CAE 기술은 제조 공정의 정확도와 안전성을 높여 산업 전반의 혁신을 이끌고 있다. 이와 관련해, 지난 2025년 11월 진행된 ‘CAE 콘퍼런스 2025’에서는 복잡한 물리 현상을 극복하고 설계의 신뢰성을 극대화하기 위한 최신 기술적 성과가 공유되었다. 이번 호에서는 ‘CAE 콘퍼런스 2025’에서 발표된 내용을 중심으로, 인공지능(AI)을 활용해 불확실성을 정량적으로 관리하고 무결점 설계를 지향하는 신뢰성 기반 최적설계 및 GPU 컴퓨팅을 기반으로 한 입자 유동 해석 기술의 진화에 대해 소개한다.   (아래 기사 제목을 클릭하면 해당 기사의 내용을 확인할 수 있습니다.)   RBDO, 데이터 시대에 무결점 설계를 향해 / 최병열 입자 기반 다중물리 해석 설루션의 개발과 진화 / 서인수

설계, 데이터로 다시 쓰다 (4)   ‘Hello World’는 프로그래밍 언어를 처음 배울 때 접하는 예제의 전형적인 출력 메시지이다. 이번 호에서는 연재의 마지막 회로, 데이터 기반 설계 프로세스를 기업에 도입하기 위한 3단계 절차를 ‘Hello World’에 빗대어 설명한다. 작은 문제부터 시작해 성능지수와 설계변수를 검증하고, 베스트 프랙티스를 벤치마킹하여 실무 적용 가능성을 확인한 뒤, 시뮬레이션 및 보고서 작성을 자동화하여 업무 효율을 극대화하는 방안을 살펴보고자 한다.   ■ 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. 홈페이지 | www.pidotech.com   데이터 기반의 설계 프로세스를 도입하는 기업에서는 다음의 3단계 절차를 따라하는 것을 추천한다. 첫 번째 단계는 ‘작은 문제로 시작하기’이다. 이윤을 추구해야 하는 기업에서 아무리 좋은 이론이나 방법론도 맞지 않으면 의미가 없다. 방법론이 효과가 있을지 작은 문제부터 시작해서 검증하는 것이 중요하다. 두 번째 단계는 ‘따라하기’이다. 경쟁사나 유사한 분야의 베스트 프랙티스를 따라해 보는 것이다. 절차는 이미 첫 번째 단계에서 진행해 보았으니 문제 구성과 데이터 생성에 신경을 쓰면 된다. 여기까지 진행되었으면, 방법론과 우리 분야에 적용 가능성 검증이 완료되었다고 볼 수 있다. 다음 단계는 실무 적용을 위한 ‘자동화하기’이다. 효과가 확인되었으니 프로세스로 적용하기 위해서 데이터 생성 및 분석 과정에 투입되는 M/H를 최소화하여 현업에서 활용 가능한 수준까지 적용 범위를 확대한다.   작은 문제로 시작하기 성능지수부터 고려한다   그림 1. 성능지수 고르기(1단계)   엔지니어들은 최종 산출물을 염두에 두고 업무를 진행하는 경우가 많다. 자연스레 최종 산출물의 모습을 상상하듯 최적설계 산출물의 모습도 그려 낼 수 있다. ‘내가 원하는 최적해는 이런 조건을 만족했으면 좋겠다’라는 것이 그려지는 시기이다. 아주 명확한 최소한의 성능지수만 포함하면 좋겠지만, 영향을 받아서 함께 고려해야 할 성능지수는 포함시키는 것이 좋다. 가장 중요하다고 판단되는 성능지수 1~2개를 목적함수로 정의하고, 나머지 성능지수는 구속조건으로 정의한다. 물론 목적함수로 선택한 성능지수를 구속조건으로 중복 선택해도 된다. 목적함수는 ‘어떤 방향이었으면 좋겠다’는 의미이고, 구속조건은 ‘어떤 범위 안에만 들어오면 된다’는 의미이므로 중복 선택은 두 가지 효과를 동시에 누리겠다는 의미가 된다. 구속조건의 범위는 조금 여유 있게 정의하는 것이 좋다. 처음부터 너무 타이트하게 범위를 정의하면 모든 구속조건을 동시에 만족하는 설루션이 없는 경우에 후속 조치에 대한 힌트를 얻기 어렵다. 예측모델로 최적설계를 수행하면 중요한 구속조건 범위를 반복적으로 조금씩 좁혀가며 탐색해 볼 수도 있고, 그에 따른 설루션의 경향도 파악할 수 있게 된다.   성능지수에 영향이 있을만한 설계변수를 추가한다   그림 2. 성능지수에 영향을 줄만한 설계변수 선택하기(2단계)   엔지니어의 경험이 중요한 시점이다. 개선하고자 하는 성능지수를 좌우할 만큼 영향력이 큰 설계변수를 찾아내야 한다. 최소 개수로 최대 효과를 얻는 것이 목표이다. 개선해야 할 성능지수가 많을수록 많은 설계변수가 필요하다. 설계변수가 많을수록 최적설계에 소요되는 비용(시간과 데이터)이 증가한다. 다음 단계에서 불필요한 설계변수를 탈락시키는 스크리닝(screening) 과정을 거칠 여유가 있다면, 조금이라도 영향이 있을법한 설계변수를 일단 포함시켜도 된다. 어차피 스크리닝 단계에서 경험이 아닌 데이터를 근거로 불필요한 설계변수는 제거될 수 있다.   민감도 분석을 통해 중요한 설계변수를 골라낸다   그림 3. 중요한 설계변수 선별하기(3단계)   스크리닝하기 전, 설계변수의 개수가 10개 이내면 100개 내외의 실험계획법으로 짜인 데이터로 민감도 분석을 시도해 볼 수 있다. 하지만 설계변수 개수가 그 이상 증가하게 되면 실험계획법을 이용하기 위한 데이터 개수가 급증하기 때문에 현실적으로 어려울 수 있다. 엔지니어링은 확률과의 싸움이다. 많은 데이터를 갖고 분석하는 것이 유리하지만 현실적으로 어려움이 있는 경우에는 적은 데이터로 확률이 높은 쪽에 배팅을 해야 한다. 확률적으로 엔지니어링 문제의 반 이상은 교호작용(interaction : 서로 다른 설계변수의 경향성이 설계점에 따라 바뀌는 현상)이 크지 않다고 보면, 적은 데이터로 주효과(main effect : 다른 설계변수와의 연관된 효과를 제거한 해당 설계변수만의 효과)만으로 스크리닝을 수행하는 것도 현실적으로 타당한 방안이다. 주효과를 파악하는 용도로 다른 설계변수의 값은 고정한 채, 분석할 설계변수 1개씩 값을 바꿔가며 경향을 보는 1D 파라미터 스터디(1D parametric study)를 주로 활용한다.     ■ 기사의 상세 내용은 PDF로 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.

설계, 데이터로 다시 쓰다 (3)   데이터 보기를 황금처럼 봐야 할 시대가 왔다. 데이터를 활용해서 상상으로만 그리던 일이 현실이 되어가기에 너도나도 데이터를 모으기 시작했다. 이토록 소중한 데이터이기에 허투루 만들 수 없다. 좀 더 영리하고 전략적으로 접근할 필요가 있다. 이번 호에서는 데이터 생성을 위해 어떤 전략이 필요하고, 전략적으로 생성된 데이터가 어떤 활용 가치가 있는 지 설명하고자 한다.   ■ 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. 홈페이지 | www.pidotech.com   어떻게 확보할 것인가? 데이터는 돈이다 CFD(Computer Fluid Dynamics : 전산유체역학)가 무엇의 약자일까? 한번은 유동 분야의 저명하신 교수님께서 하신 농담이 기억이 난다. ‘Colorful Fluid Dynamics’라고 말이다. 유동 시뮬레이션 결과가 시각적으로 화려하다는 의미로 하신 농담이었지만 곰곰히 생각해 보면 시뮬레이션의 효과를 누리지 않는다면 단지 보고서 한 켠을 채우는 컬러풀한 그림이 될 수도 있겠다는 생각이 든다. VP(Virtual Prototyping : 가상 프로토타이핑)를 위해 구조, 열유체, 동역학, 제어 등의 다양한 분야의 CAE 소프트웨어를 도입하고 있다. CAE 소프트웨어를 통해 하나의 데이터를 생성해 내기 위해서는 해석 모델링부터 솔빙(solving), 결과 분석에 이르기까지 소프트웨어와 하드웨어 리소스를 활용해야 함은 물론 해석 전문가의 공수(M/H)도 투입되어야 하기에 상당한 비용이 든다고 볼 수 있다. 학회를 다녀보면 최적설계라는 타이틀의 논문 발표가 종종 있다. 실제로 최적화 알고리즘을 적용해서 최적해 탐색까지 도달하는 사례도 있는 반면, 1개 내지 2개의 설계변수 값을 바꿔가며 성능의 경향을 보고 성능이 가장 좋아지는 설계변수 값을 택하면서 최적설계를 했다고 하는 경우도 있다.(학문적으로는 1D 파라메트릭 스터디라고 부른다.) 하지만, 최적설계를 제대로 했든 안 했든 시뮬레이션으로부터 얻은 데이터로 설계 개선이라는 목적에 맞게 데이터를 활용했다는 점은 가치를 인정받을 만하다. 성능 평가를 위해 필요한 데이터는 한 개(시뮬레이션 1회)이다. 설계변수의 효과를 파악하기 위한 최소의 데이터 개수는 설계변수 개수에 1개의 데이터가 필요하다. 특정 설계변수의 경향을 파악하고 싶다면, 해당 설계변수의 범위를 구간으로 나누어 데이터를 뽑아 볼 수 있다. 현실적으로 설계변수는 여러 개가 존재하고 설계변수의 조합으로 성능이 개선되는 경우가 대부분이라서, 개별 설계변수의 효과를 보는 방식보다 설계변수들의 효과를 동시에 고려할 수 있는 데이터 샘플링 방법이 필요하다.   실험계획법이란 여러 개의 설계변수 효과를 동시에 고려하기 위해 활용되는 것이 실험계획법(DOE : Design of Experiments)이다. 실험계획법은 농업과 통계학의 만남으로 1920년대부터 사용되었다. 영국의 통계학자이나 생물학자인 로널드 A. 피셔가 창시자로 알려져 있다. 작물 수확량을 높이기 위한 실험을 진행하면서 단순한 반복보다 많은 정보를 획득할 수 있게 실험을 설계할 필요가 있었다. 실험계획법에 대한 피셔의 재미있는 일화가 있다. 그 당시 영국 사람들은 밀크티에 차와 우유를 따르는 순서로 맛의 차이가 있다 없다의 논쟁을 펼쳤다. 이에 논쟁의 결론을 내리기 위해 피셔는 다음과 같은 실험을 계획하였다.   그림 1. 실험계획법의 일화 – 차를 맛보는 여인(출처 : ChatGPT)   실험은 이렇다. 피셔는 8잔의 밀크티를 준비하였고 4잔은 차를 먼저, 나머지 4잔은 우유를 먼저 따랐다. 나머지 실험조건은 동일하게 하기 위해 같은 찻잔을 사용했고, 랜덤으로 여인에게 차를 맛보게 했다. 밀크티를 모두 마신 뒤 차를 먼저 따랐다고 판단되는 찻잔 4개를 선택하게 하였다. 이 실험 결과를 토대로 피셔는 차를 먼저 따른 밀크티의 개수(0~4) 별로 확률을 계산해 낼 수 있었다. 참고로, 이 실험의 결과 여인이 정확하게 4잔(차를 먼저 따른 밀크티)을 모두 골라냈다고 한다. 2차 세계대전 이후 품질 관리를 위해 실험계획법이 미국 제조업에 도입되었고, 1950년대 이후부터 다구치 겐이치가 강건설계의 개념과 함께 일본 제조업에 널리 적용하였다. 실험계획법은 경제성의 원칙과 궤를 함께 한다. 최소한의 데이터로 최대 효과를 얻겠다는 것이다. 실험계획법에는 다양한 기법이 존재하며, 대표적으로 FFD(Full Factorial Design : 완전조합법)와 LHD(Latin Hypercube Design)를 예로 들 수 있다. FFD는 주로 실제 실험에 많이 활용되었고, LHD는 시뮬레이션 기술이 발달함에 따라 전산 실험에 널리 활용되었다.   (a) FFD   (b) LHD 그림 2. 실험계획법의 종류   어떻게 활용할 것인가? 옥석 가리기 많은 최적설계 관련 연구나 논문을 검토하면서 공통적으로 파악되는 프로세스가 있다. 데이터도 돈이지만 설계 프로세스가 더 많은 데이터를 필요로 하는 이유는 설계변수 때문이다. 즉, 설계변수도 돈이다. 설계변수는 내가 개선하고자 하는 성능지수를 컨트롤할 수 있는 수단이기 때문에 많으면 많을수록 유리하겠지만, 현실적으로 가성비를 따져보지 않을 수 없다. 결론은 많은 설계변수 중 옥석을 가려내야만 한다. 적으면 적을수록 적은 데이터가 필요하므로 가성비가 올라가기 때문이다. 설계변수의 옥석을 가리기 위해 주로 사용되는 것이 민감도(sensitivity)이다. 민감도는 설계변수 변화에 따른 성능지수(목적함수나 구속조건)의 변화를 나타내는 기울기로 표현된다. 그 기울기가 크면 클수록 설계변수의 민감도가 커진다. 즉 설계변수를 조금만 변경해도 성능지수 값을 많이 변경시킬 수 있다는 의미이다. 민감도를 계산할 수 있는 다양한 방법이 존재한다. 다양한 방법이 존재한다는 의미는 각기 장단점을 가진다는 것이다. 크게는 국부 민감도(local sensitivity)와 전역 민감도(global sensitivity)로 나눌 수 있다. 현재 설계점에서 국한해서 설계변수의 민감도를 보는 것이 국부 민감도이고, 전체 설계 영역에서 성능지수에 미치는 영향을 통계적으로 분석하는 것이 전역 민감도이다. 당연히 전역 민감도가 많은 데이터를 필요로 한다. 통상적으로 어느정도 데이터를 확보할 수 있는 경우라면, 실험계획법으로 확보된 데이터로 전역 민감도 분석을 통해 설계변수의 옥석을 가리는 경우가 많다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

설계, 데이터로 다시 쓰다 (2)   머뭇거릴 틈이 없다. 우리가 디지털 전환에 적응할 때쯤 선두 그룹은 벌써 AI(인공지능) 시대를 대비하고 있다. AI 전문가들도 과거 수십년 간의 성장보다 최근 몇 년의 급속한 발전에 놀라면서도 이제는 예측하기 어려운 속도에 두려워하기까지 한다. 이번 호에서는 AI 시대를 맞이하기 위해 우리가 준비해야 할 것이 무엇인지 알아보고자 한다.    ■ 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. 홈페이지 | www.pidotech.com   DX와 AX 지난 호에서 소개한 ‘중국제조 2025’ 정책에서 볼 수 있듯이, 향후 제조업의 성공 가능성을 높이는 방안 중 하나는 예측 기술의 발전이다. 강력한 드라이빙 포스(driving force)가 선진 기업에 적용되는 시뮬레이션, 데이터 생성 시스템, 최적설계 등의 효율적인 설계 프로세스를 구축할 수 있게 주도하였고, 인적, 물적, 정책적 지원을 뒷받침하면서 단숨에 AX(AI 전환)를 이끄는 선두 그룹에 탑승할 수 있는 기회를 제공하였다. 전통적인 개발 방식의 기업들이 도태되는 현실에서, 선두 그룹의 기업들은 DX(디지털 전환)에서 AX로의 전환을 신속하게 추진하고 있다. 뒤쳐져 있는 산업 구조를 재편할 수 있는 기회이지만 외면하면 경쟁에서 사라질 수도 있다는 위기감을 이들 기업은 명심하고 있다. 즉, 따라잡지 못하면 사라진다.    DX란? AX란? DX는 ‘디지털 전환’을 의미하고, 가상 프로토타이핑(Virtual Prototyping : VP)은 DX를 실행하기 위한 핵심 수단이 된다. 실제 물리적으로 손에 잡히는 것으로 측정하고 평가하던 방식(physical prototyping)을 가상의 공간에서 대체하는 방식으로 바뀌는 혁신이 이루어지고 있다. AX란 ‘AI transformation’의 약자로, 데이터 중심의 산업 변환을 의미한다. 엔지니어링의 핵심 가치는 예측하는 것이다. 현재 설계 안의 성능을 예측하고, 불량 가능성을 예측한다. DX 시대에서는 디지털 모델을 예측 도구로 삼았다면, AX 시대에서는 데이터를 예측 도구로 삼는다. 이제 DX를 넘어 AX가 빠르게 확산되고 있다.   그림 1. DX와 AX   휴머노이드 로봇을 예로 본다면, DX 시대에는 기본적인 동작 제어를 수학 모델로 프로그래밍하여 구현하던 방식이었다. 오랫동안 연구해 온 노하우가 주도하던 시대였다. 반면, AX 시대에서는 동작 데이터를 통한 학습으로 동작을 수행함에 따라 자연스러운 움직임이나 미세한 조작이 가능해졌다. 이제는 강화 학습을 통해 로봇이 유투브로 새로운 동작을 학습하는 시기에 접어들었다. 학습용 데이터를 확보할 수 있는 역량이 주도하는 시대로 변하고 있다.   그림 2. AX 시대로의 진입(출처 : The New York Times, Driverless Digest)   왜 DX에서 AX로 가야 하는가? 얼마전 미국 로스엔젤레스에서 웨이모(Waymo)의 자율주행 택시가 방화로 인한 화재로 전소되는 사건이 있었다. 정부 정책에 반대하는 시위대의 소행으로 추측된다. 2023년 이후 1년여 만에 자율주행 택시를 허가한 샌프란시스코의 운수업 시장에서 웨이모가 20%까지 점유율을 확대하면서 운전으로 생계를 이어가던 사람들에겐 상당한 위협으로 작용할 만큼 AI의 성장이 현실화되었다는 반증이다. 어느새 우리도 AX 시대로 진입하고 있다. 삼쩝삼, 닥터나우, 로톡, 타다와 같은 AI 플랫폼이 우리 주변에 자리잡고 있다. 세무사, 의사, 변호사, 운전기사의 직무를 위협하는 존재로 인식되어 거센 반발에 부딪혀 있지만 연이은 고소, 고발에 대한 무죄, 무혐의 판결이 늘어남에 따라 이제는 공생을 생각해야 할 시점이다. 제조 환경은 점점 더 복잡하고 불확실해지고 있다. 시장 변화의 속도는 빨라지고, 고객 요구는 다변화되고 있으며, 제품의 수명주기는 단축되고 있다. 이처럼 미래가 불확실할수록 데이터를 기반으로 한 예측과 시뮬레이션이 중요해진다. 최근에는 고성능 컴퓨팅 자원과 오픈소스 툴의 발달로 중소기업도 상대적으로 적은 비용으로 가상 환경을 구축할 수 있게 되었다.   성공 사례 엔비디아는 AI의 모든 스타일을 하나의 생태계에서 지원하여 산업 전반에 걸친 AI 설루션을 제공하는 리더이다. 엔비디아의 옴니버스 블루프린트(Omniverse Blueprint)는 ‘AI가 실제 환경에서 움직이고 판단하는 것을 디지털 트윈 안에서 먼저 완전히 학습하고 테스트할 수 있게 해주는 설계 도구’이다. 다음의 몇 가지 성공 사례로 AX 시대가 도래 되고 있음을 소개하고자 한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

[CAE 컨퍼런스 2024] 발표자료 다운로드 안내입니다. CAE 컨퍼런스 2024이 지난 11월 8일(금) 수원컨벤션센터에서 성황리에 개최됐습니다. 올해로 14회를 맞은 ‘CAE 컨퍼런스 2024’은 CAE 수요-공급업계 관계자를 위한 정보 교류의 장으로, ‘제6회 스마트 공장 구축 및 생산자동화전(SMATEC 2024)’과 동시 개최되었습니다. 이번 컨퍼런스에서는 현대오토에버, 금호타이어, 현대자동차, 현대모비스, LG전자, 헥사곤 매뉴팩처링 인텔리전스, 지멘스 디지털 인더스트리소프트웨어, 나니아랩스, 피도텍, 케이더블유티솔루션, HP 등 CAE 수요-공급기업이 대거 참여한 가운데, 국내 제조산업의 경쟁력 강화를 위한 CAE 활용 사례와 최신 CAE 관련 기술 트렌드, 그리고 CAE 기반의 스마트 공장 솔루션이 소개되어 많은 관심을 모았습니다.  CAE 컨퍼런스 2024 준비위원회 위원장을 맡은 KAIST 강남우 교수는 개회사를 통해 “사전 학습된 대규모 모델의 활용이 활발해지면서, AI로 할 수 있는 일이 무궁무진해지고 있는 것 같다. 한편으로 CAE와 제조 분야에서는 어떻게 AI를 활용해야 할 것인지에 대해 아직 의문점이 많다”면서, “최고 전문가들이 현장의 소리를 전하는 CAE 컨퍼런스 2024에서 이런 의문을 풀고 AI와 제조 혁신을 위한 인사이트와 아이디어를 얻을 수 있기를 바란다”고 전했습니다. [관련 기사]  [포커스] CAE 컨퍼런스 2024, 제조 혁신을 위한 CAE와 AI의 융합 전략 소개 [포커스] CAE 컨퍼런스 2024 발표 내용 정리   [아젠다] CAE 컨퍼런스 2024 발표자료는 정보 제공에 동의한 자료만 제공됩니다. 아래 아젠다에 PDF 마크가 표시되어 있는 발표자료가 공개된 내용입니다.    [CAE 컨퍼런스 2024] 유료결제 완료 후, 발표자료 요청 이번 컨퍼런스에 참여하지 않았던 분들은 유료 결제 후에 발표자료를 다운로드 받으시기 바랍니다. 다만 홈페이지 다운로드 용량 제한으로 인하여 전체 자료를 다운로드 할 수 있게 하는데 제약이 있어 첨부한 파일에는 CAE 컨퍼런스 2024 가이드 파일만 올려 두었습니다. 결제완료 후 메일(cae@cadgraphics.co.kr)로 연락주시면 대용량 추가 자료를 별도로 보내드립니다. 홈페이지에서 직접 결제하는데 문제가 있다면 당사로 연락주시기 바랍니다.   메일 제목 :  [CAE 컨퍼런스 2024] 유료결제완료 발표자료 요청 내용 : 결제시 회원명 / 전화 / 이메일 메일 보낼 곳 : cae@cadgraphics.co.kr 문의 : CAE컨퍼런스사무국 (02-333-6900) [CAE 컨퍼런스 2024] 발표 제목 및 발표자 소개   00. [개회사] CAE 컨퍼런스 준비위원회 강남우 위원장(KAIST 교수) 01. [기조연설] 기술독립과 통섭에서 배우는 CAE 엔지니어를 위한 ‘판타레이’ / 에스엔에이치 민태기 연구소장 02. [기조연설] AI/ML과 Digital Reality Platform을 통한 CAE 혁신 전략 / 헥사곤 매뉴팩처링 인텔리전스 전완호 본부장 휴식 03. [기조연설] SDV 체계 전환 및 차량SW 품질 경쟁력 강화 방안 / 현대오토에버 박경훈 실장 04. Low-code AI 플랫폼을 이용한 설계 생성/예측/최적화 방법 및 사례 / 나니아랩스 강남우 대표 05. HP 3D 프린팅 자동화 솔루션이 주도하는 산업의 디지털 트랜스포메이션 / HP P3D 김태화 Manager 06. 최적설계 대중화를 위한 AADO 기술 소개 / 피도텍 최병열 연구위원 07. CAD(NX)와 CFD 융합을 통한 제품 설계 혁신 / 케이더블유티솔루션 변성준 이사 08. 가전 개발에서 CAE와 AI 활용 / LG전자 박우철 책임연구원 09. 휴식 제품개발과 검증의 가속화를 위한 Simcenter AI Solutions / 지멘스 디지털 인더스트리 소프트웨어 이종학 프로 10. [기조연설] 타이어 개발 프로세스에 대한 디지털 트윈 시스템 구축 / 금호타이어 김기운 전무 11. 모빌리티 아키텍처 단계 타이어 시스템의 버추얼개발 프레임워크 / 현대자동차 김용대 글로벌R&D마스터 12. NVH 해석 분야에서의 고전적 방법론과 디지털 기술 융합 사례 / 현대모비스 정원태 책임연구원     CAE컨퍼런스 2024 영상보기

‘AI와 CAE 융합을 통한 차세대 제조 혁신 전략’을 주제로 한 ‘CAE 컨퍼런스 2024’가 지난 11월 8일 수원컨벤션센터에서 진행됐다. 스마트공장구축 및 생산자동화전(SMATEC 2024) 전시회와 함께 치러진 이번 행사에서는 제품 개발 과정에서 필수로 여겨지는 CAE 기술의 발전과 함께, 제조산업에서 AI(인공지능)의 방향성을 짚는 기회가 마련됐다. ■ 정수진 편집장      ■ 같이 보기 : [포커스] CAE 컨퍼런스 2024, 제조 혁신을 위한 CAE와 AI의 융합 전략 소개   이번 ‘CAE 컨퍼런스 2024’에서는 최신 CAE 기술 및 인공지능 기술의 흐름, 산업에서의 적용 사례 등이 소개됐다. 나니아랩스의 강남우 대표는 ‘로코드 AI 플랫폼을 이용한 설계 생성/예측/최적화 방법 및 사례’ 발표를 통해, 제조 도메인 전문가가 설계안을 효과적으로 생성하고 예측하며 최적화하는 데에 도움을 줄 수 있는 로코드(low-code) AI 플랫폼인 AslanX에 대해 설명했다. AslanX는 사용자 친화적인 인터페이스를 제공하여 비전문가도 쉽게 활용할 수 있다는 점을 특징으로 내세운다. 실제 사례를 통해 AslanX의 유용성을 소개한 강남우 대표는 “로코드 AI 플랫폼은 복잡한 설계 과정을 간소화하여 제조업체가 빠르게 효율적인 설계안을 생산할 수 있도록 지원하고, 데이터 기반 예측 기능을 통해 기업이 설계 효율을 높이면서 잠재적인 위험 요소를 미리 발견해 더 나은 의사결정을 내릴 수 있도록 돕는다”고 전했다.   ▲ 나니아랩스 강남우 대표   HP의 김태화 P3D 매니저는 ‘HP 3D 프린팅 자동화 설루션이 주도하는 산업의 디지털 트랜스포메이션’이라는 주제 발표를 통해 “과거 3D 프린팅 기술은 주로 시제품 제작에 쓰였지만, 지금은 최종 부품 생산에도 점점 더 많이 활용되고 있으며 앞으로 그 비중이 더욱 커질 것”이라고 전망했다. 김태화 매니저는 이러한 변화에 대응하기 위해 HP의 젯 퓨전 5600(Jet Fusion 5600) 3D 프린터와 자동화 시스템을 소개했다. 젯 퓨전 5600은 생산 속도와 품질을 동시에 향상시키고, 고객 맞춤형 파라미터 조정 기능을 통해 다양한 요구를 충족시킬 수 있도록 설계되었다. 김태화 매니저는 “젯 퓨전 3D 프린터를 중심으로 한 자동화 시스템은 비용 절감과 생산성 향상을 지원하며, 고객 요구에 맞는 맞춤형 제조 환경을 제공한다”고 전했다.   ▲ HP 김태화 P3D 매니저   피도텍의 최병열 연구위원은 ‘최적설계 대중화를 위한 AADO 기술’을 소개했다. 최적설계의 개념을 ‘최소한의 자원으로 최대의 결과를 도출하는 과정’으로 설명한 최병열 연구위원은 최적 설계 기술의 필요성이 늘면서 많은 기업이 최적화 도구에 대한 필요성을 느끼고 있지만, 접근성을 높이는 것이 해결 과제라고 짚었다. 최병열 연구위원은 “기존 최적설계 기술의 복잡한 접근 방식을 간소화해 모든 엔지니어가 접근할 수 있도록 할 방법을 고민했다”면서, “그 결과 탄생한 AADO(AI Aided Design Optimization)는 AI와 데이터 분석, 비주얼라이제이션 기술을 결합해 최적 설계 도구의 혁신 방안을 제시하고, 이를 통해 엔지니어가 더 효율적으로 설계 문제를 해결할 수 있도록 돕는다”고 전했다.   ▲ 피도텍 최병열 연구위원   케이더블유티솔루션의 변성준 이사는 ‘CAD와 CFD 융합을 통한 제품 설계 혁신’ 발표에서 “CFD(전산 유체 역학)가 제품 설계 과정에서 필수 요소로 자리잡고 있으며, CAD와 CFD의 통합은 설계 시간 절약과 데이터 분석의 정확성을 높여 기업 경쟁력에 기여한다”고 설명했다. 변성준 이사가 소개한 SimericsMP for NX는 NX CAD에 통합된 유한 체적법(FVM) 기반의 CFD 소프트웨어로, CAD 환경에서 직접 CFD 해석을 빠르고 효율적으로 수행할 수 있도록 돕는다. 변성준 이사는 “SimericsMP for NX는 격자 생성 시간을 줄이고 정확도를 높이면서, 복잡한 형상에서 해석의 일관성을 유지하는 것이 특징”이라고 소개했다.   ▲ 케이더블유티솔루션 변성준 이사   LG전자의 박우철 책임연구원은 ‘가전 개발에서 CAE와 AI 활용’에 대해 발표를 진행했다. LG전자는 제품 개발 프로세스에서 동역학 해석과 진동 해석을 통해 제품의 품질을 확보하고, 극한 시나리오에 품질을 검증하는 등에 CAE를 활용하고 있다. “머신러닝은 이점과 함께 실행 과정의 복잡성도 갖고 있다”고 짚은 박우철 책임연구원은 “AI의 적용 가능성을 높이기 위해 설계와 생산 과정에서 신뢰성 있는 데이터를 확보하고, 해석 결과의 일관성을 확보할 방법을 고민해야 한다”고 전했다. 또한 AI를 도입하는 과정에서 초기 투자 비용, 데이터 확장성, 전문 인력의 확보 등을 고려할 필요가 있다고 덧붙였다.   ▲ LG전자 박우철 책임연구원   지멘스 디지털 인더스트리 소프트웨어의 이종학 프로는 ‘제품 개발과 검증의 가속화를 위한 심센터 AI 설루션’에 대해 발표했다. 이종학 프로는 “AI 기술을 활용한 자동화 설루션은 제품 설계와 실험 과정에서 시간을 단축하고 효율성을 높일 수 있다”고 전했다. 지멘스의 시뮬레이션 포트폴리오인 심센터(Simcenter) 내에 탑재된 AI 기능을 소개한 이종학 프로는 “반복적인 작업의 자동화를 구현하기 위해서는 제품 개발 프로세스의 단계에서 사용할 데이터의 수집 및 흐름을 체계적으로 구성해야 한다. 또한 AI 모델을 활용해 최적의 디자인을 찾는 과정에서 최적화 알고리즘을 적용해 반복 작업을 효율적으로 관리하고, 그 결과에서 유의미한 인사이트를 도출하는 과정이 중요하다”고 전했다.   ▲ 지멘스 디지털 인더스트리 소프트웨어 이종학 프로   현대자동차의 김용대 글로벌R&D마스터는 ‘모빌리티 아키텍처 단계 타이어 시스템의 버추얼 개발 프레임워크’에 대해 소개했다. 전기차 타이어의 경우, 배터리와 차량의 무게가 늘어남에 따라 스트레스 및 성능에 있어 새로운 요구사항이 발생한다. 이에 대응해 타이어의 재설계가 필요한데, 김용대 마스터는 “초기 개발 단계에서 가상 모델을 기반으로 하는 새로운 방식이 필요하며, 이를 통해 실물 타이어에 의존하는 전통적인 접근에서 벗어나는 것도 고민해야 한다”고 말했다. 김용대 마스터는 “다양한 미래 모빌리티 환경에 적응하기 위해 시스템 엔지니어링 관점을 통합할 필요성이 있다”면서, “데이터 기반 의사결정을 통해 협력사와의 관계를 더욱 견고히 하고, 통합된 시스템으로 전환해 타이어 및 완성차 개발의 완성도를 높여야 할 것”이라고 덧붙였다.   ▲ 현대자동차 김용대 글로벌R&D마스터   현대모비스의 정원태 책임연구원은 ‘NVH 해석 분야에서의 고전적 방법론과 디지털 기술 융합 사례’ 발표를 통해 “기술의 발전이 CAE의 변화와 새로운 접근 방식을 요구하고 있다”면서, 데이터 중심의 AI 및 머신러닝의 활용 가능성과 함께 도전 과제를 극복하기 위한 방법론을 소개했다. 전기차의 복합 시스템 모델링 방법과 자유도 문제 해결, 모달 모델을 통한 복잡한 시스템의 간소화, 머신러닝 기법을 활용한 모터의 품질 예측 등 사례를 소개한 정원태 책임연구원은 “고전적 방법론과 AI, 머신러닝 기술의 결합은 더 빠르고 정확한 모델링을 가능케 하며, 디지털 트윈 기술은 복잡한 엔지니어링 문제를 해결하는 데에 도움을 준다”면서, 모델링과 데이터에 대한 깊은 이해를 바탕으로 효과적인 문제 해결을 위해 꾸준히 고민할 것을 당부했다.   ▲ 현대모비스 정원태 책임연구원

AI(인공지능)와 CAE(Computer Aided Engineering)가 만난다. 국내 제조업 혁신을 이끄는 ‘CAE 컨퍼런스 2024’가 오는 11월 8일 수원컨벤션센터에서 열린다. 이번 콘퍼런스는 ‘AI와 CAE 융합을 통한 차세대 제조 혁신 전략’을 주제로 다양한 업계 전문가들이 참여해 최신 기술 동향과 활용 사례를 공유한다. CAE는 컴퓨터를 활용한 시뮬레이션 기법으로, 제품 개발부터 생산 효율화까지 중요한 역할을 한다. 올해로 14회째를 맞는 CAE 컨퍼런스는 캐드앤그래픽스가 주최하고, KAIST 강남우 교수가 이끄는 CAE 컨퍼런스 준비위원회가 주관한다. 콘퍼런스와 함께 개최되는 스마트공장구축 및 생산자동화전(SMATEC 2024) 전시회에서는 관련 산업의 최신 트렌드를 직접 만나볼 수 있다. 기술 분야에서 디지털 트윈과 디지털 전환 기술은 확산되고 있다. 특히 CAE 기반 시뮬레이션 기술은 디지털 트윈 구현과 디지털 전환에 중요한 역할을 하고 있다. 여기에 AI(인공지능) 기술이 시뮬레이션과 결합하면서 새로운 가능성을 제시하고 있다.     이번 콘퍼런스에서는 다양한 기업과 기관의 전문가들이 AI와 CAE의 융합을 통한 제조 혁신 사례를 발표한다. 에스엔에이치 민태기 연구소장은 ‘기술독립과 통섭에서 배우는 CAE 엔지니어를 위한 판타레이’를 주제로, 산업 내 경계를 넘나드는 학문과 기술의 융합에 대해 소개할 예정이다. 헥사곤 매뉴팩처링 인텔리전스 전완호 본부장은 ‘AI/ML과 디지털 리얼리티 플랫폼을 통한 CAE 혁신 전략’을 주제로, 헥사곤 MI의 디지털 리얼리티 플랫폼인 넥서스(Nexus)와 AI/ML 플랫폼인 오디세이(ODYSSEE)를 통한 CAE 혁신 전략과 디지털 트윈의 실무 적용 방안에 대해 제시한다. 현대오토에버 박경훈 실장은 최근 변화하고 있는 자동차 산업의 화두인 SDV(소프트웨어 정의 자동차)와 관련된 내용으로 ‘SDV 체계 전환 및 차량SW 품질 경쟁력 강화 방안’에 대해 소개한다. 금호타이어 김기운 전무는 ‘타이어 개발 프로세스에 대한 디지털 트윈 시스템 구축’을 주제로 제품 개발 프로세스의 혁신을 통해 개발 기간 단축과 성능 향상, 개발 비용 절감을 달성한 사례에 대해 소개한다. LG전자 박우철 책임연구원은 ‘가전 개발에서 CAE와 AI 활용’을 주제로, 가전 개발에서 CAE 활용을 비롯해 기존 업무에 AI를 적용한 사례와 한계는 무엇인지에 대해 소개한다. 또한, 생성형 AI를 이용한 부품 개발 활용과 Asm CAD를 이용한 구조해석 AI 예측에 대해서도 설명한다. 나니아랩스 강남우 대표는 ‘Low-code AI 플랫폼을 이용한 설계 생성/예측/최적화 방법 및 사례’라는 제목으로, 설계안을 쉽고 빠르게 생성, 예측하고 최적화할 수 있는 로코드 AI 플랫폼 ‘AslanX’(아슬란엑스)에 대해 소개한다. HP 김태화 매니저는 ‘HP 3D 프린팅 자동화 설루션이 주도하는 산업의 디지털 트랜스포메이션’을 주제로, 3D 프린팅 자동화 설루션을 활용한 산업 디지털 전환 성과를 발표하며, 맞춤형 대량생산을 통한 생산 속도와 효율성 향상을 강조한다. 피도텍 최병열 연구위원은 ‘최적설계 대중화를 위한 AADO 기술 소개’를 주제로, 최적설계 비전문가에게 전문가 수준의 최적설계 인사이트를 제공하기 위한 OOTB(Out Of The Box) 방식의 베스트 프랙티스 최적설계 프로세스와 AADO(자동 분석 및 설계 최적화) 기술 및 활용 사례에 대해 소개한다. 지멘스 디지털 인더스트리 소프트웨어 이종학 프로는 ‘제품개발과 검증의 가속화를 위한 Simcenter AI Solutions’을 주제로, 지멘스 심센터(Simcenter) 설루션을 사용하여 유연한 워크플로 구성과 자동화 실행을 기반으로 다양한 분석작업의 효율을 높이고 의미있는 결과를 빠르게 도출할 수 있는 AI 설루션을 소개한다. 케이더블유티솔루션 변성준 이사는 ‘CAD(NX)와 CFD 융합을 통한 제품 설계 혁신’을 주제로 NX CAD와 CFD를 융합한 설계 혁신 사례를 발표하며, 제품 설계자가 직접 해석 작업을 수행할 수 있는 간편한 설루션을 소개한다. 현대모비스 정원태 책임연구원은 ‘NVH 해석 분야에서의 고전적 방법론과 디지털 기술 융합 사례’를 주제로, NVH(소음 진동) 분야에서 서브스트럭처링(Substructuring), 시험/해석 하이브리드, 멀티피직스(Multiphysics), AI, 디지털 트윈 등을 통합해, 시스템 단위의 효율적이고 정확도를 높이기 위한 해석 사례를 소개한다. CAE 컨퍼런스 준비위원회 강남우 위원장(KAIST 교수)은 “제조 분야에 생성형 AI가 도입되면서 디지털 트윈과 연계한 최적화로 지속가능한 환경을 구축하는데 일조하고 있다”면서, 이번 CAE 컨퍼런스에서는 ‘AI와 CAE 융합을 통한 차세대 제조 혁신 전략’을 주제로, 국내 제조사의 도약과 발전을 위한 AI와 CAE 융합에 대한 최신 기술과 이를 활용한 설루션, 그리고 실제 활용 사례 등이 소개될 예정이다. 많은 관심과 참여를 부탁드린다”고 말했다. 이번 콘퍼런스에는 현대자동차, 현대모비스, 현대오토에버, LG전자, 금호타이어 등 CAE를 적극 활용하고 있는 제조업체를 비롯해 헥사곤 매뉴팩처링 인텔리전스, 지멘스 디지털 인더스트리 소프트웨어, 나니아랩스, HP, 피도텍, 케이더블유티솔루션 등 CAE 설루션 제공 업체들이 참여한다. 이들은 CAE 분야의 새로운 기술 개발 현황과 트렌드 변화, 그리고 다양한 활용사례에 대해 소개할 예정이다. CAE 컨퍼런스 2024는 ‘제6회 스마트공장구축 및 생산자동화전(SMATEC 2024)’ 전시회와 동시에 개최된다. 이번 CAE 컨퍼런스와 연계되어 있는 전시회에서도 다양한 CAE 관련 설루션들을 접할 수 있다. CAE 컨퍼런스 2024 사전등록은 CAE 컨퍼런스 홈페이지에서 가능하다. 한편, 10월 21일 오후 4시에는 캐드앤그래픽스 지식방송 CNG TV에서 ‘AI와 CAE 융합을 통한 차세대 제조 혁신 전략’을 주제로, CAE 컨퍼런스 2024 프리뷰 방송이 진행됐다. 이날 방송에서는 한양대학교 오재응 명예교수, LG전자 김예용 연구위원, 이즈파크 김건형 상무가 출연해 CAE와 AI의 미래 방향성에 대해 소개했다. 또한 가상제품개발에서 초기 콘셉트 설계를 담당하는 1D CAE를 활용한 MBD(모델 기반 설계)와 함께 디지털 트윈과 AI의 접목으로 변화해 나가는 시뮬레이션 기술 트렌드에 대해 소개해 관심을 모았다.

CAE 컨퍼런스 2024 내용이 보이지 않으면 여기를 클릭하세요!     CAE 컨퍼런스 2024 아젠다 - AI와 CAE 융합을 통한 차세대 제조 혁신 전략 [인사말] CAE컨퍼런스 준비위원회 / 강남우 위원장(KAIST 교수) [기조연설] 기술독립과 통섭에서 배우는 CAE 엔지니어를 위한 '판타레이' / 에스엔에이치 민태기 연구소장 [기조연설] AI/ML과 Digital Reality Platform을 통한 CAE 혁신 전략 / 헥사곤 매뉴팩처링 인텔리전스 전완호 본부장  [기조연설] SDV 체계 전환 및 차량SW 품질 경쟁력 강화 방안 / 현대오토에버 박경훈 실장 Low-code AI 플랫폼을 이용한 설계 생성/예측/최적화 방법 및 사례 / 나니아랩스 강남우 대표 HP 3D 프린팅 자동화 솔루션이 주도하는 산업의 디지털 트랜스포메이션 / HP 김태화 P3D Manager    " 최적설계 대중화를 위한 AADO 기술 소개 / 피도텍 최병열 연구위원 CAD(NX)와 CFD 융합을 통한 제품 설계 혁신 / KWT Solution 변성준 이사 가전 개발에서 CAE와 AI 활용 / LG전자 박우철 책임연구원     제품개발과 검증의 가속화를 위한 Simcenter AI Solutions /  지멘스 이종학 프로 [기조연설] 타이어 개발 프로세스에 대한 디지털 트윈 시스템 구축 / 금호타이어 김기운 전무 모빌리티 아키텍처 단계 타이어 시스템의 버추얼개발 프레임워크 / 현대자동차 김용대 글로벌R&D마스터     NVH 해석 분야에서의 고전적 방법론과 디지털 기술 융합 사례 / 현대모비스 정원태 책임연구원     폐회사(캐드앤그래픽스 최경화국장) & 경품 추첨