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  

최적화 문제를 통찰하기 위한 심센터 히즈 (3)   이번 호에서는 심센터 히즈(Simcenter HEEDS)를 사용하여 수집된 외부 데이터를 시각화하고 분석하는 데 초점을 맞추고, 데이터 시각화의 중요성과 분석 기법의 활용 방안을 살펴본다.   ■ 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 및 사례 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 및 사례 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 및 사례 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 및 사례 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화 및 사례   ■ 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   데이터 분석의 중요성 오늘날 데이터는 우리의 일상과 비즈니스 운영에서 점점 더 중요한 역할을 하고 있다. 수집되고 측정된 데이터의 양이 증가하면서 이를 효과적으로 처리하고 분석하는 방법은 더욱 필요해지고 있다. 이러한 변화 속에서, 지멘스의 심센터 히즈는 강력한 데이터 분석 및 시각화 기능을 제공하여 다양한 산업 분야에서 최적의 해결책을 찾는 데 기여하고 있다. 이번 호에서는 히즈의 기능을 효과적으로 활용하여 어떻게 복잡한 데이터를 이해하고 의미 있는 인사이트를 얻을 수 있는지 살펴볼 것이다.   히즈의 데이터 분석 기능 히즈의 Discover(디스커버) 탭은 사용자가 데이터 사이의 관계 및 최적화 가능성을 탐구할 수 있도록 다양한 도구를 제공한다. Discover 기능은 주요한 데이터 분석 및 이해를 도와주는 여러 방법을 포함하고 있다.    그림 1   다음은 각각의 기능에 대한 설명이다.  Closest : 특정 데이터 포인트에 가장 가까운 변화를 식별한다. 이를 통해 최적화 과정에서의 데이터 민감성을 이해하고 결정에 도움을 줄 수 있다.  Similar : 사용자가 선택한 기준에 따라 유사한 데이터 집합을 찾는 기능이다. 이는 집합의 규칙 또는 모델을 파악하는 데 유용하다. Clusters : 데이터 세트를 서로 연관된 그룹으로 분류한다. 군집화 기법을 통해 데이터의 패턴을 식별하고 알고리즘에 의한 데이터 이해를 개선할 수 있다.  Trade-offs : 다수의 설계 목표 간의 상충 관계를 분석한다. 이를 통해 각각의 설계 대안이 어떻게 특정 목표를 달성하는지에 대해 명확하게 이해할 수 있다.  Patterns : 데이터 내의 반복되는 경향이나 구조를 발견하여 예측 및 모델링에 도움을 주는 기능이다. 패턴 인식은 정보의 신뢰도를 높이는 데 중요하다.  Preview History : 사용자가 수행한 변경이나 실행의 기록을 미리 보면서 데이터 분석의 이력을 관리할 수 있다.  Design Set : 여러 디자인 시나리오를 만들고 비교하여 최적의 설계를 도출하는 데 도움을 준다.  Performance & Plot : 데이터의 성능을 평가하고 시각적으로 플롯하여 분석 결과를 명확하게 표현한다.  Discover 탭의 이러한 기능은 히즈 사용자가 데이터를 깊이 이해하고 시뮬레이션 최적화 과정에서 효과적인 의사 결정을 내리도록 돕는다. 이를 바탕으로 보다 정확하고 신뢰성 있는 설계와 분석 결과를 도출할 수 있다.   데이터 분석을 위한 예제   그림 2    목적함수 외팔보 H빔의 체적을 최소화 제약 조건 최대 굽힘 응력(σ) ≤ 200 MPa  최대 끝단 처짐(δ) ≤ 2 mm  설계 변수 Length : 5,000 mm  Load P : 6,500 N  E : 200 MPa  H : 50 mm ≤ H ≤ 100 mm  h1 : 5 mm ≤ h1 ≤ 30 mm  b1 : 50 mm ≤ b1 ≤ 100 mm  b2 : 5 mm ≤ b2 ≤ 50 mm 히즈의 Discovery Method를 사용하여 분석할 데이터는 우리가 지금까지 계속 예제로 사용한 외팔보의 처짐 문제를 기반으로 Adaptive Sampling Study(어댑티브 샘플링 스터디)에서 500개의 데이터를 생성하여 사용할 것이다. 아니면 독자들이 가지고 있는 데이터를 사용해도 괜찮다.   그림 3     ■ 자세한 기사 내용은 PDF로 제공됩니다.

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.

제품 개발 혁신을 가속화하는 크레오 파라메트릭 11.0 (12)   이번 호에서는 크레오 파라메트릭 11(Creo Parametric 11)에서 도면 기호를 생성하는 기능에 대해 알아보자.   ■ 박수민 디지테크 기술지원팀의 과장으로 Creo 전 제품의 기술지원 및 교육을 담당하고 있다. 홈페이지 | www.digiteki.com   기호(심벌)는 도면 작업에서 반복적으로 사용하는 형상이나 텍스트를 한 번에 등록해두고 재활용할 수 있다는 점에서 많은 이점을 제공한다. 반복되는 정보를 직접 그릴 필요 없이 기호로 배치하면, 작업 시간을 단축하면서도 도면의 표준화와 일관성을 유지할 수 있다. 또한 매개변수를 이용해 도면 속 정보를 자동으로 연동하면, 설계 변경이 발생하더라도 관련 내용이 신속하고 정확하게 갱신되어 오류 발생을 줄일 수 있다. 특히 기호가 시각적 요소를 간결하게 전달한다는 점은 협업 환경에서 매우 유용하다. 복잡한 어셈블리나 전기 부품도 기호로 정의해두면, 도면을 처음 접하는 사람이라도 해당 요소를 쉽게 파악할 수 있기 때문이다. 결과적으로 기호를 적절히 활용하면 도면의 이해도를 높이고, 작업 효율은 물론 품질 또한 크게 향상시킬 수 있다.   기호(Symbol) 탭 UI 기호(Symbol) 탭은 새로운 기호를 배치하거나, 이미 도면에 배치된 기호를 선택할 때 표시되는 탭이다. 이 탭을 통해 새 기호를 손쉽게 추가하고, 선택한 기호의 속성을 직관적으로 수정할 수 있다.      기호를 배치하거나 이미 배치된 기호를 선택할 때는 여러 가지 옵션을 통해 작업을 보다 직관적이고 효율적으로 진행할 수 있다. 기호 배치 과정에서 사용할 수 있는 주요 기능에 대해 알아보자.   갤러리(Gallery)     기호를 배치할 때 갤러리 아이콘(아래 화살표)을 클릭하면, 최근에 사용한 기호나 고정(Pinned)된 기호, 그리고 사용자 정의·시스템 정의 기호 목록을 한눈에 확인할 수 있다. 필요에 따라 ‘최근 항목 지우기(Clear Recent Items)’ 또는 ‘고정된 항목 지우기(Clear Pinned Items)’ 기능을 이용해 기호 목록을 정리하거나, 특정 기호만 골라 고정을 해제할 수도 있다. 이를 통해 반복해서 사용하는 기호를 효율적으로 관리하며, 불필요하게 쌓이는 기호를 깔끔하게 정돈할 수 있다.   기호 팔레트(Symbol Palette)     전용 *.dwg 시트(DRAW_SYMBOL_PALETTE) 형태로 구성된 기호 팔레트에서는 자주 사용하는 기호 인스턴스를 저장해 두고 쉽게 재활용할 수 있다. 여러 개의 드로잉 시트를 사용할 수 있을 경우 팔레트를 열면 최근에 사용한 시트가 먼저 표시되고, 화살표 버튼을 눌러 다른 시트로 이동할 수 있다. 이렇게 분류된 시트를 통해 필요한 기호를 빠르게 찾고, 여러 도면에서 일관된 형식으로 기호를 배치할 수 있다.   기호 사용자 지정(Symbol Customization)     ‘기호 사용자 지정’을 클릭하면 그룹화(Grouping), 미리 보기(Preview), 가변 텍스트(Variable Text) 등으로 구성된 대화 상자가 열려 기호의 세부 속성을 설정할 수 있다. 그룹화 옵션을 통해 기호에 적용된 그룹화 방식을 확인·수정하고, 미리 보기 영역에서 기호의 확대·축소나 텍스트 변경 사항을 즉시 확인할 수 있다. 또한 사용자 정의(Customization) 메뉴에서는 기호 정의 이름을 복사해, 메모 콜아웃 등에 편리하게 활용할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

지난 4월 2일부터 5일까지 부산 벡스코와 경남 창원 DN솔루션즈 본사에서 열린 '제15회 DN솔루션즈 국제공작기계 전시회(DIMF 2025)'는 국내외 제조 업계의 이목을 집중시켰다. DN솔루션즈는 이번 전시회를 통해 첨단 공작기계와 자동화 설루션, 그리고 적층제조(Additive Manufacturing : AM)의 새로운 기술을 선보이며, 제조 혁신의 새로운 방향을 제시했다. ■ 박경수 기자   ▲ DIMF 2025가 열린 지난 4월 2일 부산 BEXCO 전시장   금속 적층제조의 미래, 새로운 DLX 시리즈 공개 DIMF는 DN솔루션즈가 1997년부터 격년으로 개최하는 자체 전시회로, 올해로 15회를 맞아 ‘공작기계 가공 공정 전반을 위한 오토메이션 플랫폼’을 주제로 열렸다. 총 50여 종의 첨단 공작기계와 자동화 설루션이 전시되어 관심을 모았는데, 국내외 고객 1000여 명을 포함한 5000여 명의 관람객이 다녀갔다. 이번 전시회의 하이라이트는 DN솔루션즈가 고성능 산업용 ‘금속 3D 프린터’로 알려진 LPBF(Laser Powder Bed Fusion) 방식의 금속 적층 장비 ‘DLX 시리즈(DLX 325, DLX 450)’를 최초로 공개한 것이다. 이 기술은 금속 적층제조 방식 중 발전된 기술이자 활용도가 높은 공법으로, 현재 금속 적층 시장의 약 80%를 차지하고 있다. DLX 450은 알루미늄 합금, 인코넬, 타이타늄 등 분말 소재를 활용해 최대 450×450×450mm 크기의 정밀 부품 제작이 가능하다. DLX 시리즈는 3D 프린팅 장비와 함께 적층제조 전반의 과정을 지원하는 맞춤형 소프트웨어를 함께 제공한다. DN솔루션즈 김원종 대표는 “DN솔루션즈는 지금까지 반세기 동안 전 세계에 총 29만대의 공작기계를 판매했다”며, “우리는 이 같은 고객의 신뢰를 바탕으로, 전통적인 공작기계를 넘어 오토메이션 플랫폼이나 금속 적층 장비처럼 수요 산업의 전반을 혁신할 수 있는 설루션을 제시하고자 한다”고 밝혔다.   ▲ DN솔루션즈 김원종 대표가 적층제조로 제작된 부품을 설명하고 있다.   글로벌 시장 공략을 위한 전략적 투자 이들 소프트웨어는 ▲적층제조를 적용할 수 있는 부품을 찾아내고 ▲부품당 비용을 계산하며 ▲적층 시 필요한 최적 서포트를 설계하고 ▲신규 소재 공정을 개발하는 등의 기능을 통해 고객의 생산성과 효율성을 극대화하는 데 초점을 맞췄다. 또한 DN솔루션즈는 적층제조 방식으로 제작된 복합가공기용 ‘밀링 스핀들 캡’ 부품도 전시해 관심을 모았다. 이 샘플은 적층제조 특화 설계를 통해 기존 방식 대비 약 20%의 성능 개선 효과를 보였다. 한편 DN솔루션즈는 금속 적층제조 분야의 글로벌 시장 공략을 위해 독일에 ‘적층제조 솔루션 센터(ASC)’를 새롭게 설립했다. 이 센터는 최적 부품 선정, 맞춤형 설계(DfAM), 공정 개발 및 생산·서비스까지 전 주기를 아우르는 시스템을 구축하여 유럽 시장을 적극 공략한다는 계획이다. 또한 인도의 금속 적층제조 장비·설루션 전문 기업인 인텍(INTECH Additive Solutions)과 전략적 투자 및 파트너십 계약을 체결하며, 아시아 시장에서도 입지 강화에 나섰다. DN솔루션즈 김원종 대표는 “인텍과의 투자 협력을 통해 금속 절삭뿐만 아니라 금속 적층제조까지 포함해 장비, 공정 기술, 소프트웨어 전반의 설루션을 제공할 수 있게 되었다”며, “자동차, 항공우주, 의료기술, 전기전자 등 시장에서 복잡한 형상과 내부 구조, 소재 효율성을 요구하는 분야나, 반도체 산업 공급 업체를 포함한 다양한 제조업 고객의 성공을 지원할 수 있을 것으로 기대한다”고 말했다.   ▲ 제15회 DN솔루션즈 국제 공작기계 전시회(DIMF 2025) 현장 모습   파트너십을 통한 성장과 전문성 강화 이번 파트너십으로 DN솔루션즈의 금속 절삭 가공 분야의 전문성과 인텍의 금속 적층제조를 위한 360도 종합 솔루션의 결합이 가능해졌다. 특히 DN솔루션즈는 금속 적층 분야에서 가장 활용도가 높고 발전된 기술인 레이저 파우더 베드 퓨전(LPBF) 기술을 추가하며 제품 포트폴리오를 확대할 수 있게 되었다. LPBF 기술은 금속 적층제조 시장의 약 80%를 차지하며, 금속 분말을 얇게 도포한 후 레이저를 이용하여 금속 분말을 선택적으로 응용 및 융합하여 적층하는 방식으로 작동한다. 적층을 위한 플랫폼이 아래로 이동하면서 추가 금속 분말이 도포되고 다시 용융(Melting) 및 융합(Fusion)하는 과정을 반복적으로 수행하여 점진적으로 최종 형상이 만들어지게 된다. DN솔루션즈 김원종 대표는 “금속 적층 방식은 가공 후 조립 과정을 단축하고, 절삭으로 구현이 불가능한 형상을 만들 수 있어 무한한 혁신 가능성이 있다”며, “2030년까지 금속 적층제조와 절삭 가공의 시너지를 극대화하겠다”고 밝혔다.   인터뷰 : DN솔루션즈 적층제조 부문 부사장 비노 순타라쿠마란 박사     이번에 발표한 내용을 조금 더 자세히 설명한다면 적층제조, 자동화, 소프트웨어 세 가지를 하드웨어적으로 통합하여 고객 산업 제조를 가능하게 한다. 소프트웨어는 이를 연결하고, 서비스는 고객 여정 전반을 지원하는 것이 우리의 미션이다. 단순한 장비 공급을 넘어 통합 제조 플랫폼으로 진화하며, 고객의 제조 프로세스를 처음부터 끝까지 지원한다는 전략이다.   적층제조 기술이 절삭가공과 어떻게 시너지를 내고 있는지 시장에서는 고품질과 표준화를 기대한다. 우리는 절삭가공과 적층제조를 연결하는 프로세스 체인을 가능하게 하는 장비를 개발하고 있다. 기존 강점인 절삭가공 기술과의 하이브리드 제조 체인 구축을 통해 생산성과 품질을 동시에 향상시키는 전략을 추진 중이다.   DLX 시리즈의 소프트웨어는 어떤 기능을 제공하는지 현재 알고리즘 기반 소프트웨어를 운영하고 있고, 향후 프린팅에 적합한 데이터 판단 기능이 포함된 AI 기반의 소프트웨어로 진화해 나갈 계획이다.   후처리 공정이 어렵다고 이야기했는데, 어떤 점이 특히 어려운지 후처리는 전문 지식이 없이는 어렵다. 그래서 우리는 이를 쉽게 알려주고, 자동화할 수 있는 소프트웨어를 함께 제공한다. 적층제조 확산의 걸림돌인 후공정 난이도를 극복하기 위한 소프트웨어 자동화 설루션 개발이 핵심 전략이다.   내부적으로 레퍼런스 사례가 있다면 NX2000 장비를 도입해 내부 설계자가 기존 부품을 통합해 효율성을 20% 이상 향상시켰다. 이처럼 적층제조 도입이 성능 향상과 부품 최적화로 이어지는 검증된 성과가 있으며, 실질적 레퍼런스를 통해 시장 신뢰도를 확보해 나가고 있다.   글로벌 시장 진출 전략은 무엇인지 우리는 유럽, 미국, 한국에 팀을 운영 중이며 글로벌 확장 준비를 마쳤다. 가격 경쟁력과 다양한 애플리케이션 적응력을 갖추고 있다.   한국 제조업이 적층제조 시장에서 어떤 가능성을 가지고 있는지 한국은 반도체, 자동차 등 제조 강국이다. 적층제조는 이노베이션을 위한 핵심 기술이기 때문에, 곧 시장이 열릴 것이라 확신한다. 제조 인프라가 강한 한국은 적층제조 확산의 최적지이며, DN솔루션즈는 국내 산업에 이를 선도하는 포지셔닝을 유지해 나갈 계획이다.   ■ 기사 내용은 PDF로도 제공됩니다.

DN솔루션즈는 지난 4월 2일부터 5일까지 부산 벡스코에서 '제15회 DN솔루션즈 국제 공작기계 전시회(DIMF 2025)'를 성공적으로 개최했다고 밝혔다. DIMF(DN Solutions International Machine Tool Fair)는 국내외 고객 및 협력사들과 DN솔루션즈의 기술·제품 비전을 공유하고 있다. ▲ 제15회 DN솔루션즈 국제 공작기계 전시회(DIMF 2025) ▲ 제15회 DN솔루션즈 국제 공작기계 전시회(DIMF 2025)   이번 전시회에서 DN솔루션즈는 ‘공작기계 가공 공정 전반을 위한 오토메이션 플랫폼(Automation Solutions Platform for All Machining Process with Machine tools)’를 주제로 50여종의 첨단 공작기계, 다양한 자동화 솔루션, 맞춤형 소프트웨어, 금속적층 제조(Additive Manufacturing, AM)용 신기종 DLX 시리즈 등을 전시했다.  DN솔루션즈는 매회 DIMF를 계기로 전시장을 방문하는 국내외 고객 중 다수가 대규모 계약 상담·발주를 진행하고 있으며, 부산·경남 지역상권도 활기를 띄고 있다고 밝혔다. 또한 올해는 해외 고객 1,000여 명을 비롯한 5,000여 명의 국내외 관람객들이 방문했다고 전했다. DN솔루션즈 김원종 대표는 “DN솔루션즈는 지금까지 반세기 동안 전 세계에 총 29만대의 공작기계를 판매했다”며 “우리는 이 같은 고객의 신뢰를 바탕으로, 전통적 공작기계를 넘어 오토메이션 플랫폼이나 금속적층 장비처럼 수요 산업의 공정 전반을 혁신할 수 있는 솔루션을 제시하려 한다”고 말했다. ▲ DN솔루션즈 김원종 대표 DN솔루션즈는 고성능 산업용 ‘금속 3D 프린터’로 알려진 LPBF(Laser Powder Bed Fusion) 방식의 금속적층 장비 ‘DLX’ 시리즈(DLX 325, DLX 450)를 최초 공개했다. 전시장에서는 DLX 450 장비가 실제 작동하며 방문객들의 많은 관심을 받았다.  LPBF는 3차원 CAD 모델을 기반으로 금속 분말을 레이저로 녹여 수십 마이크로미터 높이의 레이어를 쌓아 올려 제품을 만드는 제조 방식이다. 이 기술은 금속 적층 제조 방식 중 가장 발전된 기술이자 활용도가 높은 공법으로 꼽힌다. 현재 금속 적층 시장의 약 80%를 차지하고 있다. DLX 450는 알루미늄 합금, 인코넬, 타이타늄 등의 분말 소재를 활용해 최대 450 mm x 450 mm x 450mm 크기의 결과물을 제작할 수 있다.   ▲ 지난 4월 2일 ,DIMF 중 DLX 제품 공개 행사에서 금속적층 방식으로 제작된 복합가공기용 부품인 밀링 스핀들 실린더 캡을 들고 설명하고 있는 DN솔루션즈 김원종 대표 DN솔루션즈의 새 금속적층 장비들은 첨단 하드웨어 스펙과 함께 적층 제조 과정에서 필요한 맞춤형 소프트웨어들을 모두 갖췄다. 이들 소프트웨어는 ▲적층 제조를 적용할 수 있는 부품을 찾아내고 ▲부품당 비용을 계산하며 ▲적층시 필요한 최적 서포트를 설계하고 ▲신규 소재 공정을 개발하는 등의 기능으로 고객들의 생산 과정을 통합적이고 일관되게 지원한다.  한편, DN솔루션즈는 인도의 금속 적층 제조 장비·솔루션 전문 기업인 인텍(INTECH Additive Solutions)과 전략적 투자 및 파트너십 계약을 체결했다고 밝혔다. 이번 파트너십은 금속 적층 가공 분야에서의 시너지를 극대화하기 위한 결정이다. DN솔루션즈는 인텍의 금속 적층 제조 역량을 바탕으로 자사의 제조 솔루션 포트폴리오를 확대하고, 특히 레이저 파우더 베드 퓨전(LPBF) 기술을 활용한 고부가가치 금속 가공 시장에 본격 진출한다는 전략으로 풀이된다.   ▲ DN솔루션즈의 적층 제조 부문 부사장 비노 순타라쿠마란(Dr.-Ing. Vino Suntharakumaran) 박사 ▲ 제15회 DN솔루션즈 국제 공작기계 전시회(DIMF 2025) 현장 모습 DN솔루션즈의 새 금속적층 장비들은 첨단 하드웨어 스펙과 함께 적층 제조 과정에서 필요한 맞춤형 소프트웨어들을 모두 갖췄다. 이들 소프트웨어는 ▲적층 제조를 적용할 수 있는 부품을 찾아내고 ▲부품당 비용을 계산하며 ▲적층시 필요한 최적 서포트를 설계하고 ▲신규 소재 공정을 개발하는 등의 기능으로 고객들의 생산 과정을 통합적이고 일관되게 지원한다.  DN솔루션즈는 이번 전시에서 적층 제조 방식으로 제작한 복합가공기용 ‘밀링 스핀들 실린더 캡’ 부품을 전시했다. 이 샘플은 적층 제조 특화설계를 통해 기존 방식 대비 약 20%의 성능 개선 효과가 있었다.  이와 함께 DN솔루션즈는 독일에 적층 제조 솔루션 센터(ASC)를 새로 구축하고, 적층 제조 최적부품 선정, 맞춤형 설계(DfAM) 및 공정개발, 생산 및 서비스 등을 지원할 준비도 갖췄다.  DN솔루션즈 김원종 대표는 “금속적층 방식은 가공 후 조립 과정을 단축하고, 절삭으로 구현이 불가능한 형상을 만들 수 있어 무한한 혁신 가능성이 있다”며 “2030년까지 금속적층 제조와 절삭 가공의 시너지를 극대화하겠다”고 밝혔다.

최적화 문제를 통찰하기 위한 심센터 히즈 (2)   연재를 통해 제품 설계 과정에서 발생하는 다양한 문제에 대해서 최적화 방법론을 적용하고 올바른 결과를 도출하는 과정에서 심센터 히즈(Simcenter HEEDS)를 활용하는 방법에 대해 살펴보고자 한다. 이번 호에서는 최적화 기법 중에서 근사모델 기반 최적화와 직접 검색 기반 최적화에 대해 짚어보고, 심센터 히즈를 사용하여 근사 및 직접 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 및 사례 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 및 사례 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 및 사례 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 및 사례 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화 및 사례   ■ 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   최적화 기법의 중요성 최적화는 다양한 산업 분야에서 설계의 성능을 개선하고 자원을 효율적으로 활용하는 데 있어 필수 과정이다. 특히, 복잡한 공학 문제나 다목적 설계에서 최적화는 품질 향상과 비용 절감을 동시에 달성하는 핵심 도구로 활용된다. 현대 산업에서는 제품 개발 주기의 단축과 고성능 요구가 증가함에 따라, 신뢰성 있는 최적화 기법의 선택이 더욱 중요해지고 있다. 근사모델 기반 최적화와 직접 검색 기반 최적화는 이러한 요구를 충족하기 위해 자주 사용되며, 각 접근법은 문제의 특성과 목표에 따라 상이한 성능을 보인다.   근사모델 기반 최적화와 직접 검색 기반 최적화의 개요 근사모델 기반 최적화는 복잡한 시뮬레이션이나 계산 비용이 큰 문제에서 실험 데이터를 바탕으로 근사함수를 생성한 후, 해당 함수를 활용해 최적해를 탐색하는 방법이다. 근사함수를 생성하기 위해서는 주로 반응표면법(RSM), 머신러닝 모델 등이 사용되며, 계산 자원을 절감하고 빠른 최적해 도출이 가능하다는 장점이 있다. 반면, 모델 정확도에 따라 해의 품질이 좌우되고, 고차원 문제에서 모델링이 어려울 수 있다. 직접 검색 기반 최적화는 목적 함수의 수학적 형태를 몰라도 입력과 출력 간 관계를 직접 탐색하며 최적해를 구하는 방법이다. 비선형성이나 불연속성이 있는 문제에도 적용할 수 있는 장점이 있지만, 계산 비용이 크고 수렴 속도가 느릴 수 있어서 고비용 시뮬레이션 환경에서는 활용에 한계가 있을 수 있다.   최적화를 위한 예제 지난 호에서 사용한 외팔보의 처짐 문제를 사용하겠다. 외팔보의 체적을 최소화하는 최적화 문제를 다음과 같이 정의하였다. 빠른 계산을 위해 파이썬(Python)으로 계산한다.   그림 1   목적함수 외팔보 H빔의 체적을 최소화 제약 조건 최대 굽힘 응력(σ) ≤ 200 Mpa 최대 끝단 처짐(δ) ≤ 2 mm 설계 변수 Length : 5,000 mm Load P : 6,500 N E : 200 Mpa H : 50 mm ≤ H ≤ 100 mm h1 : 5 mm ≤ h1 ≤ 30 mm b1 : 50 mm ≤ b1 ≤ 100 mm b2 : 5 mm ≤ b2 ≤ 50 mm 외팔보의 체적, 응력, 처짐량은 다음의 관계식으로 계산한다. Volume = [2*h1*b1 + (H – 2*h1)*b2]*L Stress = P*L*H/(2*I) Deflection = P*L3/(3*E*I) where : I = 1/12*b2*(H-2*h1)^3 + 2*[1/12*b1*h13 + b1*h1*(H-h1) 2/4]   히즈 기본 설정 파이썬 포털(Python portal)을 사용하여 예제의 Input/Output file을 등록하였다.    그림 3     ■ 자세한 기사 내용은 PDF로 제공됩니다.

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.

DN솔루션즈(DN Solutions)는 인도의 최대 금속 적층제조 장비·솔루션 공급업체인 인텍(INTECH Ad-ditive Solutions)사와 지분 투자 및 전략적 파트너십 계약을 체결했다고 밝혔다.   금속 적층 제조는 3차원 모델링 데이터를 기반으로 금속 소재를 층층이 쌓아 3차원 형상을 구현하는 기술로서 메탈 3D프린팅으로도 불린다. 이번 파트너십으로 DN솔루션즈의 금속 절삭 가공 분야의 전문성과 인텍의 금속 적층 제조를 위한 360° 종합 솔루션의 결합이 가능해졌다. 특히 DN솔루션즈는 금속 적층 분야에서 가장 활용도가 높고 발전된 기술인 레이저 파우더 베드 퓨전(Laser Powder Bed Fusion; LPBF) 기술을 추가하며 제품 포트폴리오를 확대할 수 있게 되었다. LPBF 기술은 금속 적층 제조 시장의 약 80%를 차지하며, 금속 분말을 얇게 도포한 후 레이저를 이용하여 금속 분말을 선택적으로 용융 및 융합하여 적층하는 방식으로 작동한다. 적층을 위한 플랫폼이 아래로 이동하면서, 추가 금속 분말이 도포되고 다시 용융(Melting) 및 융합(Fusion)하는 과정을 반복적으로 수행하여 점진적으로 최종 형상이 만들어지게 된다. 업계 전망에 따르면, 금속 적층제조 장비 시장은 2022년 약 1조 7,800억 원(11억 8,000만 유로)에서 연평균 26% 성장하여 2027년에는 약 5조 6,600억 원(37억 4,000만 유로) 규모로 성장할 것으로 예상된다. DN솔루션즈, 파트너십을 통한 성장과 전문성 강화 DN솔루션즈는 공작기계를 넘어, 제조 솔루션 제공자의 입지를 강화하기 위해 혁신 기술 기업에 대한 전략적 투자를 계속하고 있다. 제조 공정 전반의 오토메이션 플랫폼을 제공하고, 적층가공 등 다양한 가공 방식을 지원하기 위해서다.  앞서 DN솔루션즈는 2023년 독일의 공작기계용 CAD·CAM 소프트웨어 개발사 모듈웍스, 2024년 한국·미국 기반의 인공지능(AI) 플랫폼 기업 카본블랙, 지난 3월 17일 한국 로봇 자동화 기업 뉴로메카 등에 차례로 지분을 투자했고, 각각 긴밀하게 협력 중이다. 이번 인텍에 대한 투자도 그 연장선에 있는 전략적 결정이다. 김원종 DN솔루션즈 대표는 “DN솔루션즈는 인텍과의 이번 투자·협력을 통해, 금속 절삭 뿐만 아니라 금속 적층 제조까지 포함해 장비, 공정 기술, 소프트웨어 전반의 솔루션을 제공할 수 있게 되었다”면서, “자동차, 항공우주, 의료 기술, 전기·전자 등 시장에서 복잡한 형상과 내부 구조, 소재 효율성을 요구하는 분야나, 반도체 산업 공급 업체를 포함한 다양한 제조업 고객들의 성공을 지원할 수 있을 것으로 기대한다”고 말했다. 인텍 스리다르 발라람(Sridhar Balaram) 창립자·CEO는 “인텍의 디지털 지원을 기반으로 하는 360° 솔루션은 기존 시장의 표준을 넘어선다”며 “우리는 부품에서 시작해 개발 초기 단계부터 제조 안정화(Ramp-up) 및 생산 확대(Scaling)까지 고객과 함께한다”고 말했다. 한편, DN솔루션즈는 최근 인도의 풍부한 설계 역량 활용 계획을 잇따라 발표하며 첨단 제조 분야의 기술 리더십을 강화하고 있다. DN솔루션즈는 인도 벵갈루루 R&D센터를 올해 착공해, 조만간 한국·미국·유럽·중국 등으로 구성된 글로벌 엔지니어링 역량의 한 축을 맡길 예정이다. 인텍과의 파트너십은 이와 별도로 금속 적층이라는 새 분야에서 기술 역량을 강화할 전망이다.  경남 창원에 위치한 DN솔루션즈 R&D센터 KOTRA의 ‘2024 인도 진출전략’ 보고서에 따르면 인도는 매년 인도공과대학(IIT), 국립공과대학(NIT) 등 유수 공과대학에서 기계공학, 금속공학, 전기전자, 컴퓨터, 화학 분야 등의 엔지니어 150만명을 배출하는 기술 강국이다. 특히 DN솔루션즈 인도법인과 인텍이 자리잡고 있고, DN솔루션즈 신공장·R&D센터가 예정된 벵갈루루는 첨단제조·자동화·IT·소프트웨어·기초과학 분야의 최고급 인재가 풍부해 인도의 ‘실리콘밸리’로 불린다.  인도는 풍부한 엔지니어링 역량을 바탕으로 유니콘 기업 111개를 보유해, 세계 3위 규모의 스타트업 생태계를 이뤘다. 글로벌 기업들도 인도 내 대규모 연구개발 거점 확보에 열을 올리고 있다. 삼성전자, 현대차 등이 수천명 규모의 연구개발 인력이 근무중인 R&D 센터를 인도 현지에서 운영 중이다. GE, 지멘스, 보잉, 에어버스, ABB, 인텔, 퀄컴, 캐터필러 등 유수 글로벌 기업도 인도내 대규모 연구개발 거점을 운영 중이다.