트림블코리아가 5월 15일 ‘테클라 유저 데이(Tekla User Day) 2025’를 개최한다고 밝혔다. 이번 행사에서는 구조 설계부터 철골 제작, 시공까지 실제 현장에서의 활용 사례가 집중 소개될 예정이다. 테클라 유저 데이 2025는 트림블의 테클라 소프트웨어 사용자와 업계 전문가가 모여 테클라의 혁신 기술과 고객 사례를 통해 건설 산업의 디지털 전환과 구조 BIM의 미래를 조망하는 자리다. 트림블코리아 박완순 사장의 인사말로 시작되는 프로그램은 트림블코리아 이훈녕 이사, 전성민 프로, 김혜원 프로, 정민호 과장 등 트림블의 전문가 세션과 시드소프트, 창신이엔지, 빔파트너스, 디에스텍 등 고객 사례 세션으로 구성된다.     이번 행사에서는 특히 철골 제작 관리 시스템인 ‘테클라 파워팹’의 국내 출시가 비중 있게 다뤄진다.  철골 상세 설계자와 제작자는 테클라 파워팹 2025를 통해 운영을 간소화하고, 보다 유기적이고 향상된 협업 워크플로를 활용할 수 있게 됐다. 신규 버전은 새로운 생산 일정 관리, 개선된 사전 자재 명세서(advanced bill of materials : ABM) 기능을 제공한다. 행사에서는 파워팹의 AI 기반 도면과 용접 자동화 기능을 통해 철골 업무 생산성을 두 배로 높일 수 있는 실질적인 방법도 함께 소개된다. 이 밖에도 AI 도면, 용접 자동화 등 철골 제작 효율을 높이는 설루션부터 트림블 커넥트 대시보드(Trimble Connect Dashboard) 기반 협업 방안, 코스트BIM(CostBIM) 등 최신 기술 업데이트가 소개된다. 그래스호퍼(Grasshopper)를 활용한 테클라 소프트웨어상에서의 모델링 자동화, 도면 자동화, 검수와 활용 방법도 공유된다. 또한 국내 철골 설계에 널리 사용되는 주요 타입을 기반으로 개발된 철골 접합부 자동화 컴포넌트인 DS 컴포넌트(DS Component) 11종이 무료 배포된다. 트림블코리아는 이를 통해 철골 산업 스마트화를 가속하고, 건설업계의 생산성과 기술 경쟁력을 강화할 수 있을 것으로 기대하고 있다. 트림블코리아의 박완순 사장은 “테클라 유저 데이는 변화하는 건설 환경 속에서 고객의 실제 경험과 현장 중심 기술을 공유하는 뜻깊은 자리다. 스마트 건설 산업을 선도하는 트림블은 BIM 기술을 통해 고객이 복잡한 건설 과제를 더 빠르고 정확하게 해결할 수 있도록 지원해왔다. 앞으로도 고객의 기술 역량을 강화하고, 스마트 건설 생태계를 함께 만들어가는 데 주력할 것”이라고 전했다.

매스웍스는 미국 뉴잉글랜드의 에너지 기업인 에버소스 에너지(Eversource Energy)와 협력해 재생에너지 통합을 지원하는 시스템 계획 프로세스를 구축했다고 밝혔다. 전기차, 히트펌프, 태양광 패널 등 친환경 에너지의 확산으로 전력 배전망 계획에 불확실성이 커지는 가운데, 에버소스는 포춘 글로벌 500대 기업이 수백만 개의 전력망 시나리오를 확률과 위험도에 따라 분석하고 우선순위를 정할 수 있는 확률론적 조류 계산(PLF : Probabilistic Load Flow) 시스템을 개발했다. 미국의 에너지 전환 과정에서의 핵심 과제는 재생에너지 발전 설비를 안정적으로 전력망에 통합하는 것이다. 미국 에너지정보청(EIA)에 따르면 2025년에는 26GW(기가와트), 2026년에는 22GW 규모의 태양광 설비가 추가될 것으로 전망하고 있다. 에버소스는 기존의 전통적 시나리오 기반 모델링으로는 미래 전력망 수요에 대응하기 어렵다고 판단하고, 확률론적 조류 계산(PLF) 자동화를 전력 시스템 분석에 통합했다. 이를 통해 에버소스는 수많은 시나리오를 시뮬레이션하고, 배전망 모델링 역량을 향상시키는 한편, 필요한 데이터 분석 역량 강화를 위한 투자도 적극 지원하고 있다.     에버소스는 확률론적 조류 계산(PLF) 시스템 구축을 위해 매트랩(MATLAB)을 주요 개발 환경으로 활용했다. 매트랩은 수치 연산 병렬 처리 기능을 제공해 다중 코어 CPU 및 GPU 클러스터에 효율적으로 작업을 분산시킬 수 있도록 지원했으며, 이를 통해 에버소스는 대규모 시뮬레이션과 데이터 분석을 신속하게 수행할 수 있었다. 또한 매트랩 액티브X(ActiveX) 서버를 활용해 추가 프로그래밍 언어 없이 매트랩과 DNV 시너지 일렉트릭 솔버(DNV Synergi Electric Solver) 간 직접 통신을 구현했다. 확률론적 모델링에 필수적인 몬테카를로(Monte Carlo) 시뮬레이션 역시 매트랩을 통해 구현됐다. 이를 통해 입력 변수들의 확률 분포에서 무작위로 값을 선택해 다양한 시나리오를 평가할 수 있다. 또한 매트랩의 데이터 시각화 도구는 PLF 시뮬레이션 결과를 직관적으로 분석하고, 다양한 조건 하에서 전력망 성능을 시각화하여 잠재적인 문제를 발견하고 개선 영역을 식별하는 데 기여했다. 매스웍스의 토니 레논 심스케이프(Simscape) 제품 마케팅 매니저는 “현대 시스템 계획에서 증가하는 요구사항은 도전인 동시에 기회로 작용한다”면서, “에버소스는 매트랩과 매스웍스의 컨설팅 서비스를 통해 인프라 투자 전략을 최적화하고, 잠재적 문제를 선제적으로 대응해 안정적이고 효율적인 에너지 공급 체계를 구축했다”고 말했다. 에버소스의 존 크레소 고급 예측 및 모델링 수석 엔지니어는 “현재 뉴잉글랜드 지역에서 진행 중인 대규모 에너지 전환으로 배전망 계획이 매우 복잡해졌다. 이러한 환경에서 고객에게 안전하고 안정적인 서비스를 제공하는 것이 매우 중요하다”며, “새롭게 구축한 PLF 설루션을 통해 시뮬레이션 시간을 95% 단축하고, 전력망 신뢰도를 정밀하게 평가하며, 데이터 기반으로 최적의 인프라 투자 결정을 내릴 수 있게 됐다. 이를 통해 잠재적 문제를 선제적으로 해결할 수 있는 역량을 확보했다”고 말했다.

한국BIM학회의 2025년도 정기학술대회가 ‘AI 전환과 미래 BIM(AI Transformation and BIM of Tomorrow)’을 주제로 5월 22일 한국과학기술회관에서 개최된다. 이번 학술대회에서는 건설 산업의 혁신을 이끌어갈 인공지능(AI)과 BIM(건설 정보 모델링) 기술의 융합 및 미래 전망에 대한 심도 깊은 논의가 진행될 예정이다. 올해 한국BIM학회 정기학술대회의 기조강연에서는 SM엔터테인먼트 스튜디오 리얼라이브 김종민 이사의 ‘콘텐츠, 경험, 그리고 공간의 진화’ 및 오토데스크 다니엘 노비엘로(Daniel Noviello) 스페셜리스트의 ‘건설 분야에서 오토데스크 AI의 미래(The Future of Autodesk AI in Construction)’에 관한 발표가 진행된다.  이후에는 ‘건설분야의 에이전틱 AI’, ‘AI, BIM 기반 건설기술’, ‘BIM 교육 및 자격증’, ‘AI, BIM 실무’, ‘첨단 AI, BIM 기술’, ‘AI, BIM 기반 건축물 성능평가 및 분석기술’, ‘AI, BIM 워크숍’ 등의 세션으로 나누어 건설 산업의 디지털 전환과 BIM의 역할에 대해 논의하는 자리가 마련된다. 또한 ‘산학관 AI, BIM R&D’에 관한 특별세션에서는 ‘BIM 기술의 미래지원방향’, ‘산학관이 바라보는 BIM의 미래’를 주제로 한 패널토론이 진행되며, 포스터 세션 및 논문시상식, 건설 및 AI 관련 기술 부스 전시 등도 진행될 예정이다. 한국BIM학회는 오는 4월 21부터 5월 14일까지 온라인으로 사전등록이 가능하다고 전했다.  

케이던스는 연례 플래그십 사용자 행사인 ‘케이던스라이브 실리콘 밸리 2025(CadenceLIVE Silicon Valley 2025)’에서 엔비디아 블랙웰(NVIDIA Blackwell) 시스템을 탑재한 ‘밀레니엄 M2000(Millennium M2000)’ 슈퍼컴퓨터를 출시하고, 케이던스 밀레니엄 엔터프라이즈 플랫폼(Cadence Millennium Enterprise Platform)을 대대적으로 확장한다고 발표했다.  이 제품은 케이던스의 솔버와 엔비디아의 HGX B200 시스템 및 RTX PRO 6000 블랙웰 서버 에디션 GPU, CUDA-X 라이브러리 및 솔버 소프트웨어를 통합한다. 케이던스는 “이 조합은 전자 설계 자동화(EDA), 시스템 설계 및 분석(SDA), 신약 발견 애플리케이션에 대해 시뮬레이션 실행 시간을 줄이고, CPU 기반 시스템 대비 최대 80배 더 높은 성능을 제공한다. 또한 여러 분야에 걸쳐 최대 20배 더 낮은 전력으로 획기적인 성능을 구현하며, 최적화된 하드웨어-소프트웨어 스택을 통해 AI 인프라 구축을 가속화하고 물리적 AI 기계 설계를 발전시키며 신약 설계의 최전선을 확장한다”고 소개했다. 차세대 인프라 AI, 물리적 AI 및 과학 AI는 데이터센터 및 에지 장치에서 정교한 계산 기능을 요구한다. 밀레니엄 M2000 슈퍼컴퓨터는 고충실도 전산 유체 역학(CFD) 시뮬레이션에서 높은 성능과 에너지 효율성을 제공하는 밀레니엄 M1 슈퍼컴퓨터의 성공을 기반으로 하고 있다. 클라우드 및 온프레미스 어플라이언스로 사용할 수 있는 이 슈퍼컴퓨터는 케이던스의 EDA, SDA 및 분자 소프트웨어 솔버를 활용하여 이전에는 불가능했던 대규모 시뮬레이션을 수행함으로써, 반도체 및 3D-IC 설계, 데이터센터의 디지털 트윈, 신약 발견 모델링 및 하이퍼스케일 컴퓨팅, 자동차, 데이터센터, 항공우주 및 방위 시장 전반의 기타 엔지니어링 과제에 대한 접근 방식을 혁신하기 위해 개발됐다.     AI 설계를 위해 제작된 에뮬레이터인 밀레니엄 M2000 슈퍼컴퓨터는 전력, 열, 응력 및 전자기 등 3D-IC 및 고급 패키징 설계를 분석하고 최적화하는 데 필요한 다중 물리 기능을 결합한다. 이를 통해 단 시간 내에 높은 품질을 구현하여 엔지니어링 팀이 제품 개발 주기에서 더 큰 신뢰성과 효율성을 달성할 수 있도록 지원한다. 예를 들어, 기존 반도체 칩 수준의 전력 무결성 시뮬레이션은 짧은 시간으로 제한된다. 케이던스는 수백 개의 CPU로 거의 2주가 걸렸던 시뮬레이션이 밀레니엄 M2000 슈퍼컴퓨터 한 대로 하루 안에 가능하다고 소개했다. AI 인프라 구축에는 데이터센터 및 컴퓨팅 인프라에 대한 상당한 투자가 필요하다. 에너지 및 자원 효율적인 방식으로 이를 수행하는 것은 AI 공장에서 차세대 파운데이션 모델을 제공하는 데 중요하다. 디지털 트윈은 운영 효율을 개선하고 위험을 줄이며 총 전력 소비를 낮춘다. 밀레니엄 M2000 슈퍼컴퓨터는 이러한 데이터센터 디지털 트윈의 설계 및 운영과 이를 구동하는 랙, 보드 및 장비에 필요한 모델링 프로세스를 가속화한다. 또한 밀레니엄 M2000 슈퍼컴퓨터는 데이터센터 외부에서 AI를 구현할 자율 운송, 드론, 로봇과 같은 기계의 고정확도 및 고용량 가상 시뮬레이션을 가능하게 한다. 이러한 시스템을 효과적으로 설계하기 위해 가속 컴퓨팅과 계산 소프트웨어의 조합은 실제 조건을 정확하게 시뮬레이션할 수 있는 가상 풍동을 제공함으로써 더 짧은 시간에 개선된 설계를 구현한다. 전자 및 기계 전자 시스템 설계자는 수십만 개의 프로세서를 갖춘 CPU 기반 톱 500 슈퍼컴퓨터 클러스터를 사용하는 것에 비해 여러 날이 걸렸던 중요한 결정을 하루 안에 내릴 수 있어, 시간과 에너지를 절약할 수 있다. 또한, 케이던스의 분자 과학 기술은 제약 산업 고객이 밀레니엄 M2000 슈퍼컴퓨터를 통해 더 짧은 시간에 더 많은 시뮬레이션을 수행할 수 있도록 하여 신약 발견을 가속화한다. 밀레니엄 M2000에서 사용할 수 있는 케이던스 온클라우드(Cadence OnCloud)의 케이던스 오라이언(Cadence Orion) 분자 설계 플랫폼은 연구원에게 높은 계산 능력을 제공하여 잠재적인 신약 후보 발견 속도를 높이고 프로세스 확장성을 향상시킨다. 결과적으로 고객은 더 짧은 기간에 더 많은 설계 시나리오와 반복을 탐색할 수 있고, 이는 더 빠른 혁신과 개선된 제품 개발로 이어진다. 케이던스의 아니루드 데브간(Anirudh Devgan) 사장 겸 CEO는 “밀레니엄 M2000 슈퍼컴퓨터는 대규모 확장 가능한 솔버, 전용 엔비디아 블랙웰 가속 컴퓨팅 및 AI를 활용하여 설계자가 한계를 계속해서 뛰어넘을 수 있도록 지원함으로써 AI 가속 엔지니어링의 도약을 이끌 것”이라면서, “가장 진보된 AI 모델을 위해 특별히 제작된 밀레니엄 M2000 슈퍼컴퓨터는 차세대 AI 인프라, 물리적 AI 시스템 및 신약 발견을 추진하기 위한 전례 없는 설계자 생산성을 제공한다”고 전했다. 엔비디아의 젠슨 황(Jensen Huang) CEO는 “생물학부터 칩 설계에 이르기까지 세계에서 가장 복잡한 엔지니어링 과제는 가속 컴퓨팅으로만 가능한 규모와 속도로 시뮬레이션을 수행해야 한다”면서, “엔비디아 블랙웰, CUDA-X 및 케이던스의 계산 소프트웨어로 구축된 밀레니엄 M2000 슈퍼컴퓨터는 새로운 종류의 인프라이다. 이는 학문 전반에 걸쳐 발견을 혁신할 획기적인 발전을 이끌 과학을 위한 AI 팩토리”라고 말했다.

스노우플레이크는 자사의 ‘제조 산업을 위한 AI 데이터 클라우드(AI Data Cloud for Manufacturing)’가 자동차 산업에 특화된 설루션을 중심으로 확장하며 높은 성장세를 보이고 있다고 발표했다. 스노우플레이크에 따르면, 2023년 4월을 기준으로 2년간 전 세계 제조 산업군에서 데이터 애플리케이션 및 협업을 위해 스노우플레이크의 플랫폼을 도입한 비율은 416% 증가했고, 데이터 분석을 위해서는 185%, 고급 예측 모델링 및 AI 앱과 같은 데이터 사이언스 목적으로는 188% 늘었다.  이와 같은 제조업체의 데이터 기반 비즈니스 인사이트 확보에 대한 높은 수요에 따라, 스노우플레이크는 AI 데이터 클라우드를 자동차 산업의 특수한 요구사항을 충족할 수 있도록 정밀하게 조정하며 글로벌 제조업체의 디지털 전환 및 AI 혁신을 뒷받침하고 있다고 전했다. 커넥티드 및 소프트웨어 정의 차량(Software Defined Vehicle : SDV), 자율주행, 전기차, 인더스트리 4.0 등 자동차 산업 트렌드에 맞춰 스노우플레이크는 데이터 공유 및 AI 지원 기능으로 완성차 제조업체(OEM), 부품업체, 유통 및 서비스업체 전반의 협업과 생산 공정을 최적화하고 있다.     특히 스노우플레이크를 활용하는 자동차 관련 기업은 차량 설계부터 생산, 서비스, 보증에 이르는 전체 라이프사이클 데이터를 통합하고 사일로를 제거할 수 있게 된다. 이를 통해 운영 효율을 높이고 고객 경험을 향상시킨다. 또한 스노우플레이크 아키텍처로 SDV와 자율주행차에서 생성되는 방대한 커넥티드 데이터를 안정적으로 활용하고 확장할 수도 있다. 누적된 데이터는 스노우플레이크 마켓플레이스에서 판매할 수 있어 신규 수익원이 되기도 한다. 스노우플레이크 데이터 플랫폼은 조직 전반에서 AI·ML 기능을 손쉽게 활용할 수 있도록 해, 예측 모델 개발시간을 단축하고 차량 설계 및 유지보수의 새로운 패러다임을 주도할 수 있다. 공급망 전반의 실시간 가시성도 제공한다. 수요 예측의 정확도를 높이고 재고 관리와 비용 효율성을 높여 데이터 기반의 의사결정을 현실화할 수 있다. 스노우플레이크의 팀 롱(Tim Long) 제조 산업 부문 글로벌 총괄은 “커넥티드 및 자율주행 등 최신 차량은 방대한 데이터를 생성하고 있으며, 자동차 업계는 이를 효과적으로 처리하면서도 신뢰할 수 있는 AI 설루션이 필요해졌다”면서, “스노우플레이크의 자동차 산업 설루션은 제조 전문성을 바탕으로 자동차 기업이 데이터를 통합하고 커넥티드 차량 개발 계획을 확장하며, 시장 변화에 빠르게 대응할 수 있도록 지원한다”고 말했다. 지멘스와 같은 글로벌 기술 및 제조 기업은 스노우플레이크를 활용해 AI와 고급 분석으로 전사적 운영을 혁신하는 동시에 엄격한 보안 및 거버넌스 기준을 유지하고 있다. 전 세계 주요 완성차 제조업체(OEM)의 약 80%가 스노우플레이크 플랫폼을 활용 중이며, 닛산, 카맥스(CarMax), 콕스 오토모티브(Cox Automotive), 펜스케 로지스틱스(Penske Logistics) 등은 실시간 커넥티드 차량의 인사이트와 안전한 데이터 협업으로 운영 효율을 높이고 있다. 스노우플레이크는 이외에도 액센츄어, 아마존웹서비스, 딜로이트, EY 등 글로벌 파트너와 함께 자동차 산업에 특화된 AI 및 데이터 설루션을 확장하고 있으며, 지멘스 디지털 인더스트리 소프트웨어, 블루욘더(Blue Yonder), 랜딩AI(LandingAI), 멘딕스(Mendix), 시그마(Sigma) 등 다양한 파트너사가 스노우플레이크 플랫폼에서 SDV 개발, AI 기반 품질 관리, 공급망 최적화 등 전문 설루션을 개발하며 생태계를 확장하고 있다고 밝혔다.

디지털 트윈과 산업용 메타버스 트렌드   데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다.  디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.   ▲ 철도 네트워크의 디지털 트윈 구축하는 독일 디지털 철도(이미지 출처 : 엔비디아)   1. 디지털 전환과 디지털 트윈 디지털 전환(Digital Transformation: DX)은 비즈니스 전 과정에 ICT 기술을 도입하여 전사적 업무, 생산 기술, 제품 등을 디지털화 한 후 이를 기반으로 가상 실험이 가능한 디지털 환경을 구축하는 것이다.  디지털 전환의 궁극적 목적은 기업 이윤 극대화에 필요한 업부/생산 효율성 및 제품 부가 가치 증대를 위한 다양한 창의적 대안들을 가상 실험을 통해 평가한 후 그 결과를 비즈니스 전 과정에 활용하는 것이다. 예를 들어, 스마트 팩토리의 디지털 전환은 조달 시스템, 생산 시스템, 물류 시스템 등 스마트 팩토리 구성요소들의 자원 할당 및 운용에 대한 다양한 대안들을 가상 실험을 통해 평가할 수 있는 환경을 구축하여야 한다. 그렇다면, 비즈니스 전 과정을 가상 실험하기 위해서는 무엇이 필요할까?  가상 실험을 하기 위해서는 먼저 가상 실험 대상(예: 제조 공장)을 선정하고, 다음으로, 가상 실험 시나리오(예:새로운 제조 장비 도입)가 필요하며 시나리오를 수행할 모델(예: 제조 공정 시뮬레이션 모델)이 필요하다. 이러한 가상 실험을 위한 모델이 디지털 트윈이며 이런 이유로 많은 사람들이 디지털 트윈을 DX의 Key(Richard Marchall, 2017), DX의 Enablers(Reterto Saracco, 2019), DX의 Central(Vijay Ragjumathan, 2019), DX의 Steppingstone(Harry Forbes, 2020), DX의 Pillar(Fransesco Belloni, 2020)라고 지적하였다.   2. 디지털 트윈의 정의 디지털 트윈은 물리적 자산, 프로세스 및 시스템에 대한 복제본으로 정의[Wiki 사전]되며, 복제본이란 대상 체계의 운용 데이터, 지형/공간/형상 정보 및 동작/운용 법(규)칙을 컴퓨터 속에 디지털화 해 놓은 것을 의미한다. 예를 들면, 제조 공장의 디지털 트윈은 제조 공장의 운용 데이터, 제조 공장의 공간/형상 정보, 그리고 제조 장비 동작 및 공정 모델이 컴퓨터 속에 복제된 것이 될 것이다. 디지털 트윈과 대상 체계가 쌍둥이기 때문에 쌍둥이 중 누가 먼저 태어났느냐에 따라 디지털 트윈의 이름을 다르게 붙이기도 한다. 대상 체계가 존재하기 전에 만들어진 디지털 트윈을 디지털 트윈 프로토타입(Prototype) 그리고 대상 체계가 만들어진 후 복제된 디지털 트윈을 디지털 트윈 인스턴스(Instance)라고 부른다. 디지털 트윈 프로토타입은 대상 체계 설계 단계에서 활용되며 디지털 트윈 인스턴스는 대상 체계의 운용 분석에 활용되는 것이 일반적이다. 디지털 트윈 인스턴스(실 체계의 복제본)와 디지털 트윈 프로토타입(실 체계의 설계 모델)이 모두 존재할 수도 있지만 디지털 트윈 프로토타입 없이 디지털 트윈 인스턴스만 존재할 수도 있다. 디지털 트윈 프로토타입과 인스턴스가 모두 존재한다면 인스턴스는 프로토타입에 실 체계 운용 정보가 반영되어 진화(성장)된 트윈으로 볼 수 있다. 3. 디지털 트윈 구축 목적 디지털 트윈의 구축 목적은 대상 실 체계와 디지털 트윈을 연동 운용함으로써 실 체계 관련 이해 당사자에게 지혜 수준의 혁신적 서비스를 제공할 수 있는 핵심 도구/수단으로 활용하기 위함이다. 데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다. 융합 빅 데이터는 AI-통계/공학 분석도구들을 이용하여 실 세계의 구성요소인 자산, 사람, 운용 프로세스들의 다양한 결합에 대한 분석/예측 및 체계 운용 최적 대안(최적화)을 찾는데 활용될 수 있다. 아울러, 융합 빅 데이터는 실 세계를 가상 환경에서 현실감 있게 표출할 수 있는 다양한 장비/장치와 VR/AR/XR/메타버스 관련 ICT 기술과의 융합 인터페이스를 통해 오락, 관광, 교육 훈련, 체험 등에 활용될 수 있다.     디지털 트윈의 복제 대상은 실 체계의 운용 데이터, 공간/형상 정보 및 실 체계에 포함된 객체들의 행위 모델 등 3가지이다. 운용 데이터는 실 체계에 설치된 IoT 장비로부터 획득이 가능하다. 공간/형상 정보는 서비스 목적에 따라 GIS, BIM 혹은 3D CAD 중 한 가지 이상을 결합하여 사용한다. 객체 행위 모델은 다양한 시나리오를 가상 실험하기 위한 시뮬레이션 모델을 사용하지만 서비스 목적에 따라서는 운용 데이터를 학습한 데이터 모델을 사용할 수도 있다. 구성요소 중 일부만을 사용한 디지털 트윈은 나머지 구성요소를 사용하지 않음으로 인한 한계점에 봉착하게 된다. 예를 들면, 실 체계 운용 데이터 복제만으로 구성된 IoT 기반 디지털 트윈은 수집된 데이터를 분석할 수는 있지만, 실 체계를 시각화한 지형/공간 상에 데이터를 표출할 수 없을 뿐만 아니라 실 체계와는 다른 가상 데이터를 입력한 시뮬레이션을 수행할 수 없다. 마찬가지로, 지형/공간 정보 만으로 구성된 디지털 트윈은 실 체계에서 일어나는 지형/공간 정보의 변화를 실 시간으로 반영할 수 없으며 시뮬레이션을 통한 실 체계의 현상 분석 및 미래 예측이 불가능 하다.      디지털 트윈의 효율적인 활용을 위해서는 위의 세 가지 구성요소 모두를 개발 및 운용할 수 있는 통합 플랫폼이 바람직하지만 국내외적으로 표준화된 디지털 트윈 플랫폼은 존재하지 않는다. 디지털 트윈의 특성 상 3가지의 디지털 트윈 구성요소 각각을 개발하는 독립적인 플랫폼을 사용하여 구성요소를 개발한 후 이들을 연동하여 운용하는 것이 효율적이다.  구체적으로는, 먼저, 디지털 트윈 개발 목적에 맞게 운용 데이터를 수집하는 IoT 플랫폼, 지형/공간 정보를 구축하는 지형/공간정보 플랫폼 및 모델링 시뮬레이션 플랫폼들을 이용하여 각 구성요소를 개발한다. 다음으로, 개발된 세 가지 구성요소를 실행하는 플랫폼들을 연동 운용하는 PoP(Platform of Platforms) 구조를 사용할 수 있다. PoP 구조는 디지털트윈의 목적에 부합되는 모든 디지털트윈을 개발/운용할 수 있는 플랫폼으로써 신뢰성 및 경제성(개발 기간 및 비용) 면에서 효율적인 구조이다. PoP 구조를 사용할 경우 플랫폼들 사이의 연동을 위한 데이터 모델과 API의 국제적인 표준화가 요구되며 데이터 모델의 표준은 대상 시스템에 따라 달라질 수 있다.  디지털 트윈을 실제 시스템에 대한 문제 해결 목적으로 사용하기 위해서는 대상 시스템에 대한 다양한 질문의 답을 디지털 트윈을 통해서 얻을 수 있는 서비스가 제공되어야 한다. OR 이론의 창시자 중 한 명으로 경영 과학 이론가인 R.L.Ackoff 교수는 사람이 생각하는 내용을 데이터, 정보. 지식, 지혜 등 4가지로 분류하였다. 데이터는 단순한 심벌(숫자나 문자)을 말하지만 정보는 ‘who’, ‘what’, ‘where’, ‘when’을 답할 수 있고, 지식은 ‘how’를 답할 수 있고, 지혜는 ‘why’를 답할 수 있어야 한다고 정의하였다. 디지털 트윈의 서비스 수준을 Ackhoff 교수의 분류법에 매핑 시킨다면 정보 수준 서비스는 시스템 분석(현상, 기능 등), 지식 수준 서비스는 시스템 예측(행위, 성능 등) 그리고 지혜 수준 서비스는 시스템 최적화(운용 최적화 등) 및 진단(수명 진단 등)에 해당한다. 예를 들어, 교통 시스템에 대한 다양한 질문을 답하기 위해 교통 디지털 트윈을 만들었다고 하자. 정보 서비스의 예는 현재 교통 시스템의 현상을 분석하는 것으로 어느 위치의 현재 시간대에 단위 시간당 교차로 통과 차량 대수가 얼마인지에 대한 답을 하는 서비스이다. 지식 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 얼마가 되는지를 예측하는 질문에 대한 답을 하는 서비스이다. 지혜 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 최소가 되는 최적화된 경로가 어떤 것인지의 질문에 대한 답을 하는 서비스이다.    4. 디지털 트윈의 구성요소 디지털 트윈의 3 가지 구성요소 중 행위 모델은 목적에 따라 데이터 모델과 시뮬레이션 모델로 대별된다. 데이터 모델은 실 체계에서 수집된 데이터들 사이의 상관관계를 기계학습하여 얻어진 모델(예: 인공신경망)로서 지식 서비스를 위한 시스템 행위 예측에 한계점을 가지고 있다. 구체적으로, 데이터 모델은 학습된 데이터 영역에서는 미래 예측이 가능하지만 학습된 영역 밖의 데이터에 대한 예측은 불가능 하다. 뿐만 아니라 학습 시와 예측 시의 시스템 운용 조건이 달라질 경우에도 예측이 불가능하다. 앞서 예시한 교통 디지털 트윈으로 데이터 모델을 사용할 경우 학습 시 도로 상황(운행 시간, 사고 발생 유무 등)이 예측 시 도로 상황과 동일하지 않으면 소요 시간 예측의 정확도가 보장되지 않는다. 더욱이, 시스템 변수 사이의 상관 관계로 표현된 데이터 모델은 변수 사이의 인과 관계가 필요한 시스템의 최적화 및 고장 진단 등에는 활용할 수 없다. 이러한 데이터 모델의 서비스 한계를 극복하기 위해서는 시뮬레이션 모델을 사용할 수 있다. 시뮬레이션 모델은 구축은 대상 시스템에 대한 도메인 지식과 이를 표현하는 지배 법칙에 대한 수학적/논리적 표현 방법을 이해해야 하므로 데이터 모델에 비해 고 비용이 요구된다. 따라서, 디지털 트윈의 행위 모델은 대상 시스템의 서비스 목적과 수준에 따라 다르게 선택될 수 있다.    5. 디지털 트윈의 발전 전망  디지털 트윈의 향후 발전 전망은 문제 해결과 가상 체험 및 빅 데이터 분야로 대별할 수 있다. 문제 해결 분야에서 디지털 트윈의 대상은 분석, 예측, 최적화/진단 대상이 되는 모든 시스템 분야로서 산업(제조, 생산, 물류, 식물공장 등), 공공(교통, 환경, 금융 등), 의료(진단, 인공장기, 가상수술 등), 재난안전(안전점검, 피해분석, 대피훈련 등), 국방(군사훈련, 국방분석, 무기체계 획득 등)등을 포함한다.  현재 디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.  가상 체험 분야는 디지털 트윈이 실 세계 혹은 가상 세계를 움직이는 다양한 시나리오를 정형화한 지배 법칙(모델)을 실행(시뮬레이션)하는 수단으로 활용될 전망이다. 이러한 지배법칙 실행은 실제 세계와 가상 세계의 구별 없는 가상 체험을 목표로 하는 메타버스의 서비스 콘텐츠를 제공한다. 따라서, 메타버스 발전을 위해서 메타버스의 서비스 컨텐츠를 제공하는 디지털 트윈 발전이 필수적으로 향후 메타버스와 디지털 트윈은 동시에 발전할 전망이다.  빅 데이터 분야에서는 디지털 트윈의 가상 실험을 통해 실 체계에서는 물리적/경제적 이유로 수집 불가능한 다양한 빅 데이터를 생성하는데 활용될 전망이다. 유의미한 빅 데이터 생성을 위해서는 실 체계에서 수집 가능한 데이터를 사용하여 디지털 트윈 모델의 검증이 선행된 후 실 체계에서 수집 불가능한 데이터 생성을 위한 가상 실험이 설계되어야 한다. 디지털 트윈을 사용한 빅 데이터 생성은 시스템 기능 검증, 예지 진단 및 기계학습 등과 같은 부가가치가 높은 데이터 생성에 집중되어 미래 데이터 구독 시장 활성화에 기여할 전망이다.   김탁곤 명예교수  KAIST 전기전자공학부  

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (21)   이번 호에서는 다양한 유형의 난류 모델과 사용 시기, 그리고 복잡한 형상을 위한 고충실도 난류 모델링에 있어 케이던스 밀레니엄 M1(Cadence Millennium M1) CFD 슈퍼컴퓨터가 어떻게 혁신을 가져오는지에 대해 설명한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   자동차 산업은 거의 매일 새로운 혁신과 개발이 등장하며 끊임없이 발전하고 있다. 자동차 업계는 전기 구동 차량과 대량 생산이 증가하는 추세에 발맞춰 보다 지속 가능한 미래를 만들기 위해 노력하고 있다. 자동차 생산량은 꾸준히 늘고 있지만, 업계는 여러 디자인 또는 새로운 헤드라이트, 스플리터, 사이드 스커트 추가와 같은 아주 작은 디자인 변경에 대해서도 풍동 테스트 또는 프로토타입 테스트를 수용하면서 연비 기준을 충족해야 하는 과제에 직면해 있다. 그 결과, 항력 계수 등 관심 있는 유동장 정보와 성능 관련 수치를 예측하여 필요한 실험 횟수를 크게 줄일 수 있는 시뮬레이션 기반 접근 방식이 점점 더 인기를 얻고 있다.   그림 1   유체 흐름의 난류를 이해하고 전산 유체 역학(CFD) 시뮬레이션을 통해 동일한 난류를 재현하려면 다양한 난류 모델을 사용해야 한다. 자동차 애플리케이션과 리소스 가용성에 따라 적합한 난류 모델을 선택하면 설계 주기를 단축하는 데 도움이 될 수 있다.    난류의 모델링 기법 ‘난류’는 압력과 속도의 혼란스러운 변화를 특징으로 하는 불규칙한 흐름을 일컫는 용어이다. 우리는 일상 생활에서 난류를 경험하며 공기 역학, 연소, 혼합, 열 전달 등과 같은 다양한 엔지니어링 응용 분야에서 중요한 역할을 한다. 하지만 유체 역학을 지배하는 나비에-스토크스 방정식은 매우 비선형적인 편미분 방정식이며 난류에 대한 이론적 해법은 존재하지 않는다. 난류는 광범위한 공간적, 시간적 규모를 포함하기 때문에 모델링과 시뮬레이션이 어려울 수 있다. 일반적으로 큰 와류는 난기류에 의해 생성된 에너지의 대부분을 전달하고 작은 와류는 이 에너지를 열로 발산한다. 이 현상을 ‘에너지 캐스케이드’라고 한다. 몇 년에 걸쳐 다양한 난기류 모델링 접근법이 개발되었으며, 가장 일반적인 세 가지 접근법을 간략히 설명한다. Direct Numerical Simulation(DNS) : DNS에서는 모델이나 근사치 없이 미세한 그리드와 매우 작은 시간 단계를 사용하여 모든 규모에서 난기류를 해결한다. DNS의 계산 비용은 엄청나게 높지만 결과는 가장 정확하다. DNS 시뮬레이션은 난류장에 대한 포괄적인 정보를 제공하기 위한 ‘수치 실험’으로 사용된다. Large-Eddy Simulation(LES) : 이름에서 알 수 있듯이 이 난류 모델링 기법은 큰 소용돌이를 해결하고 보편적인 특성을 가진 작은 소용돌이를 모델링한다. LES 시뮬레이션은 최소 길이 스케일을 건너뛰어 계산 비용을 줄이면서도 시간에 따라 변화하는 난기류의 변동 요소를 자세히 보여준다. Reynolds-Averaged Navier-Stokes Model(RANS) : RANS 방정식은 나비에-스토크스 방정식의 시간 평균을 취하여 도출되었다. 난기류 효과는 미지의 레이놀즈 응력 항을 추가로 모델링하여 시뮬레이션한다. RANS 시뮬레이션은 평균 흐름을 해결하고 난류 변동을 평균화하므로 다른 두 가지 접근 방식보다 훨씬 비용 효율적이다.   올바른 선택 : DNS, LES 또는 RANS 올바른 난류 모델을 선택하는 것은 모든 시뮬레이션의 중요한 측면이며, 이는 주로 시뮬레이션의 목적, 흐름의 레이놀즈 수, 기하학적 구조 및 사용 가능한 계산 리소스에 따라 달라진다. 학술 연구의 경우 DNS 시뮬레이션은 난류의 근본적인 메커니즘과 구조를 이해하는 데 가장 적합한 결과를 제공한다. DNS는 레이놀즈 수가 낮은 경우에 적합하지만, 막대한 시간과 리소스가 필요하기 때문에 대부분의 산업 분야에서는 실용적인 선택이 아니다. 반면에 LES는 일반적으로 레이놀즈 수가 높은 복잡한 형상을 포함하는 산업용 사례를 처리하는 데 적합한 옵션이다. LES가 생성하는 고충실도 결과물은 경쟁이 치열한 자동차 시장에서 중요한 한 차원 높은 성능 개선이 가능한 설계를 가능하게 한다.   그림 2    RANS 시뮬레이션은 LES에 비해 근사치의 범위가 넓기 때문에 정확도가 떨어진다. 그러나 정확도와 계산 비용 간의 균형으로 인해 RANS는 계산 리소스와 시뮬레이션 시간이 제한된 업계 사용자에게 일반적인 설루션이다. 이 방법은 또한 짧은 시간 내에 여러 사례를 분석해야 할 때 널리 사용된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업 디지털 전환을 가속화하는 버추얼 트윈 (2)   이번 호에서는 VMU(가상 목업)의 개념과 기술적 특성, 주요 산업 사례, 그리고 VMU의 혁신적 가치와 향후 확장 가능성에 대해 살펴본다.    ■ 최윤정 다쏘시스템의 기술 컨설턴트로 디자인&엔지니어링 팀에서 3DEXPERIENCE CATIA 제품을 담당하고 있다. 자동차 산업을 위한 고급 서피스 모델링 및 가상 검증 영역을 전문으로 하고 있으며, 제조업의 VMU 도입 효과성 관련 학술연구 또한 수행 중에 있다. 홈페이지 | www.3ds.com/ko   가상 시뮬레이션 기술이 점차 고도화됨에 따라, 제품 개발 전 과정에서 디지털 모델을 활용하여 제품 품질과 개발 효율성을 높이려는 시도가 활발하게 이루어지고 있다. VMU(Virtual Mock-Up, 가상 목업) 기술은 3D익스피리언스 카티아(3DEXPERIENCE CATIA)에 기반한 가상 검증 프로세스로, 설계 오류와 품질 상의 문제점을 조기에 식별·개선하고 개발 비용과 시간을 절감하는 혁신적 방식으로 주목받고 있다. 제품의 실물을 제작하지 않고도 고품질 렌더링을 통해 시각적·감성적 요소를 평가할 수 있기 때문에, 다양한 산업 분야에서 VMU의 필요성이 커지고 있다.   그림 1. 카티아 설계 데이터 화면   그림 2. 카티아에서 재질을 적용한 설계 데이터 화면   VMU의 개념과 기술적 특징 VMU는 고품질 렌더링 기술을 활용해 설계 데이터를 가상 환경에서 실물과 유사하게 재현하여, 설계 오류와 품질 상의 문제점을 조기에 식별·개선하는 기술이다. 이 프로세스는 실물 목업을 제작하지 않고도 제품 외관을 정확히 시뮬레이션함으로써 제품 개발 시간과 비용을 단축한다. 기존의 DMU(Digital Mock-up, 디지털 목업)는 주로 설계 과정에서 형상과 구조 검증에 초점을 둔다. 즉, 3D 설계 데이터 상에서 간섭 검사, 조립 순서·공정 시뮬레이션, 각 부품의 형상 적합성 등을 확인하는 용도로 사용된다. 한편, VMU는 DMU에서 한발 더 나아가, 광학 특성(반사·굴절), 질감, 점등 이미지 등 외관 품질을 실사 수준으로 구현하며, 인체공학 기반의 휴먼 모델(human model)을 연계해 실제 사용 환경에서의 조작성, 시야 확보성 등을 종합적으로 검토할 수 있다. XR(확장현실) 기술과의 융합을 통해 몰입형 품평 환경도 제공된다. 자동차 외장 램프처럼 미세한 빛의 반사·굴절을 예측 및 검증해야 하는 제품은 VMU를 활용할 경우 실물 목업 없이 외관 이미지를 높은 정확도로 검토함으로써 개발 리스크를 크게 줄일 수 있다. 기존에 카티아를 기반으로 제품 설계를 하고 있는 다양한 산업군에서 VMU는 이미 필수 프로세스로 자리매김하고 있다. 설계, 렌더링, 검증 및 품평을 하나의 일관된 프로세스로 결합함으로써 제품 개발 방식에 혁신적인 변화를 가져올 수 있다. 데이터 변환이나 별도 인터페이스가 필요 없이 동일 플랫폼에서 모든 단계가 이뤄지므로, 데이터 손실이나 형상 왜곡을 최소화하고 기존에 없던 빠르고 유연한 협업 환경을 구축할 수 있다. 이를 통해 제품의 완성도와 품질을 높이는 긍정적 효과가 입증되었다.    표 1. 실물 목업 및 기존 렌더링 툴과의 비교   3D익스피리언스 카티아 기반의 VMU 프로세스 적용 사례 자동차 외장 램프 품질 검증 사례 자동차 외장 램프는 외관과 점등 이미지가 모두 중요하여, 시각적 품질 검증이 설계 단계에서 핵심 과제로 부각된다. 기존에는 정확도를 높이기 위해 실물 금형과 목업을 제작했으나, 이 방식은 과도한 시간과 비용 투자를 요구했다. 대체 방법으로 3D 프린팅 등의 기술을 이용하기도 했지만, 정밀도가 부족하다는 한계가 있었다. 이 문제를 해결하기 위해 최근 카티아 기반 VMU 프로세스를 적용한 디지털 선행 검증이 주목을 받고 있다. 미세 광학 요소와 복잡한 반사·굴절 특성을 지닌 램프를 고정밀 시뮬레이션할 수 있어, 점등·비점등 시의 실제 이미지를 실물 목업 수준으로 재현한다. 특히 스캔을 통해 확보한 시편 데이터의 정확한 물성을 설계 데이터에 적용함으로써 곡률에 따른 왜곡이나 광원으로 인한 반사를 사실적으로 재현하고, 실차에 장착했을 때 예상되는 품질 이슈까지 가상 환경에서 검토할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BPMN을 활용하여 제품 개발의 소통과 협업 극대화하기 (3)   지난 호에서는 BPMN(Business Process Modeling Notation)의 구성 요소를 살펴보고, 간단한 예제를 통해 주요 기능과 특징을 개괄적으로 파악해 보았다. 이번 호에서는 BPMN을 작성하기 위한 모델링 툴을 살펴보고, 이를 활용하여 비교적 간단한 비즈니스 프로세스 모델을 작성하는 방법을 소개하도록 하겠다.   ■ 연재순서 제1회 비즈니스 프로세스 모델링이 필요한 이유 제2회 BPMN은 무엇일까? 제3회 비즈니스 프로세스 모델링을 배워보자 제4회 간단한 제품 개발 프로세스를 디자인해보기 제5회 클라우드 서버 환경에서 BPMN을 연결하는 설루션 탐구   ■ 윤경렬 현대자동차 연구개발본부 책임연구원 ■ 가브리엘 데그라시 이탈리아 Esteco사의 프로젝트 매니저   우리는 지난 호에서 BPMN이 무엇인지에 대해 알아보았다. 우선 BPMN의 구성 요소를 살펴보았고 아주 간단한 BPMN 예제를 통해 주요 기능과 특징을 개괄적으로 파악해 보았다. 또한 BPMN을 활용하여 리프 스프링 개발 프로세스를 모델링하는 사례를 통해, 일반적인 WBS와 비교해 보았을 때 개발에 참여한 이해관계자들이 어떻게 협업을 해야 하는지 명확하게 파악할 수 있다는 것을 알게 되었다.   BPMN 웹사이트에서 모델러 확인 및 다운로드받기 BPMN을 작성하기 위한 모델링 툴을 알아보기에 앞서, 지난 호에서 소개한 바 있는 OMG 그룹에서 운영하고 있는 BPMN 웹사이트를 우선 찾아가 보도록 하겠다. OMG의 웹사이트(www.bpmn.org)에서는 기본적인 BPMN 개념 정의부터 새로운 BPMN 표준에 대한 연구까지 자세하게 소개하고 있으며, BPMN의 개념, 문서, 예제, 표준화 진행 등에 대한 내용이 자세하게 기술되어 있어서 BPMN을 이해하고 활용하는데 많은 도움을 받을 수 있다.   그림 1. OMG 그룹에서 운영하는 BPMN 웹사이트   우리는 여기서 세 가지 정도를 간단하게 살펴보고자 한다. 우선 ‘Examples’에는 BPMN을 보다 쉽게 이해할 수 있도록 다양한 분야의 예제를 템플릿 형태로 제공하고 있어, 사용자가 이를 활용하여 빠르게 BPMN을 적용해 볼 수 있도록 도움을 주고 있다. 다음은 ‘Implementers’로 현재 BPMN을 지원하고 활용하는 산업과 사례를 소개하고 있는데, 생각보다 다양하고 유명한 회사에서 어떻게 활용되고 있는지 확인할 수 있다.   그림 2. 다양한 예제를 보여주는 Examples   그림 3. 사례를 보여주는 Implementers   마지막으로 ‘BPMN MIWG’에서는 BPMN 표준을 준수하고 상호 모델을 교환하고 위한 목적으로 다양한 툴(소프트웨어)을 소개하고 비교 분석을 수행하고 있다. 우리가 여기서 관심 있게 살펴보려고 하는 것은 ‘View current test results on various tools’의 내용이다. 개인적 취향 및 선호도에 따라 모델링을 하기 위한 툴을 선택할 수 있지만, 대부분 표준을 잘 준수하고 있어서 표준 모델링의 경우 선택의 차이는 크지 않을 것으로 생각된다. 그래서 BPMN 모델을 작성하기 위해 우리는 상대적인 차이가 크지 않지만 인지도가 높은 ‘Camunda Modeler’를 선택하였다.   그림 4. 다양한 모델러에 대한 표준 및 상호 모델 교환 수준에 대한 정리     ■ 자세한 기사 내용은 PDF로 제공됩니다.

리얼타임 3D 기술을 도입하여 한층 발전된 프로젝션 매핑 구현   화재로 큰 피해를 입은 파리의 노트르담 대성당이 5년에 걸친 복원 끝에 재개관했다. 복원된 성당을 더욱 돋보이게 한 프로젝션 매핑 작업은 언리얼 엔진의 실시간 렌더링 기술을 활용해 역사적 건축물을 사실적이고 정교하게 되살린 혁신적인 사례로 주목받고 있다. ■ 자료 제공 : 에픽게임즈   ▲ 이미지 제공 : 코스모 AV    2019년 4월, 파리의 상징인 노트르담 대성당에서 끔찍한 화재가 발생했다. 건물 처마 밑에서 시작된 불길은 곧 첨탑과 목조 지붕 대부분을 집어삼키며 다음 날 아침까지 밤새 타올랐다. 이후 장대한 복원 프로젝트가 진행되었으며, 5년에 걸쳐 1200명 이상의 인원이 재건에 힘을 쏟았다. 채석장 작업자와 목수, 모르타르 제조자, 석공 등 숙련된 장인이 고용되어 12세기 건축 당시와 똑같은 재료와 기법으로 대성당을 재건했다.  2024년 12월, 잿더미에서 부활한 노트르담 대성당의 재개관식이 TV 시청 황금 시간대에 방송되었다. 프랑스 텔레비지옹(France Télévisions)은 복원된 대성당의 영광스러운 모습을 선보이기 위해 비디오 매핑 회사인 코스모 AV(Cosmo AV)에 의뢰했고, 코스모 AV는 프로젝션 매핑 전문가 앙투안 부르구앵(Antoine Bourgouin)에게 재개관식을 위한 멋진 건축 라이팅을 제작해 달라고 요청했다.   ▲ 이미지 제공 : 코스모 AV   언리얼 엔진을 사용한 프로젝션 매핑 지난 2010년, 앙투안 부르구앵은 거대한 트롱프뢰유를 보여줄 캔버스로 건물을 사용하는 데 처음 관심을 갖게 되었다. 트롱프뢰유는 ‘눈속임’이라는 뜻의 프랑스어로, 2차원 표면에 3차원 공간과 물체를 표현하는 극사실적인 착시 기법을 나타내는 미술 용어다. 이는 주로 회화에서 관람자가 그림 속의 사물이나 공간을 실제처럼 인식하도록 속이는 기법을 일컫는다. 초기에는 이러한 종류의 작업을 구현할 수 있는 툴이 시중에 없어, 건물의 윤곽과 규모에 맞는 비주얼을 제작하려면 직접 컴퓨터 프로그램을 개발해야 했다. 하지만 부르구앵은 비디오 프로젝터 컨트롤러와 같은 역할을 하는 소프트웨어인 모듈로 플레이어(Modulo Player)를 사용하여 벽이나 건물과 같은 표면에 영상을 투영하여 재생하고, 각 표면에 맞게 영상을 정밀하게 변형시키고 조정할 수 있도록 했다. 특히, 부르구앵은 이 과정에 리얼타임 기술을 도입하여 프로젝션 매핑 기술을 더욱 발전시키고 있다. 전통적인 비디오 매핑은 사전 녹화된 영상을 투영하는 방식이었지만, 부르구앵은 언리얼 엔진을 사용해 개발한 비주얼을 실시간으로 건물에 투영한다. 이러한 혁신적인 아이디어로 그는 플레이어의 스마트폰을 게임 패드처럼 사용하는 비디오 게임을 제작하겠다는 아이디어로 메가그랜트를 지원하게 되었다. 이러한 아이디어를 실현하고자 부르구앵은 코스모 AV의 CEO이자 인텐스시티(IntensCity)의 공동 설립자인 피에르 이브 툴로(Pierre-Yves Toulot)를 만났다.    ▲ 이미지 제공 : 코스모 AV   3D 모델에 라이팅 매핑 코스모 AV는 프랑스 국영 텔레비전 방송사인 프랑스 텔레비지옹으로부터 노트르담 대성당 재개관을 위한 프로젝션 매핑 비주얼 제작을 의뢰받았다. 그 요청 중 하나는 대성당의 외관을 돋보이게 할 아름다운 라이팅 연출을 제작하는 것이었다. 툴로와 부르구앵은 이전에도 비슷한 프로젝트에서 협업한 적이 있었는데, 특별하면서도  우아함이 필요한 작업에서는 뛰어난 전통 건축 라이팅 디자이너인 장 프랑수아 투샤(Jean-François Touchard)의 기술을 활용했다. 툴로가 노트르담 프로젝트에 부르구앵과 투샤를 합류시킨 것은 당연한 결정이었다. 먼저 부르구앵은 노트르담 대성당의 3D 스캔 모델을 언리얼 엔진으로 가져왔고, 이 과정은 FBX 파일을 임포트하는 것만큼이나 간단했다. 부르구앵은 “언리얼 엔진과 나나이트(Ninite) 기술 덕분에 이제는 임포트한 메시의 폴리곤 밀도에 더 이상 신경 쓰지 않아도 된다. 노트르담 모델은 400만 개의 트라이앵글로 구성된 메시 구조였지만, 현재 언리얼 엔진에서는 이 정도의 폴리곤 수를 아주 쉽게 처리할 수 있다”고 말했다. 나나이트는 언리얼 엔진 5의 가상화된 지오메트리 시스템으로, 성능에 미치는 영향을 최소화하면서 방대한 양의 폴리곤으로 구성된 디테일한 3D 모델을 제작할 수 있다. 이 시스템은 활용해 대성당의 매우 정밀한 메시를 렌더링하는 데 쓰였으며, 가장 작은 디테일까지 정확하게 구현할 수 있었다. 팀은 대성당의 모든 디테일을 강조하기 위해 3D 모델에 옴니 라이트, 스포트 라이트, 렉트 라이트 등 500개의 라이트를 배치했다. 이 라이트는 강도와 온도, 색상이 조화를 이루도록 하는 것이 중요했다. 부르구앵은 “조작해야 하는 라이트의 수량이 이 프로젝트에서 가장 큰 과제였다. 하지만 즉석에서 바로 만든 블루프린트를 사용하고 라이트 액터에 태그를 지정하여 다른 그룹을 나누는 방식으로 매우 원활하게 작업할 수 있었다”고 설명했다. 툴로는 아트 디렉터 역할을 했고, 장 프랑수아는 대성당의 디테일한 부분에 대한 라이팅을 실제로 구현하는 데 전문성을 발휘했다. 팀은 조각상마다 두세 개의 스포트 라이트를 배치하고 그림자를 세심하게 조작하여 조각상의 형태와 입체감을 강조했다. 또한, IES(Illuminating Engineering Society)의 라이트 프로파일을 사용해 3D 라이팅이 실제 라이트처럼 각 아치와 발코니, 기타 건축 요소의 디테일과 정확하게 일치하도록 했으며, 깊이를 강조하기 위해 라이트 온도를 조정했다. 라이팅 구성을 이미지로 렌더링한 다음 모듈로 플레이어 시스템과 연결된 30대의 고광도 파나소닉(Panasonic) 비디오 프로젝터를 사용하여 노트르담 대성당에 투영했다.   ▲ 이미지 제공 : 코스모 AV   메가라이트와 루멘 활용 노트르담 프로젝트에서 팀은 사전 녹화된 영상을 대성당에 투영할 예정이었지만, 리얼타임 기술을 사용하면서 라이팅 디자인에서 많은 이점을 얻을 수 있었다. 라이팅이 실제 건물에서 어떻게 보일지 테스트하기 위해 팀은 현장에서 언리얼 엔진으로 3D 모델을 바로 업데이트하여, 대성당에서 즉시 결과를 확인하고 필요에 따라 조정할 수 있었다. 부르구앵은 언리얼 엔진으로 작업을 완성할 수 있었던 주요 이유로 나나이트와 결합된 강력한 라이팅 시스템의 성능을 꼽았다. 부르구앵은 “라이트 수가 많은 하이 폴리곤 메시에서 직관적인 편집 방식(WYSIWYG)으로 원활하게 작업할 수 있었다. 이로써 기존의 3D 모델링 소프트웨어에서처럼 렌더링 결과를 상상할 필요가 없었다”고 말했다. 또한 최근 언리얼 엔진 5.5에 출시된 강력한 신규 기능인 메가라이트에 대해서도 높이 평가했다. 메가라이트는 아티스트가 신(scene)에 다이내믹 섀도를 드리우는 수백 개의 라이트를 추가할 수 있게 해주는 실험적인 도구다. 언리얼 엔진의 다이내믹 글로벌 일루미네이션 및 리플렉션 기능인 루멘과 함께 사용하면 매우 사실적인 라이팅을 구현할 수 있다. 부르구앵은 “메가라이트는 상당히 유용한 기능 중 하나였다. 실시간으로 그림자를 유지하면서 수백 개의 라이트로 작업할 수 있었다. 루멘을 보완하는 환상적인 기능”이라고 말했다.   되찾은 노트르담의 영광 툴로, 장 프랑수아와 함께 한 부르구앵의 라이팅 작업은 파리에서 가장 유명한 기념물 중 하나인 대성당의 재개관식에서 중요한 역할을 했다. 언리얼 엔진 덕분에 팀은 복원가들의 놀라운 작업을 빛내고 노트르담 대성당의 영광스러운 모습을 선보일 수 있었다. 부르구앵은 “파리의 노트르담 대성당은 프로젝션 매핑 작업을 하는 사람들이라면 누구나 꿈꾸는 건물 중 하나다. 이 작업에 기여할 수 있32 · 어서 정말 큰 영광이었다”라고 말했다.      ■ 기사 내용은 PDF로도 제공됩니다.