중요해지고 있다. 앤시스와 시높시스는 지난 7월 통합 완료를 발표했는데, 두 회사는 각자의 전문성을 결합해 반도체 칩 설계(실리콘)부터 최종 시스템에 이르는 전체 과정을 지원하는 통합 설루션을 제공할 계획이다. 앤시스의 패드메쉬 맨들로이(Padmesh Mandloi) 고객지원 부문 아시아 부사장은 “오늘날의 제품은 단순히 기능을 수행하는 것을 넘어 스스로 사고하고, 협업하며, 환경에 적응하는 지능형 시스템으로 발전하고 있다. 이런 변화는 엔지니어링의 복잡성을 가중시키고 있으며, 반도체 설계와 물리적 시스템의 구현을 별개로 볼 수 없게 되었다”면서, “시뮬레이션 분야의 선도 기업 앤시스와 EDA 1위 기업 시높시스가 손을 잡은 것은 이런 시대적 요구에 부응하기 위한 것”이라고 설명했다. 맨들로이 부사장은 “시스템은 실리콘의 요구사항을, 실리콘은 시스템의 요구사항을 정확히 이해해야 한다”고 짚었다. 예를 들면, 자동차 기업이 자율주행 기능을 구현하기 위해서는 AI 반도체 설계를 고려해야 하고, 반도체 기업은 칩이 자동차에 쓰일지 데이터센터에 쓰일지에 따라 다른 접근법을 선택해야 한다는 것이다. 제품 개발을 위해 엔지니어링 시뮬레이션과 EDA의 긴밀한 상호작용이 필수가 되면서, 앤시스는 시높시스와의 통합이 큰 시너지를 낼 수 있을 것으로 기대하고 있다.   물리 기반 시뮬레이션을 EDA 흐름에 통합 양사 통합의 핵심 전략은 앤시스의 강점인 물리 기반 시뮬레이션을 시높시스의 EDA 설계 흐름에 통합하는 것이다. 이를 통해 차세대 인공지능(AI) 칩, 3D IC 등 고도의 반도체를 설계할 때 필수로 고려해야 하는 열, 구조 변형, 뒤틀림 같은 물리적 문제를 설계 초기 단계부터 해결할 수 있게 된다는 것이다. 앤시스코리아의 박주일 대표는 “특히 고대역폭 메모리(HBM)와 같이 여러 칩을 쌓는 ‘스택 구조’에서 이러한 통합 설루션의 가치가 크다. 앤시스는 이미 HBM의 전력 무결성, 열, 구조적 스트레스 분석 분야에서 삼성전자, SK하이닉스 등과 협력해왔다. 앞으로 시높시스와 함께 칩 설계 단계부터 최종 분석까지 아우르는 단일 플랫폼을 제공할 수 있을 것”이라고 전했다. 앤시스와 시높시스는 조직을 통합하기보다는 각자의 비즈니스 운영 방식을 유지하며 시너지를 낼 수 있는 분야를 탐색하는 데 집중하고 있다. 시높시스가 소수의 반도체 기업을 깊이 있게 지원하는 반면, 앤시스는 수천 개의 다양한 산업군 고객을 보유하고 있어 사업 운영 방식에 차이가 있기 때문이라는 것이 박주일 대표의 설명이다. 그는 “다만, HBM 설루션처럼 시장의 요구가 높은 분야의 기술 통합은 더 빠르게 진행될 수 있다”고 덧붙였다. 앤시스는 시높시스와의 통합 설루션이 특히 복잡한 요구조건을 가진 첨단 산업에서 강점을 발휘할 것으로 보고 있다. 앤시스의 월트 헌(Walt Hearn) 글로벌 세일즈 및 고객 담당 부사장은 “이번 합병이 고객들에게 새로운 기술과 기회를 제공할 것으로 기대한다"면서, “물리 시뮬레이션과 EDA의 결합은 제품 개발의 어려운 과제를 해결하는 최고의 포트폴리오가 될 것”이라고 말했다.   ▲ 앤시스 월트 헌 부사장   AI로 엔지니어링의 문턱 낮춘다 앤시스는 인공지능(AI) 기술을 자사 포트폴리오 전반에 통합해 시뮬레이션의 효율과 속도를 높이고, 전문가 수준의 지식이 필요했던 기술의 문턱을 낮추는 데 주력하고 있다. 복잡한 제품 개발 환경에서 더 많은 엔지니어가 시뮬레이션 기술을 쉽게 활용하도록 돕는 것이 앤시스 AI 전략의 핵심이다. 맨들로이 부사장은 “시뮬레이션은 고도의 전문 지식을 갖춘 전문가의 영역으로 여겨져 왔다. 하지만 디지털 전환이 가속화되면서 기업의 비용 절감과 시장 출시 기간 단축을 위해 시뮬레이션의 활용을 확대하려는 요구가 커졌다”면서, “앤시스는 전문 지식에 대한 의존도를 낮추고 더 많은 사용자가 쉽게 접근할 수 있도록 AI 기술이 탑재된 플랫폼을 제공하는 것을 최우선 과제로 삼고 있다”고 설명했다. AI 기술은 초기 머신러닝(ML) 기반의 최적화 도구를 넘어, 대규모 언어 모델(LLM)과 AI 비서를 거쳐 완전히 자율화된 에이전틱 AI(agentic AI)로 나아가고 있다. 헌 부사장은 크게 네 가지 방향에서 AI를 앤시스 설루션에 적용하고 있다고 소개했다. 스마트 UI(사용자 인터페이스) : UI에 AI를 내장해 반복적인 작업을 자동화함으로써 엔지니어의 작업 효율을 높인다. 앤시스GPT(AnsysGPT) : 오픈AI의 기술을 기반으로 하는 앤시스GPT는 자연어 질의응답을 통해 사용자가 엔지니어링 문제에 대한 답을 더 빠르게 찾도록 돕는다. AI 내장 솔버 : 엔지니어링 해석의 핵심 엔진인 솔버 자체에 AI 기술을 통합해 문제 해결 속도를 이전보다 크게 높였다. 심AI(Ansys SimAI) : 과거의 방대한 시뮬레이션 데이터셋을 학습한 AI 솔버이다. 예를 들어, 기존에 일주일이 걸리던 자동차 외부 공기역학 해석 작업에 심AI를 활용하면 단 하루 만에 완료할 수 있다. 헌 부사장은 “앤시스GPT는 이미 2만여 고객사에서 활발히 사용되고 있으며, ‘앤시스 엔지니어링 코파일럿’도 개발하고 있다. 이 코파일럿은 지난 50년간 축적된 앤시스의 제품 개발 지식을 LLM에 탑재한 형태이다. 유동, 구조, 전자기학 등 모든 분야의 엔지니어링 콘텐츠를 단일 플랫폼 안에서 쉽게 검색하고 활용할 수 있게 될 것”이라고 소개하면서, “이런 혁신을 바탕으로 앤시스와 시높시스는 고객이 미션 크리티컬한 과제를 해결하고 AI 기반 제품과 서비스를 성공적으로 개발할 수 있도록 지원을 아끼지 않겠다”고 밝혔다.   솔버 최적화와 클라우드로 컴퓨팅 인프라 부담 해결 시뮬레이션과 AI 기술은 모두 대량의 컴퓨팅 자원을 필요로 한다. 기업에서는 컴퓨팅 인프라의 구축과 운용에 대한 부담이 클 수밖에 없다. 헌 부사장은 “소프트웨어 최적화와 유연한 클라우드 지원을 통해 고객들이 인프라 제약 없이 혁신에 집중할 수 있도록 돕겠다”고 밝혔다. 우선 R&D 차원에서 앤시스는 자사 솔버의 코드를 전면 재작성하고 있다. CFD(전산 유체 역학)와 전자기를 비롯해 모든 분야의 솔버를 GPU(그래픽 처리 장치) 환경에서 구동되도록 최적화하는 것이 핵심이다. 또한, 앤시스는 AWS(아마존 웹 서비스) 및 마이크로소프트 애저(Azure)와 협력해 클라우드 서비스를 제공하고 있다. 고객사가 대규모 해석과 같이 추가적인 컴퓨팅 성능이 필요할 경우 언제든지 클라우드 자원을 활용해 작업을 확장할 수 있도록 하겠다는 것이다. 헌 부사장은 “시높시스 역시 자체 클라우드를 통해 컴퓨팅 리소스를 제공하고 있는데, 향후 이를 통합하면 더욱 시너지를 낼 수 있을 것”이라고 전했다.   ▲ 앤시스코리아 박주일 대표   한국은 가장 복잡한 제품 개발하는 전략적 요충지 앤시스코리아는 최근 몇 년간 두 자릿수의 성장세를 유지하고 있으며, 올해는 예년보다 더 큰 폭의 성장을 예상하고 있다. 박주일 대표는 “이런 성장의 배경에는 국내 시장의 확고한 디지털 전환(DX) 트렌드와 갈수록 복잡해지는 제품 설계 환경이 있다”고 짚었다. 그는 “한국 기업들은 반도체, 자동차, 조선, 항공우주 등 모든 산업 영역에서 최고 수준의 복잡한 제품을 설계하며 글로벌 기업과 경쟁하고 있으며, 그만큼 국내 고객의 기술적 요구 수준 또한 높다”면서, “앤시스 코리아는 높은 수준의 국내 고객 요구를 시뮬레이션 기술로 충족시키는 것을 최우선 과제로 삼고 있으며, 이를 위해 국내 리소스뿐만 아니라 글로벌 조직과의 긴밀한 협업을 통해 한국 시장과 고객을 적극 지원하고 있다”고 설명했다. 앤시스는 HBM, 3D IC와 같은 스택 구조 반도체의 전력 무결성, 열, 구조 변형 문제 해결을 위해 국내 반도체 기업들과 협력하고 있다. 그리고 고밀도 AI 칩을 개발하는 국내 스타트업들과도 협력을 진행 중이다. 우주 산업에서는 국내 스타트업과 협력해 인공위성의 수명과 성능을 위협하는 우주 잔해물 문제 해결을 돕고 있다. 또한, 삼성전자, LG전자, 현대자동차 등 국내 대기업을 중심으로 AI 기술이 탑재된 시뮬레이션 설루션 도입을 빠르게 진행 중이다. 맨들로이 부사장은 “한국 앤시스 고객의 만족도는 96.8%로 역대 최고치를 기록했으며, 이는 지난 몇 년간 꾸준히 상승해 온 결과이다. 앤시스는 이러한 높은 만족도에 큰 자부심을 가지고 있으며, 앞으로도 최고의 기술을 통해 한국 고객들을 지원하는 데 집중할 것”이라고 전했다.    ▲ 앤시스코리아는 9월 17일 연례 콘퍼런스 ‘시뮬레이션 월드 코리아 2025’를 열고, 최신 기술 트렌드와 함께 자사의 비전, 신기술, 고객 사례를 소개했다.     ■ 기사 내용은 PDF로도 제공됩니다.

  INFOWORLD    Editorial 17　AI 기반 스마트홈, 엔지니어링의 새로운 도전과 기회   Focus 18　코리아 그래픽스 2025, AI로 가속하는 산업과 크리에이티브의 변화를 짚다 24　헥사곤, 스마트 제조의 미래 비전 제시… “DX를 넘어 AX로” 26　알테어, 제조 현장의 핵심 기술로 자리 잡는 AI 비전 소개   Case Study 29　포지FX가 VR 훈련 설루션을 만드는 방법　확장현실로 건설 장비의 사용 교육과 운영 효율 강화 32　자동차 HMI 기술 브랜드 실리 아우토　언리얼 엔진으로 향상된 HMI 경험 구현   People&Company 34　앤시스 패드메쉬 맨들로이 부사장, 월트 헌 부사장, 앤시스코리아 박주일 대표　시높시스와 통합 시너지 강화… AI로 엔지니어링 혁신 이끈다 37　글로텍 이재홍 센터장, 한국철도기술연구원 박영곤 수석연구원　BIM 기반의 철도 인프라 통합 운영 설루션 연구·개발   On Air 49　캐드앤그래픽스 CNG TV 지식방송 지상중계　소버린 AI를 주도하는 6가지 코드 50　캐드앤그래픽스 CNG TV 지식방송 지상중계　미래를 여는 비즈니스 혁신 : AI 맞춤형 안경과 3D 프린팅 52　캐드앤그래픽스 CNG TV 지식방송 지상중계　설계 효율 극대화한 PTC 크레오 12.4 업데이트 54　캐드앤그래픽스 CNG TV 지식방송 지상중계　개발 기간 단축을 위한 설계자 해석 방안   New Product 40　BIM 기반 공사비 자동 산출 설루션    NaviQ v2.0 42　HP Z2 미니 G1a 리뷰　초소형 워크스테이션의 AI·3D 실전 성능 46　이달의 신제품   Column 55　디지털 지식전문가 조형식의 지식마당 / 조형식　인공지능 기술 : 도입에서 혁신으로 58　현장에서 얻은 것 No. 23 / 류용효　나만의 AI 에이전트 필살기 Ⅱ – 코드를 이해하는 기획자, 비개발자의 바이브 코딩 입문기   62　News   Directory 139　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 64　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　요구사항 기반 바이브 코딩의 사용 방법 74　새로워진 캐디안 2025 살펴보기 (11) / 최영석　유틸리티 기능 소개 Ⅸ 78　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2026 (7) / 천벼리　AI로 더욱 똑똑해진 CAD 어시스턴트, A3   Reverse Engineering 84    시점 – 사물이나 현상을 바라보는 눈 (10) / 유우식　무엇을 볼 것인가?   Mechanical 69　제조업의 미래를 위한 ZW3D 2026 / 지더블유캐드코리아　통합 3D CAD/CAM 설루션의 전략적 가치 90　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (3) / 김주현　크레오 시뮬레이션 라이브를 활용한 제품 설계 최적화   Analysis 97　앤시스 워크벤치를 활용한 해석 성공 사례 / 한성훈　터보기기 해석을 위한 플루언트 터보 워크플로 102　최적화 문제를 통찰하기 위한 심센터 히즈 (8) / 이종학　프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 111　산업 디지털 전환을 가속화하는 버추얼 트윈 (7) / 신효주　스티뮬러스의 모델 기반 요구사항 검증 방법 116　성공적인 유동 해석을 위한 케이던스의 CFD 기술 (26) / 나인플러스IT　고충실도 제트 유동 시뮬레이션으로 항공우주 산업 혁신 120　설계, 데이터로 다시 쓰다 (1) / 최병열　DX 시대, 샌드위치로 살아남기 126　로코드를 활용하여 엔지니어링 데이터 분석 극대화하기 (3) / 윤경렬, 김도희　데이터 분석 로코드 설루션을 배워보자 Ⅱ   Manufacturing 134　자율제조를 위한 데이터 표준화와 사이버 보안 강화 전략 (1) / 차석근　제조 혁신의 열쇠, 4M2E 생산자원 데이터 표준화     2025-10-aifrom 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기

#마이다스아이티 #유동해석 #백서무료다운로드   이미지가 안보이신다면, 이곳을 클릭해주세요!

최적화 문제를 통찰하기 위한 심센터 히즈 (7)   심센터 히즈(Simcenter HEEDS)는 제품 설계 과정에서 발생하는 다양한 문제에 대해서 최적화 방법론을 적용하고 올바른 결과를 도출하는 데에 도움을 준다. 이번 호에서는 모터의 성능 최적화를 위해 심센터 E-머신 디자인(Simcenter E-Machine Design)을 사용하여 모터 시뮬레이션의 자동화 워크플로를 구성하고 최적화를 진행하는 과정을 소개한다.   ■ 연재순서 제1회 AI 학습 데이터 생성을 위한 어댑티브 샘플링과 SHERPA의 활용 제2회 근사모델 기반의 최적화 vs. 직접 검색 기반의 최적화 제3회 수집 또는 측정된 외부 데이터의 시각화 및 데이터 분석 제4회 산포특성을 가지는 매개변수의 상관성 및 신뢰성 분석 제5회 실험 측정과 해석 결과 간의 오차 감소를 위한 캘리브레이션 분석 제6회 프로세스 자동화 Ⅰ – 구조 설계 최적화 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 히즈를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR   심센터 E-머신 디자인(EMD)은 전기기기(e-machine) 설계를 위한 통합 설루션이다. EMD는 모터 및 발전기 설계 과정에서 요구되는 다양한 토폴로지(topology)를 지원하고, 자동화된 전처리/후처리 환경, 전자계-열 연동 해석, 시스템 및 다분야 설계 연계를 위한 확장성을 제공한다.   그림 1   EMD는 대표적으로 <그림 2>와 같은 토폴로지(SM : 동기모터, IM : 유도모터, SRM : 스위치드 릴럭턴스 모터, DCM : 직류모터, AFM : 축 플럭스 모터)를 모두 지원해, 실제 산업 현장에서 필요한 다양한 형태의 전기기기 개발을 한 플랫폼에서 수행한다.   그림 2   설계 과정 전반에 걸쳐 자동화된 전처리(pre-processing)와 후처리(post-processing) 도구를 제공해, 모델 설정에서 결과 해석까지 반복적인 수작업 부담을 최소화한다. 사용자는 빠른 모델링, 자동 메시 할당, 결과 데이터의 즉시 시각화 등 효율적인 설계 프로세스를 구현할 수 있다.   그림 3   전자계 분석과 열 해석을 연동할 수 있으므로, 전자기적 성능뿐만 아니라 실제 운전 조건에서의 온도 및 열적 거동까지 정밀하게 평가한다. 필요에 따라 시스템 해석(Amesim, FMU 등)을 병행해 구동 특성 및 제어 연계 분석도 확장할 수 있다.   그림 4   EMD는 상세 전자기 해석(detailed Emag), 열 및 유동 해석(thermal CFD), 진동 소음(NVH) 해석, 구조 해석 등 지멘스 심센터(Siemens Simcenter) 포트폴리오 내의 다양한 다분야/다중물리 해석 설루션과 직접 연동할 수 있다. 이를 통해 실제 제품 설계 환경에서 요구되는 복잡한 다중물리 연계 및 시스템 수준 평가까지 단일 워크플로에서 처리가 가능하다.   그림 5   종합적으로, 심센터 EMD는 전기기기 설계의 생산성, 신뢰성, 확장성을 극대화하며, 설계 초기 단계부터 상세 검증, 및 시스템 통합까지 모든 프로세스를 통합적으로 지원하는 강력한 모터 설계 검증 설루션이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.