알테어가 데이터브릭스와 전략적 파트너십을 체결했다고 밝혔다. 이번 협력은 기업이 보유한 데이터를 더 쉽게 통합하고 분석할 수 있도록 돕고, AI를 실제 업무에 효과적으로 적용할 수 있도록 지원하는 데 목적이 있다.   양사는 알테어의 데이터 분석 및 AI 플랫폼인 ‘알테어 래피드마이너’와 데이터브릭스의 ‘데이터 인텔리전스 플랫폼’을 연동해, 고객이 데이터브릭스 내 데이터를 복제 없이 직접 접근하고 분석할 수 있도록 한다. 이를 통해 기업은 빠르게 AI 모델을 개발하고 운영하며, 데이터 기반 의사결정을 더 효율적으로 내릴 수 있게 된다.   알테어 래피드마이너 플랫폼은 SAS 언어 실행을 지원하는 설루션은 물론, 기존 분석 환경을 유지하면서 최신 AI 기술을 적용할 수 있는 설루션까지 폭넓게 제공한다. 데이터브릭스와의 이번 협력을 통해 고객은 기존 분석 자산을 보다 유연하게 현대화하고, 운영 효율성과 분석 역량을 동시에 강화할 수 있다.   또한 알테어는 대규모 데이터 처리를 위한 지식 그래프 기술을 보유하고 있으며, 데이터브릭스와 연동하면 구조화된 데이터는 물론, 비정형 데이터나 실시간 스트리밍 데이터까지 모두 연결해 분석할 수 있다. 이러한 기술 조합은 생성형 AI와 자율형 에이전트 같은 최신 AI 시스템 구현에 핵심 기반이 된다.     데이터브릭스의 아리엘 앰스터 전략 기술 파트너십 디렉터는 “알테어는 데이터 전처리와 머신러닝 분야에 혁신적인 기술을 보유하고 있으며, 이번 협업을 통해 고객들이 대규모 데이터를 더욱 쉽게 탐색하고 실행에 옮길 수 있도록 도울 것”이라고 말했다.   알테어 샘 마할링엄 최고기술책임자(CTO)는 “이번 협력을 통해 기업들이 데이터를 단순히 저장하는 데 그치지 않고, 실제 업무에 활용 가능한 AI 기반 시스템으로 전환할 수 있도록 돕겠다”면서, “분산된 데이터를 연결하고, 스스로 판단하며 실행할 수 있는 지능형 환경을 만들어가겠다”고 밝혔다.

인텔은 ML커먼스(MLCommons)가 발표한 최신 MLPerf 추론 v5.0(MLPerf Interference v5.0) 벤치마크에서 인제온 6 P-코어(Intel Xeon 6 with Performance-cores)의 성능을 입증했다고 밝혔다. 6가지 주요 벤치마크에서 진행된 테스트 결과, 제온 6는 이전 세대 프로세서 대비 인공지능(AI) 성능이 1.9배 향상된 것으로 나타났다. AI 도입이 가속화됨에 따라, CPU는 데이터 전처리, 전송, 시스템 오케스트레이션 등 핵심 기능을 관리하는 호스트 노드로서 AI 시스템 운영에 필수 요소로 자리잡고 있다. 인텔은 MLPerf에 서버용 CPU 성능 결과를 제출했는데, 인텔 제온 6 P-코어는 MLPerf 추론 v5.0의 ResNet50, RetinaNet, 3D-UNet 및 신규 GNN-RGAT를 포함한 주요 벤치마크에서 5세대 인텔 제온 프로세서 대비 평균 1.9배 높은 성능을 기록했다. 이런 결과에 대해 인텔은 “제온 6가 AI에 적합한 CPU임을 입증하는 동시에, 소형 언어 모델(SLM)을 위한 경쟁력 있는 대안이 될 수 있음을 보여준다”고 설명했다.     인텔은 지난 2021년 3세대 인텔 제온 프로세서를 MLPerf에 처음 제출한 이후 ResNet50 성능은 15 배 향상됐으며, 소프트웨어 최적화를 통해 GPT-J에서는 22%, 3D U-Net에서는 11% 추가 성능 향상을 달성했다고 소개했다. 또한, “새로운 MLPerf 결과는 OEM(주문자 상표부착 생산) 및 생태계 파트너 설루션 전반에서 인텔 제온의 성능을 입증한다”면서, “AI 워크로드가 엔터프라이즈 시스템과 점점 더 통합됨에 따라, OEM은 고객이 최상의 AI 성능을 구현할 수 있도록 제온 기반 시스템을 우선 채택하고 있다”고 전했다. 인텔은 시스코, 델 테크놀로지스, 콴타, 슈퍼마이크로 등 4개의 주요 OEM 파트너사와 협력해 인텔 제온 6 P코어에 대한 MLPerf 결과를 함께 제출하며 다양한 AI 워크로드와 배포 역량을 선보였다. 인텔의 데이터센터 및 AI 그룹을 임시 총괄하는 카린 엡시츠 시갈(Karin Eibschitz Segal) 부사장은 “이번 MLPerf 벤치마크 결과는 인텔 제온 6가 고성능과 에너지 효율의 완벽한 균형을 제공하는 AI 워크로드에 가장 적합한 중앙처리장치(CPU)임을 입증한다”면서, “세대를 거듭할수록 다양한 AI 벤치마크에서도 꾸준히 성능이 개선되고 있어, 인텔 제온이 여전히 AI 시스템용 CPU 시장에서 선도적인 입지를 유지하고 있음을 보여준다”고 설명했다.

앤시스 워크벤치를 활용한 해석 성공 사례   다양한 산업에서 제품 설계 및 안정성 평가를 위한 실험에 많은 비용과 노력이 소요됨에 따라, 가상의 공간에서 사용자가 원하는 실험 환경을 구성하여 결과를 도출하는 방식이 증가하고 있다. 또한, 해석을 많이 활용하지 않던 산업군에서도 시뮬레이션을 도입하는 단계에 있다. 그 중 바이오 산업에서는 환자의 CT 정보를 기반으로 한 혈류 해석과 임플란트 해석에 대한 수요가 증가하고 있다. 해석 결과를 바탕으로 안정성과 구조적 성능을 평가하고, 이를 임상 결과 데이터로 보완하는 과정이 이루어지고 있다. 이번 호에서는 3D 슬라이서(3D Slicer)와 앤시스 플루언트(Ansys Fluent)를 활용하여 혈관 모델링부터 혈류 해석까지의 워크플로를 소개하고자 한다.   ■ 김지원 태성에스엔이 FBU-F1팀의 매니저로, 열 유동 해석 기술 지원 및 교육, 용역 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   현재 대부분의 기업이 시뮬레이션을 적극 적용하고 있으며, 특히 바이오 산업에서는 환자의 CT 정보를 기반으로 한 혈류 분석에 대한 수요가 증가하고 있다. 이러한 분석은 혈관 협착증 및 인조혈관의 안정성과 구조적 성능을 평가하는 새로운 방법으로 중요한 역할을 한다. CT와 MRI 기술의 발달로 체내 모습을 3D 영상으로 시각화할 수 있게 되면서, 유체역학과 의학 간 융합 연구의 발전이 기대되고 있다. 특히 혈관 질환의 발생 원인을 규명하기 위해 혈류 해석을 기반으로 혈류 역학적 특성을 분석하는 추세다. 또한, 비침습적 방법을 활용하여 환자의 혈관을 진단하고 평가하는 기술이 주목받고 있다. 이번 호에서는 혈류 해석을 수행하기 위해 주요 혈관 모델링 툴을 활용한 혈관 추출 방법, 혈액의 물성치 설정, 그리고 경계 조건 설정 과정에 대해 다루고자 한다.   전처리(Pre-Processing) 대동맥 혈관의 3차원 영상 및 모델링 앤시스의 모델링 툴에는 환자의 3D CT 영상을 STL 파일로 직접 추출하는 기능이 존재하지 않는다. 따라서 이번 호에서는 상용 프로그램인 3D 슬라이서를 사용한다. 3D 슬라이서는 의료 이미징 데이터를 시각화하고 분석하는 오픈소스 소프트웨어 플랫폼으로 영상 분석, 3D 모델링, 디자인 등을 통해 종합적인 의료 영상 처리를 수행하는 전문 소프트웨어다. 이를 통해 DICOM 파일을 기반으로 3D 형상을 추출할 수 있다.    그림 1. 3D 슬라이서에서 혈관 추출   <그림 1>은 3D 슬라이서를 이용하여 혈관을 추출한 과정이다. CT 촬영 시 혈관 조직을 명확하게 구분하기 위해 조영제를 주입하면, HU(Hounsfield Units) 수치로 표현되어 특정 HU 값 범위에서 혈관을 쉽게 추출할 수 있도록 구성된다. 또한, 유동 해석을 위해 격자를 생성하는 과정에서 모델링 단계에서 패싯(facet)을 스무딩(smoothing)하는 옵션을 적용하여 형상을 정리한다. 혈관 모델링이 완료된 후, DICOM 파일을 STL 파일로 변환한다.    대동맥 혈관의 3차원 영상 및 모델링 앤시스 스페이스클레임(Ansys SpaceClaim)에서 변환한 STL 파일을 가져오면 패싯을 확인할 수 있으며, 이를 볼륨(volume) 형태로 변환하는 과정을 진행한다. 볼륨 형태로 변환하기 위해 모델을 확인하면, <그림 2>와 같이 돌출되거나 뚫린 패싯 등 변환이 어려운 영역이 존재한다.   그림 2. Faulty facet areas   그림 3. Converting from facet to volume   솔브(Solve) 혈액 물성치 이번 호에서는 혈류 해석을 수행하기 위해 플루언트를 사용하며, 혈액의 거동을 수치적으로 해석하기 위해 혈액의 밀도와 점성 계수를 입력한다. 혈액은 전단 응력에 따라 점도가 변하는 비뉴턴 유체이며, 이러한 특성을 반영하기 위해 Carreau 모델을 적용한다. Carreau 모델은 비뉴턴 유체의 점성 거동을 정의하는 구성 방정식이며, 이는 <그림 4>의 수식과 같이 계산된다.   그림 4. Carreau 모델 수식     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 전문적인 BIM 자료를 이해할 수 있는 대규모 언어 모델(LLM, Large Language Model)을 개발하는 방법을 알아본다. BIM 기반 LLM을 개발하는 방법은 여러 가지가 있으나, 여기에서는 그 중 하나인 RAG(Retrieval Augumented Generation, 증강 검색 생성) 시 LLM이 잘 추론할 수 있도록 모델을 파인튜닝(fine-turning)하는 기술을 사용해 본다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   LLM 모델 파인튜닝의 개념 파인튜닝이란 사전에 학습된 LLM을 특정 도메인이나 작업에 맞게 최적화하는 과정이다. 기본적으로 LLM은 일반적인 자연어 처리 작업을 수행하도록 설계되어 있지만, 전문적인 특정 지식 도메인(예 : 건설 분야의 BIM 데이터)이나 문제를 다룰 때는 환각 현상이 심해지므로 해당 도메인에 특화된 데이터로 모델을 재학습시켜야 한다. 이를 통해 모델이 특정 영역에서 더 정확하고 유용한 결과를 생성하도록 만든다. 파인튜닝 과정은 다음과 같은 단계로 이루어진다.  ① 사전 학습된 모델 선택 : 이미 대규모 데이터로 학습된 LLM을 선택한다. ② 도메인 특화 데이터 준비 : 대상 분야와 관련된 고품질 데이터를 수집하고, 이를 정제 및 전처리한다. ③ 모델 파라미터 조정 : LoRA(Low-Rank Adaptation)같은 기법을 사용하여 모델 파라미터를 특정 도메인에 맞게 업데이트한다.  ④ 훈련 및 검증 : 준비된 데이터로 모델을 학습시키고, 성능을 검증하며 최적화한다. 여기서, LoRA 기술은 LLM을 파인튜닝하는 데 사용되는 효율적인 기법이다. 이 방법은 모델 전체를 다시 학습시키는 대신, 모델의 일부 파라미터에만 저차원(lowrank) 업데이트를 적용하여 파인튜닝한다. 이를 통해 학습 비용과 메모리 사용량을 대폭 줄이면서도 높은 성능을 유지할 수 있다. 이 글에서 사용된 라마 3(Llama 3)는 메타가 개발한 LLM 제품이다. 모델은 15조 개의 토큰으로 구성된 광범위한 데이터 세트에서 훈련되었다.(라마 2의 경우 2T 토큰과 비교) 700억 개의 파라미터 모델과 더 작은 80억 개의 파라미터 모델의 두 가지 모델 크기가 출시되었다. 70B 모델은 MMLU 벤치마크에서 82점, HumanEval 벤치마크에서 81.7점을 기록하며 이미 인상적인 성능을 보여주었다. 라마 3 모델은 컨텍스트 길이를 최대 8192개 토큰(라마 2의 경우 4096개 토큰)까지 늘렸으며, RoPE를 통해 최대 32k까지 확장할 수 있다. 또한 이 모델은 128K 토큰 어휘가 있는 새로운 토크나이저를 사용하여 텍스트를 인코딩하는 데 필요한 토큰 수를 15% 줄인다.   개발 환경 준비 개발 환경은 엔비디아 지포스 RTX 3090 GPU(VRAM 8GB), 인텔 i9 CPU, 32GB RAM으로 구성되었다. 이러한 하드웨어 구성은 대규모 BIM 데이터를 처리하고 모델을 학습시키는 최소한의 환경이다. 이 글에서는 사전 학습모델은 허깅페이스(HF)에서 제공하는 Llama-3-8B 모델을 사용한다. 파인튜닝을 위해서는 다음과 같은 환경이 준비되어 있다고 가정한다.  파이토치 설치 : https://pytorch.org/get-started/locally  올라마(Ollama) 설치 : https://ollama.com 허깅페이스에서 제공하는 LLM 모델을 사용할 것이므로, 접속 토큰(access token)을 얻어야 한다. 다음 링크에서 가입하고 토큰을 생성(Create new token)한다. 이 토큰은 다음 소스코드의 해당 부분에 입력해야 동작한다.  허깅페이스 가입 및 토큰 획득 : https://huggingface.co/ settings/tokens   그림 1   명령 터미널에서 다음을 실행해 라이브러리를 설치한다.   pip install langchain pypdf fastembed chardet pandas pip install -U transformers pip install -U datasets pip install -U accelerate pip install -U peft pip install -U trl pip install -U bitsandbytes pip install -U wandb   개발된 BIM LLM 모델 성능이 향상되었는지를 검증할 수 있도록, 기초 모델이 인터넷에서 쉽게 수집 후 학습할 수 있는 BIM 자료를 제외한 데이터를 학습용으로 사용할 필요가 있다. 이런 이유로, 최근 릴리스되어 기존 상용 대규모 언어 모델이 학습하기 어려운 ISO/TS 19166에 대한 기술 논문 내용을 테스트하고, 학습 데이터 소스로 사용한다. 참고로, ISO/TS 19166은 BIM-GIS conceptual mapping 목적을 가진 국제표준으로 기술 사양(TS)을 담고 있다. 학습 데이터로 사용될 파일을 다음 링크에서 PDF 다운로드하여 저장한다.  BIM-GIS 매핑 표준 논문 PDF 파일 : https://www.mdpi. com/2220-9964/7/5/162   BIM 기반 LLM 모델 학습 데이터 준비와 파인튜닝 파라미터 설정 학습 데이터를 자동 생성하기 위해, 미리 다운로드한 PDF 파일을 PyPDF 및 라마 3를 이용해 질문-답변 데이터를 자동 생성한 후 JSON 파일로 저장한다. 이를 통해 수 백개 이상의 QA 데이터셋을 자동 생성할 수 있다. 이 중 품질이 낮은 데이터셋은 수작업으로 삭제, 제거한다.    그림 2. 자동화된 BIM 기반 LLM 학습 데이터 생성 절차     ■ 자세한 기사 내용은 PDF로 제공됩니다.

한국오라클이 게임프로, 럭스바이옴, 레이티스트케이, 맥케이, 위솝 등 국내 스타트업 5개사에 오라클 클라우드 인프라스트럭처(OCI)를 제공했다고 밝혔다. 5개사는 OCI 컴퓨트, 스토리지 서비스, 네트워킹 및 커넥티비티 서비스 등을 통해 서비스형 소프트웨어(SaaS) 기반 스마트 설루션을 한층 더 고도화하며, 글로벌 시장에서 경쟁력을 강화할 수 있는 기반을 마련했다. 이번에 OCI를 도입한 5개사는 SaaS 개발사로, 클라우드를 기반으로 게임, 유통, 광고, 바이오 등 다양한 산업 분야에서 AI와 머신러닝 기술을 활용한 서비스 개발에 성공했다. 또한 중소벤처기업부, 창업진흥원(KISED) 및 서울과학기술대학교와 함께 진행한 글로벌 기업 협업 프로그램 ‘미라클’을 통해 선정되어, 정부와 글로벌 기업의 협력을 통해 성장을 지원받고 글로벌 시장의 진출 기회를 모색할 수 있게 됐다.     데이터 기반 e스포츠 코칭 플랫폼 ‘게임 PT’를 운영하는 게임프로는 OCI를 통해 사용자 데이터를 정밀하게 수치화하고 분석하여 맞춤형 훈련 프로그램을 혁신하는 데 성공했다. 특히 OCI의 데이터 분석 기능을 통해 작업 효율성을 높였으며, 데이터 전처리(preprocessing) 과정에서 노이즈 데이터 검토 및 불균형 데이터 처리를 위한 업/다운 샘플링 공수를 크게 줄였다. 회사는 이를 통해 기존 서비스들이 단순히 인게임(in-game) 정보에 기반한 개선점을 제안하는 데 그쳤던 한계를 넘어, 승패 상관분석 및 딥러닝 기반 추천 시스템을 활용해 정량적 맞춤형 훈련 프로그램을 개발했다. 마이크로바이옴 신약 개발 전문 스타트업인 럭스바이옴은 유전체 분석을 통해 임상 적용이 가능한 마이크로바이옴(인체 내 미생물 생태계) 소재를 신속히 발굴할 수 있는 플랫폼을 보유하고 있다. 대용량 유전체 데이터와 대사체 연계를 통한 신약 후보물질 발굴 플랫폼 운영 과정에서 기존 분석 방식은 많은 시간이 소요됐으나, OCI를 도입한 후 고성능 인프라와 AI/ML 자동화 기술을 통해 데이터 처리 속도를 10배 이상 높였다. 또한, 클라우드 기반의 확장성을 기반으로 대용량 데이터를 실시간으로 처리할 수 있는 환경을 구축하며 임상성공성이 높은 신약 후보물질의 발굴 효율성을 높였다. 해외 상품 소싱 및 관리 플랫폼 ‘키냅스’를 운영하는 레이티스트케이는 OCI 전환을 통해 현대적이고 확장 가능한 시스템 아키텍처를 구축했다. 키냅스의 상품 콘텐츠 자동화 설루션은 셀러들의 상품 등록 시간을 줄이고, AI 기반의 표준화된 상품 데이터 관리 기능을 제공한다. 특히 OCI 상의 생성형 AI 및 RAG 기술을 통해 상품 설명 생성과 키워드 추출 등 차별화된 AI 서비스를 구현했으며, 쿠버네티스 환경용 오라클 컨테이너 엔진(Oracle Container Engine for Kubernetes, OKE)  도입으로 기존 레거시 시스템을 현대화하고 클라우드 비용을 60% 절감했다. AI/빅데이터 전문 강소기업 맥케이는 생성형 AI 기술을 기반으로 맥락과 연속성을 부여한 이미지 생성 AI ‘MOAI’ 등의 설루션을 선보여 주목을 받고 있다. 맥케이는 생성형 AI 기반 서비스 운영에 필요한 고성능 GPU 및 스토리지를 확보하기 위해 OCI를 도입했으며, 합리적인 가격 옵션을 활용해 비용을 절감했다. 또한 생성형 AI 기반의 PPL(간접광고) 설루션인 reloAD 개발 및 MOAI 설루션의 고도화에 성공했다. 회사는 이를 통해 웹툰, 광고 대행사 등 다양한 분야와 성공적인 협업을 이뤄냈다고 평가했다. HR 설루션 플랫폼 기업 위솝은 소상공인 특화 HR 설루션 ‘샵솔’과 프랜차이즈 가맹점 운영관리 설루션 ‘프랜솔’을 운영 중이다. 프랜차이즈 고객사 확보 시 다수 가맹점의 직원 대량 유입으로 트래픽이 급증하는 구조에서, 고성능이면서도 비용 효율적인 클라우드 인프라가 필요했다. OCI로의 마이그레이션을 통해 클라우드 비용을 40% 절감하고 앱 성능을 개선하여 고객 만족도를 높였다. 한국오라클의 유중열 클라우드 사업부 부사장은 “이번 미라클 프로그램에 참여한 스타트업들의 OCI 도입 성공 사례는 오라클이 단순한 기술 제공을 넘어, AI와 데이터 중심의 혁신을 촉진하고 국내 유망 스타트업의 기술 경쟁력을 한 단계 끌어올리는 데 중요한 역할을 하고 있음을 보여준다”면서, “오라클은 안정적인 고성능 클라우드 인프라와 차별화된 기술력을 통해 앞으로도 유망한 AI 스타트업의 핵심 파트너로서 혁신 생태계를 확장해 나갈 것”이라고 말했다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (16)   터보 기계는 흐르는 유체와 회전하는 요소 사이에서 에너지 전달이 일어나는 기계에 초점을 맞춘 기계공학의 한 분야이다. 이러한 장치는 많은 산업 분야에서 중추적인 역할을 한다.이번 호에서는 지오메트리 준비를 위한 팁과 메시의 생성/변형/세분화에 대한 내용을 소개한다.    ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   효과적인 지오메트리 준비를 위한 팁 지오메트리 생성 후에는 안정적인 터보 기계 시뮬레이션을 달성하기 위해 효과적인 모델 준비가 필수이다. 이 프로세스를 관리하는 데 도움이 되는 팁을 다음과 같이 소개한다.  지오메트리 정리 및 수리 : CAD 모델에서 틈새, 겹침 또는 중복된 가장자리를 복구한다. 양질의 메시를 생성하려면 깨끗하고 빈틈없는 지오메트리가 필요하다.  메시 최적화 : 날카로운 모서리나 모서리에 필렛을 추가하고 지오메트리를 분할하여 로컬 메시를 세분화할 수 있도록 한다.  가능한 경우 단순화 : 연구 중인 유동 물리학에 필수적이지 않은 작은 피처와 디테일을 제거한다.  매개변수화 : 설계 연구를 위해 치수를 쉽게 변경할 수 있도록 지오메트리를 매개변수화한다. 이러한 팁을 따르면 엔지니어는 터보 기계 형상이 최고 수준의 표준에 맞게 준비되었다고 확신할 수 있다.   메시 생성 지오메트리 생성 및 준비 외에도 전처리에는 복잡한 형상을 위한 메시 생성이 포함되며, 이는 종종 터보 기계 CFD 워크플로의 병목 현상이 된다. 터보 기계 구성 요소의 복잡성과 작동의 동적 특성으로 인해, 정확한 시뮬레이션 결과를 얻기 위해서는 정밀하고 잘 구성된 메시가 필요하다. 자동화 및 템플릿 기반 접근 방식을 활용하면 이 단계의 효율성을 높이고 전반적인 생산성을 높일 수 있다.   메시 생성의 기본 사항 메시 생성은 계산 영역을 셀 또는 요소라고 하는 작은 영역으로 세분화하여 그 위에 지배 방정식을 푸는 프로세스이다. 잘 구성된 그리드는 필수적인 흐름 특징과 물리적 현상을 포착하는 정확하고 효율적인 터보 기계 시뮬레이션을 보장한다. [참고] 피델리티 오토메시를 통한 향상된 터보 기계 메싱 피델리티 오토메시(Fidelity Automesh) 소프트웨어 패키지는 회전 기계 메싱을 위한 툴로, 피델리티 오토그리드를 통한 자동화된 멀티블록 구조형 메싱과 피델리티 헥스프레스를 통한 비정형 메싱 기능을 제공한다. 모든 유형의 터보 기계 애플리케이션을 위한 템플릿을 갖춘 이 설루션은 메시 프로세스를 간소화하여 복잡한 지오메트리를 손쉽게 처리하고 고품질 메시를 빠른 시간 내에 제공한다. 피델리티 오토메시로 시뮬레이션 워크플로를 가속화하여 설계 혁신과 최적화에 집중할 수 있다.   그림 1. (a) 풍력 터빈의 구조화된 메시, (b) 로터 블레이드 팁의 하이브리드 메시   메시 유형 터보 기계 시뮬레이션에 사용되는 주요 메시 유형과 기법은 다음과 같다.  Structured : 일정한 간격의 그리드 포인트로 구성된 구조화된 메시(그림 1-a)는 일관된 패턴을 사용하며, 종종 격자형 구조와 유사하다. 예측 가능한 흐름 패턴이 있는 영역에서는 고품질 해상도를 제공하지만, 복잡한 지오메트리에서는 구현하기가 어려울 수 있다.  멀티블록 : 계산 도메인은 구조화된 격자로 개별적으로 메시 처리된 여러 개의 간단한 블록으로 나뉜다. 이 방법을 사용하면 복잡한 도형에 대해 국소적인 세분화가 용이하고 그리드를 쉽게 생성할 수 있다.  Unstructured : 이러한 메시는 불규칙한 패턴으로 구성되며 2D에서는 삼각형, 3D에서는 사면체로 구성되는 경우가 많다. 복잡한 형상에 적합한 비정형 메시는 복잡한 모델에 쉽게 적용할 수 있지만, 중요한 흐름 영역에서 해상도가 저하되는 경우가 있다.  Hybrid : 구조화된 메시와 구조화되지 않은 메시의 장점을 결합한 하이브리드 메시(그림 1-b)는 경계 레이어와 같이 더 높은 해상도가 필요한 영역에는 구조화된 그리드를 사용하고, 복잡한 기하학적 영역에는 구조화되지 않은 그리드를 사용한다.  Conformal : 이 기술은 지오메트리의 여러 부분에 걸쳐 메시가 연속되도록 하여 인접한 메시 블록 사이의 간격과 중첩을 제거한다. 컴프레서나 터빈의 블레이드와 같이 간격이 좁은 구성 요소 사이의 흐름을 정확하게 캡처하는 데에 필수이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

금속 적층제조의 최적화를 위한 앤시스 애디티브   이번 호에서는 금속 적층제조 공정의 파라미터 최적화 단계에서 활용할 수 있는 앤시스 애디티브(Ansys Additive)의 다양한 기능에 대해 소개하고자 한다.   ■ 박준혁 원에이엠 DfAM 팀의 선임연구원으로, 적층제조 특화 설계 업무를 담당하고 있다. 홈페이지 | www.oneam.co.kr   금속 적층제조(AM) 기법에서 공정 최적화 작업은 가변 가능한 파라미터 변수가 많아 최적화에 상당히 많은 시간과 비용이 소요된다. 앤시스 애디티브는 이러한 애로 사항을 개선하고자 직관적으로 적층 중 발생하는 변형 및 블레이드 크래시(blade crash)를 사전 예측하여 적층 실패를 줄여주는 애디티브 프린트(Additive Print) 기능과 single bead, porosity, microstructure 해석을 통해 효율적으로 공정 파라미터 최적화 작업을 수행할 수 있는 애디티브 사이언스(Additive Science) 기능을 제공한다.  이번 호에서는 금속 적층된 Al 합금의 single bead 해석을 통한 single bead 품질 안정영역 확보, porosity 해석을 통한 Hatch Distance 영역 확보, 마지막으로 microstructure 해석을 통한 소재 물성이 우수한 공정 파라미터 영역을 확보하는 방법 등 애디티브 사이언스의 기능에 대해 소개한다. 그리고, 해석 결과를 통해 통해 애디티브 사이언스를 활용하는 방안에 대해 소개하고자 한다.   금속 적층제조의 파라미터 해석을 위한 시뮬레이션 금속 적층제조 시장이 성장함에 따라 금속 적층제조 파라미터를 해석하기 위한 시뮬레이션 시장도 같이 성장하고 있다. 이번 호에서 활용하는 장비는 금속 적층제조 장비 시장의 70% 이상을 차지하는 L-PBF(Laser-Powder Bed Fusion) 방식으로, <그림 1>과 같이 분말을 한층 깔고 그 위로 선택적 레이저 조사를 통해 응고한 뒤 다시 분말을 한 층 더 도포하는 작업을 반복하여 제품을 생산하며, SLM(Selective Laser Melting)이라고도 부른다. 이 공정은 이러한 3차원 적층물 제작에 대해 기구적으로 명확한 메커니즘을 차용하고 있어, 공정 파라미터 최적화 및 변형에 대한 시뮬레이션을 적용하고자 하는 시도가 증가하는 추세이다.   그림 1. PBF(Powder bed fusion) 모식도   앤시스 애디티브는 크게 두 가지의 활용도를 갖는다. 첫 번째로 금속 적층제조에 대하여 미시적인 영역에서 공정 파라미터가 적층 제조물의 single bead, porosity, microstructure에 미치는 영향을 해석하는 애디티브 사이언스 기능이다. 이 해석 툴은 최소한의 실험을 통하여 직접 제조하지 않고도 해당 파라미터에서의 제조 품질을 예측할 수 있어, 적층제조 공정 최적화를 목표로 활용된다. 두 번째는 애디티브 프린트로, 거시적인 영역에서 적층 제조물의 잔류응력, 제조 중의 변형 예측, Blade Crash를 해석하고 이에 따른 보상 모델을 도출 및 서포트 보강을 통한 적층제조 안정성 확보에 목적이 있다. 애디티브 사이언스 기능은 시편 제조, 측정 및 해석 툴 활용 면에서 다양한 팩터(factor)를 제시하므로 전문 엔지니어에게 추천하며, 애디티브 프린트는 빠른 경향 분석 및 서포트 추가 등 한 번의 적층에 대한 안정성을 높이는데 적합하여 필드 엔지니어에게 사용을 권장한다. 기존 금속 적층제조 공정 파라미터 최적화를 수행하기 위한 시험은 <그림 2>와 같이 시편 제작부터 최종 단계인 광학 현미경 분석에 이르기까지 문헌에 의거한 파라미터 범위 선정, 시편 제작, 시편 절단. Polishing, Etching 등 복잡한 전처리 과정이 수반된다.    그림 2. 적층 공정 파라미터 분석 절차     ■ 자세한 기사 내용은 PDF로 제공됩니다.

매스웍스는 국내 대학생들의 인공지능(AI) 기술 활용 능력 개발을 지원하는 ‘제4회 매트랩 대학생 AI 경진대회’ 수상자를 발표했다. 많은 학생들이 뛰어난 기술 역량과 창의성을 기반으로 매트랩(MATLAB)을 활용한 AI 모델을 구현한 가운데 부산대학교 전기전자공학과 학생들로 구성된 ‘전지적 레이더 시점’ 팀이 최우수상을 수상했다. 2021년에 시작된 ‘매트랩 대학생 AI 경진대회’는 매년 국내 대학생들의 AI 기술 활용 능력과 전문 분야별 경쟁력 강화를 지원해 왔다. 올해 참가자들은 1인 가구, 고령화, 교통, 환경 등 사회 변화에 대응하는 시의성 높은 프로젝트를 제출했다. 또한 다수의 참가자들이 AI를 활용해 사회 문제를 해결할 수 있는 효과적인 솔루션을 제시하며 실질적 응용 가능성과 기술적 우수성을 동시에 선보였다.  매스웍스코리아의 김경록 교육 기관 세일즈 매니저는 “이번 대회의 참가자들은 사회적 약자 지원, 교통 안전, 기후 대응 등 사회적 가치를 창출할 수 있는 다양한 프로젝트를 제출했다”면서, “매스웍스의 소프트웨어를 활용해 완성도를 높이고, 최근 공학 분야 트렌드에 맞춰 AI기술을 적극 활용한 아이디어를 제시한 점이 고무적이었다”고 말했다.     부산대학교 전지적 레이더 시점팀(전민욱, 박나윤, 신다민, 박도현, 김연호)은 노년층이나 보행이 불편한 사람들의 안전한 일상을 지원하는 ‘낙상 감지를 위한 레이더 기반 인간 행동 인식 시스템’으로 1등상을 수상했다. 학생들은 매트랩을 활용해 데이터 준비에서부터 하드웨어 배포까지 AI 모델링 워크플로의 전 영역에서 우수한 성과를 도출했다. 또한, 부산대 팀은 AI 모델 성능 향상을 위해 직접 실험을 통해 데이터를 수집하고, 입력 훈련 데이터와 비슷한 특징을 갖는 데이터를 생성할 수 있는 조건부 생성적 적대 신경망(CGAN)이라는 생성형 AI 모델을 활용해 데이터 불균형 문제를 해결했다. 심사단은 프로젝트에서 고안된 LED 점등 및 문자 메시지 전송 기능을 고령화로 인해 증가한 노인 낙상 사고에 대응할 수 있는 참신한 아이디어라고 평가했다. 전지적 레이더 시점팀의 전민욱 대표는 “매트랩이 제공하는 다양한 툴박스를 활용해 레이더 신호의 전처리와 데이터 분석을 효과적으로 수행하고, 복잡한 딥러닝 프로세스를 보다 직관적으로 다룰 수 있었다”면서, “특히 매트랩의 다양한 신경망 코드를 활용해 복잡한 신경망 모델을 쉽게 적용할 수 있어 큰 도움을 받았다”고 말했다. 2등 상을 수상한 세종대학교 기계항공우주공학부 학생들로 구성된 AIV팀(정진영, 윤정호)은 시뮬링크(Simulink)와 다양한 툴박스를 활용해 강화학습 기반의 로봇 회피 제어 모델을 구현해 로봇의 주행 안전성과 실내 환경 적응 능력을 입증했다. 해당 모델은 청소기, 서빙 로봇 등 스마트 AI 로봇 개발에 활용 가능할 것으로 기대된다. 3등 상을 수상한 한국기술교육대학교 메카트로닉스공학부 생산시스템전공생들로 구성된 AIM LAM팀(김호진, 박지원)은 1차원 컨벌루션(1D-Convolution) 모델을 사용해 리니어 모션(LM) 가이드의 고장을 효과적으로 검출하는 시스템을 개발했다. 출품작은 설명가능한 인공지능(Explainable AI)을 적용해 개발 완성도를 높였으며, 단순한 구조로 모델을 개발해 속도성과 유지보수 측면에서 산업 현장에 적용 가능성이 매우 높다는 차별점을 갖췄다. 매스웍스코리아의 이종민 대표는 “매스웍스는 대학생들이 참여할 수 있는 다양한 경진대회를 주최 및 후원하며 국내 공학 계열의 미래 인재를 양성하는 데에 지속적인 노력을 쏟고 있다”면서, “매스웍스 주최의 대학생 AI 경진대회에서 국내 대학생들의 혁신적인 기술 아이디어와 실용성 높은 프로젝트를 통해 매트랩 및 시뮬링크에 대한 높은 이해도를 확인하게 되어 기쁘다”고 말했다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (14)   항공 음향학은 난류 유체 운동 또는 표면과 공기역학적 힘의 상호작용으로 인한 소음 발생을 연구하는 학문이다. 이번 호에서는 효과적인 항공 음향 시뮬레이션을 위한 전략과 실제 사례에 대해 살펴본다.    ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   경계 및 초기 조건 지오메트리 및 메시 프로세스에 이어 음파가 반사되지 않고 빠져나갈 수 있는 경계를 지정한다. 일반적인 방법으로는 변수를 감쇠시켜 경계 반사를 방지하는 스펀지 레이어 또는 파동을 기하급수적으로 감쇠시키는 비반사 레이어인 PML(Perfectly Matched Layers : 완벽하게 일치하는 레이어)이 있다. 그런 다음 흐름 시나리오에 따라 유입, 유출, 벽 및 기타 조건을 설정한다. 시뮬레이션 유형에 따라 초기 흐름 또는 노이즈 필드를 제공해야 할 수도 있다.   솔버 선택 솔루션 전략은 문제의 복잡성, 원하는 정확도, 사용 가능한 리소스에 따라 선택해야 한다. 케이던스의 피델리티 찰스(Fidelity CharLES)는 시간 의존적인 간접 LES(Large Eddy Simulation) 방법론을 활용한다. 이러한 과도 시뮬레이션의 경우 가장 높은 관심 주파수를 포착하는 시간 간격을 선택하여 시간적 해상도가 충분한지 확인한다.   음향 유추 및 소스 올바른 음향 모델을 사용하는 것은 항공 음향 시뮬레이션의 정확성과 신뢰성을 위한 기본이다. 적절한 음향 유추는 소음원의 특성과 문제의 특정 요구 사항에 따라 결정되는 경우가 많다. 따라서 시뮬레이션에 올바른 소스 조건을 통합하는 것은 소음 발생으로 이어지는 물리적 현상을 나타내므로 매우 중요하다. 일부 시뮬레이션, 특히 직접 방법론(direct methods)을 사용하는 시뮬레이션에서는 와류 방출 또는 경계층 상호 작용과 같은 물리적 프로세스를 나타내는 명시적인 소스를 도입해야 할 수도 있다. 간접 방법에서는 소스 조건이 계산된 유동장에서 파생되는 경우가 많다. 예를 들어, 난류 통계는 RANS(Reynolds Averaged Navier-Stokes) 시뮬레이션에서 추출한 다음 항공 음향학적 유추에서 소스 조건으로 사용할 수 있다. 이러한 소스 용어가 작용하는 위치를 정확하게 정의하는 것이 중요하다. 회전하는 기계와 관련된 시나리오에서는 블레이드에 가까운 영역이 주요 소스 영역으로 지정될 수 있다.   후처리와 최적화 항공 음향 시뮬레이션을 수행하려면 전처리 및 시뮬레이션 단계만큼이나 후처리 및 최적화 단계도 중요하다. 계산이 완료되면 방대한 데이터 세트가 기다리고 있다. 피델리티 찰스는 시뮬레이션 데이터에 숨겨진 의미 있는 정보를 추출하는 데에 도움이 되도록 다음과 같은 후처리 도구를 제공하며, 모두 한 가지 목표를 염두에 두고 설계되었다. Quantitative Imaging : 시뮬레이션에서 직접 정량적 PNG 이미지를 생성한다. Modal Decomposition : 흐름과 음향 필드를 개별 모드로 분해한다. Ffowcs Williams-Hawkings Acoustic Predictions : 원거리 데이터에서 근거리 소음을 예측한다.   그림 1. 효율적인 초음속 비행체(ESAV)의 마하수 윤곽선 플롯   피델리티 찰스는 데이터 분석 기능을 제공할 뿐만 아니라 <그림 1>에 표시된 것처럼 시뮬레이션 데이터에 생명을 불어넣는 플롯, 등고선 지도, 그래픽 표현과 같은 고급 시각화 도구도 제공한다. 등고선 및 표면 플롯을 통해 압력 및 속도 필드에 대한 인사이트를 얻어 흐름 특징과 노이즈 원인을 정확히 파악할 수 있다. 스펙트로그램과 주파수 플롯을 사용하면 공명하는 톤 사운드와 혼란스러운 광대역 노이즈를 구분하는 데에 도움이 될 수 있다. 파티클 추적과 유선형 플롯은 난류 구조, 와류 및 기타 노이즈 생성 현상에 대한 그림을 그리는 또 다른 깊이 있는 레이어를 추가한다. 더 자세히 살펴보면, 특정 작업이나 프로세스를 사용자 지정 및 자동화하고, 변수 및 방정식을 생성하여 음압 레벨(SPL : Sound Pressure Level) 또는 난기류 강도 등 파생된 수치를 계산하여 시각적 인사이트를 정량화하기 위한 파이썬 API(Python API)와 내장 식 평가기를 찾을 수 있다. SPL과 같은 지표는 음향 핫스팟을 강조하며, 전체 음압 레벨(OASPL : Overall Sound Pressure Level)은 지정된 주파수 범위의 총 SPL을 측정한 값이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

시뮤텐스 소프트웨어를 활용한 복합소재 해석 (5)   아바쿠스(Abaqus)용 추가 기능인 시뮤체인(SimuChain)은 가상 프로세스 체인을 생성하고 구조 시뮬레이션에서 제조 효과를 고려할 수 있도록 해준다. 준정적 하중 조건에서 비선형 재료 모델링을 포함한 불연속 섬유(SMC, LFT, GMT) 및 연속 섬유 강화 복합재에 대한 구조 해석을 지원한다.   ■ 자료 제공 : 씨투이에스코리아, www.c2eskorea.com   시뮤체인의 Abaqus/CAE 애드온을 사용하면 몰드플로우, 시뮤드레이프(SimuDrape), 시뮤필(SimuFill) 등의 공정 시뮬레이션에서 내보낸 데이터의 전처리는 물론 불연속 섬유에 대한 균질화 및 클러스터된 재료 카드와 연속 섬유 강화 복합재를 위한 복합재 레이업 생성이 가능하다. 아바쿠스 파이썬 API를 통해 시뮤체인 백엔드를 호출할 수 있어 자신만의 스크립트 및 모델 자동화를 구현할 수 있다. 메시오 백포트(Meshio Backport)를 통한 데이터 평가와 MpCCI MapLib을 통한 이산화된 데이터 매핑이 포함된다.   시뮤체인의 주요 기능 매핑     시뮤체인은 MpCCI MapLib을 사용하여 메시 간 스칼라, 벡터 및 텐서를 매핑함으로써 복합재 성형 시뮬레이션을 통해 예측된 국부적인 섬유 배향과 같은 제조 효과를 구조 시뮬레이션에 전달될 수 있다.   균질화     압축 및 사출 성형 시뮬레이션을 통해 유동으로 인한 국지적 섬유 배향을 예측할 수 있다. 시뮤체인은 국지적 섬유 방향을 구조 시뮬레이션(FEA) 메시에 매핑 후 효과적인 재료 특성을 균질화 및 클러스터화한다. 이를 위해서는 섬유, 매트릭스 및 복합재의 특성에 대한 정의가 필요하다. 이를 통해 유동으로 인한 불연속 섬유 소재에 대한 열적 및 기계적 특성의 국부 이방성을 고려할 수 있다.    비선형 소재 모델링     복합재 구조물의 가상 설계에는 점탄성, 가소성, 파손 등을 포함한 비선형 소재 모델링이 필요한 경우가 많다. 따라서 필요한 소재 특성화를 포함하여 준정적 하중 조건에서 비선형 소재 모델링을 지원한다.    복합재 레이어     복합재 포밍(forming)은 국부적인 섬유 배향의 변화를 유도함으로 포밍 시뮬레이션인 시뮤드레이프를 통해 레이어별로 적층된 라미네이트의 섬유 방향을 예측할 수 있다. 시뮤체인을 사용하면 국부적 섬유 방향을 구조 시뮬레이션(FEA)의 메시와 복합재 레이업으로 매핑하고, 국부적 이방성을 고려하여 복합재 라미네이트의 기계적 동작을 효율적으로 모델링할 수 있다.   데이터 처리     시뮤체인을 사용하면 사출 성형 CAE 해석 툴(몰드플로우)에서 내보낸 데이터를 중립 파일 형식인 VTK로 변환할 수 있으며, 오픈소스 소프트웨어인 파라뷰(Paraview)에서 시각화하고 파이썬 패키지 메시오(Meshio)를 통해 처리할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.