앤시스 워크벤치를 활용한 해석 성공 사례   해석을 하다 보면 사용자의 실수나 다른 외부 문제로 진행 중이던 해석이 중단되는 경우가 발생한다. 이러한 경우, 앤시스 LS-DYNA(엘에스 다이나)의 ‘리스타트(Restart)’ 기능을 활용하면 해석 시뮬레이션을 처음부터 다시 수행하지 않고 해석이 중단된 특정 시점부터 재시작할 수 있다. 또한 이미 완료된 해석에 대해 조건을 변경하여 해석 시뮬레이션을 이어서 진행할 수도 있다. 이번 호에서는 LS-DYNA의 리스타트 기능에 대해 소개하고, 예제를 통해 LS-PrePost(엘에스 프리포스트)와 워크벤치(Workbench) 환경에서 활용하는 방법을 알아본다.   ■ 김혜영 태성에스엔이 MBU팀에서 수석매니저로 근무하고 있으며, LS-DYNA 해석 기술지원 및 교육, 용역 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   리스타트 해석의 수행 조건 리스타트 해석을 사용하기 위해서는 다음과 같은 조건이 필요하다.  동일한 실행 솔버(Executable)를 사용하는가?(예 : lsdyna_sp.exe)  동일한 CPU 개수인가?  Dump 파일이 생성되었는가? 덤프(Dump) 파일은 리스타트를 위한 바이너리 아웃풋(Binary Output) 파일로 특정 시점의 응력, 변형률, 변형량 등 해석 결과를 완전히 기록한다. LS-DYNA에는 두 가지 유형의 덤프 파일이 있다. 그 중 한 유형인 D3DUMP 파일은 특별히 설정하지 않아도 해석이 정상 종료되면 d3dump01 파일이 생성된다. 이 파일에 대하여 *DATABASE_BINERY_ D3DUMP 키워드를 통해 사용자가 정의한 간격에 따라 D3DUMP 파일을 주기적으로 생성할 수 있고, 생성된 파일 뒤에 숫자가 붙어 주기마다 증가하고 해석 폴더 내에서 d3dump01, d3dump02 등으로 확인할 수 있다. 다른 유형의 덤프 파일은 RUNRSF로 *DATABASE_BINERY_RUNRSF 키워드를 통해 사용자가 정의한 간격에 따라 파일을 생성하지만, NR 매개변수가 사용되지 않는 한 동일한 파일에 덮어씌워져서 생성된다. 이 두 가지 덤프 파일은 함께 사용할 수 있다. <그림 1>은 D3DUMP 파일을 주기적으로 저장하기 위한 *DATABASE_BINARY_D3DUMP 키워드 예시이다.   그림 1. D3DUMP 저장 간격 키워드 예시   리스타트 타입 LS-DYNA의 리스타트 타입(Restart Type)은 이전 해석에 이어서 수행하는 기능으로, 크게 세 가지로 나눌 수 있다. 심플 리스타트(Simple Restart) 스몰 리스타트(Small Restart) 풀 리스타트(Full Restart) 그러면, 이전 해석에 이어서 진행해야 하는 몇 가지 상황에 따라 어떤 타입의 리스타트 기능을 사용하는지 알아보자.    실수로 해석창을 닫았어요! – 심플 리스타트 심플 리스타트는 종료시간(Termination Time) 이전에 해석이 중단된 경우에, 사용자가 설정한 주기마다 저장된 d3dump 파일을 사용하여 특정 시점부터 해석을 다시 시작하는 기능이다. 따라서 변경 사항이 없어 입력 파일(Keyword Input Deck)이 필요하지 않고 d3dump 파일만 활용한다.    그림 2. 일반적인 해석 실행 화면(LS-RUN)   그림 3. 일반적인 해석 실행 화면(CMD 창)   <그림 2>와 같이 LS-RUN을 사용하여 해석을 수행한 경우 <그림 3>과 같은 CMD 창이 팝업되고, 해석 진행에 따른 메시지를 바로 확인할 수 있다. <그림 1>의 키워드 예시처럼 사용자가 덤프 파일의 저장 주기를 미리 설정하였다면, CMD 창에 나타난 메시지처럼 지정된 주기인 5000 사이클마다 덤프 파일이 저장되고 있음을 알 수 있다.  만약 1만 사이클 이후 실수로 해석 CMD 창을 닫아 해석이 중단되었다면, d3dump02를 사용하여 리스타트 해석을 수행할 수 있다. <그림 4>처럼 LS-RUN의 Expression 설정에서 i=$INPUT 대신 r=d3dump02로 명령어를 수정하면 덤프 파일을 사용하여 해석을 이어갈 수 있다.   그림 4. 심플 리스타트 해석 실행 화면(LS-RUN)   그림 5. 심플 리스타트 해석 실행 화면(CMD창)     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   이번 호에서는 태성에스엔이의 자회사로 적층제조(AM) 전문 CAE 기업인 원에이엠이 한국항공우주연구원 우주발사체 엔진의 개폐밸브 하우징에 대한 L-PBF 방식 금속 적층제조 공정 중 발생한 과열 문제를 앤시스 워크벤치 애디티브(Ansys Workbench Additive)를 통해 검토하고 해결한 사례를 소개하고자 한다.   ■ 김재은 원에이엠 DfAM팀의 선임연구원으로 Ansys Additive 라이선스 및 다양한 적층제조 관련 교육을 담당하고 있으며, 적층제조 특화 설계를 통한 성공사례를 만들어가고 있다. 홈페이지 | www.oneam.co.kr   금속 적층제조 공정은 상대적으로 높은 설계 자유도 및 공정 자유도에 의해 항공우주, 모빌리티 등의 산업에서 고부가가치 제품의 생산 또는 개발 단계의 성능 검증과 제품 제작에 많이 이용된다. 특히 L-PBF(Laser-Powder Bed Fusion) 방식이 가장 널리 쓰이는데, L-PBF 방식의 금속 적층제조는 금속분말이 얇게 도포된 베드 위에 레이저로 고밀도의 에너지를 조사함으로써 제품을 생산하는 방법을 일컫는다. 균일한 두께로 얇게 도포된 금속 분말은 레이저에 의해 용융되고, 고화 및 분말 도포 과정이 반복되며 층별로 쌓임으로써 제품 형상을 구현한다. 이러한 생산 방식으로 인해 L-PBF 방식 금속 적층제조 공정에서는 필연적으로 열이 발생한다. 이 열을 안정적으로 해소하지 못한 경우 제품의 변형, 크랙(갈라짐) 등이 발생할 가능성이 높아지고, 심각한 경우 공정을 중단하는 사태에 이르게 될 수 있다. 따라서 제품의 개발 비용 손실 최소화 및 성능 만족 측면에서 적층제조 공정 중 문제를 일으킬 가능성이 높은 열 문제를 반드시 검토하고 해결해야 한다.    발사체 엔진 개폐밸브 하우징의 과열 탐색 필요성 한국항공우주연구원은 대한민국 항공우주 분야의 중심 연구기관으로, 항공기·인공위성·우주발사체의 종합 시스템 및 핵심 기술 연구 개발을 수행하고 있다. 최근에는 우리나라 최초의 달 궤도선 다누리의 개발과 국내 독자 기술로 개발한 한국형 발사체 누리호의 개발에 성공하였으며, 차세대 발사체 개발에 박차를 가하고 있다. 이러한 우주발사체의 추진력은 엔진의 점화와 연소 중단을 통해 얻는데, 이때 연소기 내에서 산화제(산소)와 연료의 공급/차단이 원활히 이루어지도록 하는 것이 개폐밸브이다.  개폐밸브는 액체산소(LOX)가 산화제로 사용되기 때문에 -183℃의 극저온 환경에서 안정적으로 작동하여야 하며 기밀, 열림 압력, 내구성 등 밸브 성능에 높은 신뢰성이 요구된다. 또한 밸브 크기 및 무게의 제한으로 인해 개발 요구조건 난이도가 높다. 이러한 개발 요구조건을 만족시키기 위해 개폐밸브 작동조건 및 환경을 고려한 설계와 함께, 극저온 취성을 포함한 우수한 성질의 소재로 제작하는 것이 필요하다.  앞선 요구조건을 만족하도록 연구개발 및 해석을 통해 개폐밸브 하우징은 위상최적화 기법을 도입하여 설계되었고(그림 1) 위상 구조가 복잡해짐에 따라 L-PBF 방식의 금속 적층제조 공정으로 제작이 결정되었다.   그림 1. 한국항공우주연구원의 개폐밸브 하우징   L-PBF 방식의 금속 적층제조 공정은 얇은 금속 분말 층을 레이저로 용융한 뒤 고화시키는 과정을 반복하여 쌓음으로써 제품을 생산한다. 때문에 금속 적층제조 공정 중에 필연적으로 열이 발생한다. 이렇게 발생된 열의 대부분은 전도를 통해 제품의 하단, 즉 베이스플레이트 쪽으로 이동하며 배출된다. 그런데, 이때 열을 충분히 해소시키지 못하는 경우 과열 문제가 발생할 가능성이 높다. 주로 베이스플레이트 쪽으로 열을 전도시키는 매개체가 부족하거나, 제품의 단면적 변화가 급격하여 열 전달의 병목 구간이 존재하는 경우 나타난다. 이러한 과열 및 적층 레이어 간의 높은 열 구배는 잔류응력을 유발하는데, 이는 제품의 과도한 변형 및 크랙(갈라짐)을 일으키거나 제조 공정이 중단되는 사태에 이르게 될 수 있다. 따라서, 금속 적층제조 공정에 들어가기 앞서 문제를 초래할 가능성이 있는 과열 영역에 대해 사전 검토가 필요하다.   그림 2. 과열에 의한 파트 변형 예   추가로, 금속 적층제조 공정에서 열 전도도가 낮아 열 배출이 용이하지 않은 소재를 사용할 경우 과열에 더 유의해야 한다. 대표적으로 철 합금, 니켈 합금, 티타늄 합금 등이 있는데, 이 소재들은 고강도, 극저온, 인체 적합성 등 특수한 사용 환경 및 조건에 의해 항공우주, 모빌리티, 의료 등의 분야에서 활용도가 높다.    그림 3. Ansys Additive Manufacturing Materials의 열전도도 비교   한국항공우주연구원의 개폐밸브 하우징도 마찬가지로 -183℃의 액체산소(LOX) 산화제를 사용하고 내압, 진동, 열변형을 견뎌야 한다는 운용 환경에 의해, 니켈 합금인 Inconel 소재로 금속 적층제조 공정을 수행하게 되었다. 따라서, 위상최적설계를 통해 형상 복잡도가 높아 열 배출이 어려워진 것에 더해, 열전도도가 낮은 Inconel 소재 적용으로 과열에 대한 위험성이 높아졌다. 또한 제품의 크기가 커서 대형 장비로 제작해야 되기 때문에, 소형 대비 제작 실패 시 발생 비용이 높다. 그러므로 개폐밸브 하우징은 금속 적층제조 공정 제작 난이도가 매우 높고 제작 실패 시 발생 비용이 크기 때문에, 사전 검토 단계에서 과열 영역 탐색을 도입하고 문제 발생 가능성이 높은 부분에 대해 예방할 필요가 있다. 따라서 이번 호에서는 앤시스 워크벤치 애디티브를 활용하여 해석적으로 과열 영역을 확인하고, 실제 제작된 제품과 비교함으로써 신뢰성을 확보하고자 하였다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공사례   파이앤시스(PyAnsys)는 파이썬(Python)을 활용하여 앤시스(Ansys) 제품을 사용할 수 있는 라이브러리를 뜻한다. 파이앤시스는 구조해석과 관련한 PyMAPDL, PyMechanical과 전처리 및 후처리에 대한 PyDPF가 있다. 이와 같은 라이브러리를 이용하면 파이썬 내에 있는 패키지와 함께 다양한 작업이 가능해진다. 이번 호에서는 파이앤시스 중에서도 PyMAPDL에 대한 사용 방법과 활용 예시를 소개하고자 한다.   ■ 노은솔 태성에스엔이 구조 3팀 매니저로 구조해석 및 자동화 프로그램에 대한 기술 지원을 담당하고 있다. 이메일 | esnoh@tsne.co.kr 홈페이지 | www.tsne.co.kr   앤시스에서 구조, 열, 음향 등 다양한 해석에 사용되는 유한요소 솔버 중 하나인 Mechanical APDL은 명령어를 기반으로 구동된다. 복잡한 연산이나 매개변수 설정 및 자동화 기능이 가능하기 때문에 여전히 많이 사용되고 있다. 하지만 앤시스 워크벤치(Ansys Workbench)의 제한적인 기능을 활용할 경우, 추가적으로 APDL 명령어를 사용해야 한다. 말하자면 APDL 명령어로 여러 기능을 구현할 수 있지만, 넓은 범위에서 적용하기에는 한계가 있는 것이다. 예로 머신러닝이나 딥러닝과 관련한 라이브러리인 텐서플로(TensorFlow)나 케라스(Keras) 등은 APDL 명령어 내에서는 사용할 수 없으며, 파이썬과 APDL 연동에도 한계가 있다.  이 때 PyMAPDL 라이브러리를 사용하면 파이썬 내에서 APDL을 사용하기 때문에 활용도가 넓어진다. 이번 호에서는 PyMAPDL의 사용 방법과 활용 예시를 다뤄보고자 한다.    PyMAPDL 사용 방법 PyMAPDL은 파이썬에서 사용될 때 gRPC(Google Remote Procedure Call)를 기반으로 파이썬 명령어를 APDL 명령어로 변환하여 MAPDL 인스턴스(Instance)에 전송하고, 결과를 파이썬으로 다시 반환한다. 이러한 작업 과정 때문에 파이썬과 MAPDL 간 원활한 데이터 통신이 가능해지며, 다수의 MAPDL 인스턴스를 생성하여 다른 명령으로 동시 작업 또한 가능하다.   그림 1. PyMAPDL gRPC   먼저 PyMAPDL을 사용하기 위해서 앤시스 메커니컬(Ansys Mechanical)이 설치되어 있어야 하며, 관련 라이선스를 보유하고 있어야 한다. 현재 파이앤시스 홈페이지에 따르면 파이썬 3.8 이상 버전을 지원하고 있으며, gRPC 기반으로 사용하기 위해서 앤시스 2021 R1 이상을 권장한다. 파이썬과 앤시스 모두 설치되어 있는 환경이라면 추가적으로 PyMAPDL 라이브러리를 설치해야 한다. 터미널 창에 ‘pip install ansys-mapdl-core’ 한 줄의 입력으로 쉽게 설치되며, 버전을 따로 지정하지 않을 경우 최신 버전으로 설치된다. PyMAPDL은 <그림 2>와 같이 ‘launch_mapdl’ 함수를 호출하여 사용한다. 이는 Mechanical APDL Product Launcher를 실행하는 것과 유사하다. 해당 함수를 활용할 때 입력 가능한 주요 인자들을 입력하여 작업 폴더 위치나 파일 이름, 계산 방식 및 라이선스 등을 지정할 수 있다.    그림 2. PyMAPDL 실행 명령어   기존에 APDL에서 육면체 형상을 모델링하여 요소를 생성하는 과정은 <그림 3>과 같이 작성되고, 동일한 작업을 PyMAPDL로는 <그림 4>와 같이 구성할 수 있다. 작성된 APDL과 PyMAPDL 명령어를 비교하면 형태가 매우 유사한 것을 볼 수 있다. 이 때 PyMAPDL은 파이썬에서 두 가지 방식으로 사용된다. 첫 번째는 ‘run’ 명령어를 활용하여 APDL 명령어를 스트링(string)으로 입력해 직접 실행하는 방법이며, 두 번째는 파이썬 명령어로 변환해서 처리하는 방법이다.   그림 3. MAPDL 모델링 및 요소 생성 예시   그림 4. PyMAPDL 모델링 및 요소 생성 예시     ■ 자세한 기사 내용은 PDF로 제공됩니다.

레노버가 엔비디아와 협력해 모든 기업 및 클라우드에 맞춤형 생성형 AI 애플리케이션을 제공하는 신규 하이브리드 AI 솔루션을 발표했다.  양사의 엔지니어링 협력을 통해 이번 하이브리드 AI 솔루션은 포켓에서 클라우드에 이르는 고객 데이터에 AI를 효과적으로 활용할 수 있도록 만들어졌다. 개발자들은 엔비디아 AI 엔터프라이즈 소프트웨어 실행에 최적화된 레노버 하이브리드 AI 솔루션을 통해 엔비디아 NIM 및 네모 리트리버(NeMo Retriever)와 같은 마이크로 서비스에 액세스할 수 있게 된다. 레노버는 대규모 AI 워크로드를 효율적으로 처리하기 위해 확장된 레노버 씽크시스템 AI 포트폴리오를 새롭게 공개했다. 이 포트폴리오는 두 개의 엔비디아 8방향 GPU 시스템을 탑재하고 있으며, AI 구현을 가속하기 위한 전력 효율성 및 거대 컴퓨팅 능력을 갖추고 있다. 생성형 AI, 자연어 처리(NLP) 및 대규모 언어 모델(LLM) 개발을 위해 설계됐으며, 엔비디아 HGX AI 슈퍼컴퓨팅 플랫폼에는 엔비디아 H100, H200 텐서 코어 GPU, 신규 엔비디아 그레이스 블랙웰 GB200 슈퍼칩, 엔비디아 퀀텀-X800 인피니밴드 및 스펙트럼-X800 이더넷 네트워킹 플랫폼이 포함되어 있다. 레노버 씽크시스템 AI 서버는 엔비디아 B200 텐서 코어 GPU를 탑재해 생성형 AI의 새로운 막을 열었다. 엔비디아 블랙웰 아키텍처는 생성형 AI 엔진, 엔비디아 NV링크(NVLink) 인터커넥트 및 향상된 보안 기능을 갖추고 있는 점이 특징이다. 또한, B200 GPU는 최대 25배 더 빠른 실시간 추론 성능으로 1조 매개변수를 갖춘 언어 모델을 지원한다. 이는 AI, 데이터 분석 및 HPC 워크로드에 최적 설계됐다.     신규 레노버 씽크시스템 SR780a V3 서버는 1.1대의 전력효율지수(PUE)를 갖춘 5U 시스템으로, 설치 공간을 절약할 수 있는 점이 특징이다. 한편, CPU와 GPU에는 레노버 넵튠 다이렉트 수냉식 기술과 엔비디아 NV스위치(NVSwitch) 기술이 사용되어 발열 문제없이 최대 성능을 유지할 수 있다. 레노버 씽크시스템 SR680a V3 서버는 듀얼 소켓 공랭 시스템으로, 엔비디아 GPU와 인텔 프로세서를 탑재하여 AI를 최대 활용할 수 있도록 설계됐다. 이 시스템은 업계 표준 19인치 서버 랙 타입으로써 과도한 공간을 차지하거나 선반을 필요로 하지 않는 고밀도 하드웨어로 구성되어 있다. 한편, 레노버 PG8A0N 서버는 엔비디아 GB200 그레이스 블랙웰 슈퍼칩을 탑재한 AI용 1U 서버이자 가속기용 개방형 수냉식 기술을 갖췄다. GB200은 45배 더 빠른 실시간 LLM 추론 성능과 더불어 40배 더 낮은 총소유비용(TCO), 40배 더 적은 에너지로 구동된다. 레노버는 엔비디아와의 긴밀한 협업을 통해 AI 트레이닝, 데이터 처리, 엔지니어링 설계 및 시뮬레이션을 위한 GB200 랙 시스템을 제공할 예정이다. 고객들은 레노버가 지닌 엔비디아 인증 시스템 포트폴리오를 통해 ‘엔비디아 AI 엔터프라이즈’를 사용할 수 있게 된다. 이는 프로덕션급 AI 애플리케이션 개발 및 배포를 위한 엔드 투 엔드 클라우드 네이티브 소프트웨어 플랫폼이다. 또한, 엔비디아 AI 엔터프라이즈에 포함된 엔비디아 NIM 추론 마이크로 서비스를 레노버 엔터프라이즈 인프라에서 실행함으로써, 고성능 AI 모델 추론을 할 수 있다. 또한, 레노버는 워크스테이션에서 클라우드에 이르기까지 엔비디아 OVX와 엔비디아 옴니버스 설계, 엔지니어링 및 구동을 지원하고 있다고 소개했다. 기업들이 맞춤형 AI, HPC 및 옴니버스 애플리케이션을 신속하게 구축할 수 있도록 레노버는 엔비디아 MGX 모듈형 레퍼런스 디자인을 통해 신속하게 모델을 구축하고 있다. 이로써 맞춤형 모델을 제공받은 CSP 업체들은 가속화된 컴퓨팅을 통해 AI 및 옴니버스 워크로드를 대규모 처리할 수 있게 된다. 엔비디아 H200 GPU를 기반으로 한 해당 시스템은 테라바이트급의 데이터를 처리하는 AI 및 고성능 컴퓨팅 애플리케이션을 통해 과학자와 연구자들이 직면한 문제를 해결할 수 있도록 돕는다. 이외에도 레노버는 엔비디아와 협력을 통해 대규모 AI 트레이닝, 미세 조정, 추론 및 그래픽 집약적 워크로드 처리를 위한 최대 4개의 RTX 6000 에이다 제너레이션(RTX 6000 Ada Generation) GPU를 제공하여 데이터 사이언스 워크스테이션을 강화했다. 이는 자동화된 워크플로를 통해 AI 개발자의 생산성을 향상시킨다. 엔비디아 AI 워크벤치(AI Workbench)를 갖춘 신규 레노버 워크스테이션은 소프트웨어 툴을 통해 추론, 대규모 시뮬레이션, 까다로운 워크플로를 위한 강력한 AI 솔루션을 개발 및 배포할 수 있도록 돕는다. 엔비디아 AI 워크벤치는 모든 개발자로 하여금 생성형 AI 및 머신 러닝 개발을 지원하는 솔루션이다. 레노버 씽크스테이션과 씽크패드 워크스테이션에서 이용 가능한 신규 엔비디아 A800 GPU는 AI용으로 특별히 설계되어, 모든 종류의 AI 워크플로를 활용하는 조직들을 위해 안전하고 프라이빗한 데이터 사이언스 및 생성형 AI 지원 환경을 제공한다. 레노버 인프라스트럭처 솔루션 그룹(ISG)의 커크 스카우젠 사장은 “레노버와 엔비디아는 전 세계 비즈니스를 위한 증강 지능(Augmented Intelligence)의 경계를 허물고 있다. 생성형 AI를 지원하는 최첨단 하이브리드 AI 솔루션 포트폴리오를 통해 데이터가 있는 어느 곳이든 AI 컴퓨팅을 활용할 수 있게 됐다”면서, “우리는 실시간 컴퓨팅, 전력 효율성, 배포 용이성 개선을 기반으로 새로운 AI 활용 사례가 시장에 나올 수 있는 변곡점에 놓여있다. 레노버는 엔비디아와 파트너십을 통해 효율성, 성능, 비용 측면에서 획기적인 발전을 이루어 모든 산업 군에서 AI 애플리케이션 활용을 가속화할 것이다. 또한, 리테일 경험 향상, 도시 재편, 스마트 제조 지원 등 기업들이 대규모 데이터셋의 인사이트를 즉시 활용할 수 있도록 도울 것”이라고 말했다. 엔비디아의 밥 피트(Bob Pette) 엔터프라이즈 플랫폼 부문 부사장은 “AI는 기업들이 데이터를 통해 새로운 인사이트를 얻고 생산성을 향상시킬 수 있는 강력한 힘”이라며, “엔비디아 기술과 통합된 레노버의 새로운 엔터프라이즈 AI 솔루션은 AI를 위한 컴퓨팅 성능을 강화하는 데 있어 중추적인 이정표일 뿐만 아니라, 기업들이 생성형 AI를 활용할 수 있도록 신뢰도 있는 하이브리드 시스템을 제공한다”고 말했다.

엔비디아가 RTX AI PC와 워크스테이션 사용자를 위한 하드웨어, 소프트웨어, 도구, 가속화 등을 계속해서 선보일 예정이라고 밝혔다. 엔비디아는 2018년 RTX 기술과 AI용으로 제작된 소비자 GPU인 지포스 RTX(GeForce RTX)를 출시하면서 AI 컴퓨팅으로의 전환을 가속화했다. 이후 RTX PC와 워크스테이션상의 AI는 1억 명 이상의 사용자와 500개 이상의 AI 애플리케이션을 갖춘 생태계로 성장했다. 생성형 AI는 PC에서 클라우드에 이르기까지 새로운 차원의 기능을 선보이고 있다. 또한 엔비디아는 축적된 AI 경험과 전문성으로 모든 사용자가 다양한 AI 기능을 처리하는 데 필요한 성능을 갖출 수 있도록 지원한다는 계획이다. AI 시스템은 데이터 내부의 경험이나 패턴을 학습한 다음 새로운 입력이나 데이터가 공급되면 스스로 결론을 조정할 수 있다는 장점을 가지고 있다. AI 시스템은 이러한 자가 학습을 통해 이미지 인식, 음성 인식, 언어 번역, 의료 진단, 자동차 내비게이션, 이미지와 영상 품질 향상 등 수백 가지의 다양한 작업을 수행할 수 있다. AI 진화의 다음 단계는 생성형 AI(generative AI)라고 하는 콘텐츠 생성이다. 이를 통해 사용자는 텍스트, 이미지, 사운드, 애니메이션, 3D 모델 또는 기타 유형의 데이터를 포함한 다양한 입력을 기반으로 새로운 콘텐츠를 빠르게 제작하고 반복할 수 있다. 그런 다음 동일하거나 새로운 형식의 콘텐츠를 생성한다.     AI PC는 AI를 더 빠르게 실행할 수 있도록 설계된 전용 하드웨어가 장착된 컴퓨터이다. 점점 더 많은 유형의 AI 애플리케이션이 클라우드가 아닌 디바이스에서 특정 AI 작업을 수행할 수 있는 PC를 필요로 하게 될 것이다. AI PC에서 실행하면 인터넷 연결 없이도 항상 컴퓨팅을 사용할 수 있고 시스템의 짧은 지연 시간으로 응답성도 높아진다. 아울러 사용자가 AI 활용을 위해 민감한 자료를 온라인 데이터베이스에 업로드할 필요가 없어 개인정보 보호가 강화된다는 이점도 있다. 3D 이미지가 로드될 때까지 가만히 앉아 기다리는 대신 AI 디노이저를 통해 이미지가 즉각적으로 업데이트되는 것을 볼 수 있다. RTX GPU에서는 이러한 전문 AI 가속기를 ‘텐서 코어(Tensor Core)’라고 한다. 텐서 코어는 업무와 게임 플레이에 사용되는 까다로운 애플리케이션에서 AI의 성능을 가속화한다. 현 세대의 지포스 RTX GPU는 대략 200 AI TOPS(초당 조 단위 연산)부터 1300 TOPS 이상까지 다양한 성능 옵션을 제공하며, 노트북과 데스크톱에 걸쳐 다양한 옵션을 지원한다. GPU가 없는 현 세대의 AI PC 성능은 10~45TOPS이다. 전문가들은 엔비디아 RTX 6000 에이다 제너레이션(RTX 6000 Ada Generation) GPU를 통해 더욱 높은 AI 성능을 얻을 수 있다. 엔비디아는 고성능의 RTX GPU와 함께 AI 업스케일링부터 개선된 화상 회의, 지능적이고 개인화된 챗봇에 이르기까지 모든 유형의 사용자에게 도움이 되는 도구를 제공한다고 소개했다. RTX 비디오는 AI를 사용해 스트리밍 영상을 업스케일링하고 HDR(하이 다이내믹 레인지)로 표시한다. SDR(표준 다이내믹 레인지)의 저해상도 영상을 최대 4K 고해상도 HDR로 생생하게 재현한다. RTX 사용자는 크롬 또는 엣지 브라우저에서 스트리밍되는 거의 모든 영상에서 한 번의 클릭으로 이 기능을 이용할 수 있다. RTX 사용자를 위한 무료 앱인 엔비디아 브로드캐스트(Broadcast)는 간단한 사용자 인터페이스(UI)를 통해 화상 회의, 라이브 스트리밍 개선 등 다양한 AI 기능을 제공한다. 노이즈와 에코 제거 기능으로 키보드 소리, 진공 청소기 소리, 아이들의 큰 목소리 등 원치 않는 배경 소리를 제거하고, 가상 배경을 사용해 더 나은 엣지 감지로 배경을 대체하거나 흐리게 처리할 수 있다. 챗 위드 RTX(Chat With RTX)는 사용하기 쉽고 무료로 다운로드가 가능한 로컬 맞춤형 AI 챗봇 데모이다. 사용자는 파일을 하나의 폴더에 끌어다 놓고 챗 위드 RTX에서 해당 위치를 가리키기만 하면 PC의 로컬 파일을 지원되는 대규모 언어 모델(LLM)에 쉽게 연결할 수 있다. 이를 활용하면 쿼리를 통해 상황에 맞는 답변을 빠르게 얻을 수 있다.  AI는 크리에이터들의 지루한 작업을 줄이거나 자동화해 순수 창작을 위한 시간을 제공하며 창의적인 잠재력을 실현하도록 돕는다. 이러한 기능은 엔비디아 RTX 또는 지포스 RTX GPU가 탑재된 PC에서 빠르게 혹은 단독으로 실행된다. 어도비 프리미어 프로의 AI 기반 음성 향상 도구는 불필요한 노이즈를 제거하고 대화 품질을 개선한다. 어도비 프리미어 프로(Adobe Premiere Pro)의 음성 향상 도구는 RTX로 가속화된다. 이는 AI를 사용해 불필요한 노이즈를 제거하고 대화 클립의 품질을 개선해 전문적으로 녹음된 것 같은 사운드를 구현한다. 또 다른 프리미어 기능으로는 자동 리프레임이 있다. 자동 리프레임은 GPU 가속화를 통해 영상에서 가장 관련성 높은 요소를 식별하거나 추적해 다양한 화면 비율에 맞게 영상 콘텐츠를 지능적으로 재구성한다. 영상 편집자의 시간을 절약해 주는 또 하나의 AI 기능으로 다빈치 리졸브(DaVinci Resolve)의 매직 마스크(Magic Mask)가 있다. 편집자가 한 장면에서 피사체의 색조와 밝기를 조정하거나 원치 않는 부분을 제거해야 하는 작업에서 매직 마스크를 활용하면 피사체 위에 선을 긋기만 해도 AI가 잠시 동안 처리한 후 선택 영역을 표시한다.  한편, AI는 확장 가능한 환경, 하드웨어와 소프트웨어 최적화, 새로운 API를 통해 개발자가 소프트웨어 애플리케이션을 구축하는 방식을 개선하고 있다. 엔비디아 AI 워크벤치(AI Workbench)는 개발자가 PC급 성능과 메모리 설치 공간을 사용해 사전 훈련된 생성형 AI 모델과 LLM을 빠르게 생성, 테스트, 맞춤화할 수 있도록 지원한다. 이는 RTX PC에서 로컬로 실행하는 것부터 거의 모든 데이터센터, 퍼블릭 클라우드 또는 엔비디아 DGX 클라우드(DGX Cloud)까지 확장할 수 있는 간편한 통합 툴킷이다. 개발자는 PC에서 사용할 AI 모델을 구축한 후 엔비디아 텐서RT를 사용해 모델을 최적화할 수 있다. 텐서RT는 RTX GPU에서 텐서 코어를 최대한 활용할 수 있도록 도와주는 소프트웨어이다. 윈도우용 텐서RT-LLM을 통해 텍스트 기반 애플리케이션에서 텐서RT 가속화를 사용할 수 있다. 이 오픈 소스 라이브러리는 LLM 성능을 향상시키고 구글 젬마 ,메타(Meta) 라마2(Llama 2), 미스트랄(Mistral), 마이크로소프트(Microsoft) Phi-2 등 인기 모델에 대해 사전 최적화된 체크포인트를 포함한다. 또한 개발자는 오픈AI(OpenAI) 채팅 API용 텐서RT-LLM 래퍼에도 액세스할 수 있다. 컨티뉴(continue.dev)는 LLM을 활용하는 비주얼 스튜디오 코드(VS Code)와 제트 브레인(JetBrains)용 오픈 소스 자동 조종 장치이다. 컨티뉴는 단 한 줄의 코드 변경만으로 RTX PC에서 로컬로 텐서RT-LLM을 사용해 로컬에서 빠르게 LLM 추론할 수 있는 도구이다.

버스바의 최적 설계 프로세스 단축하기   파워서플라이나 전기차 배터리와 같은 고전력 장치에 사용되는 버스바(BusBar)는 최적 설계 도출을 위해 다수의 전열 해석이 동반되어 수많은 워크플로를 진행해야 한다. 태성에스엔이가 자체 개발한 전열 해석 자동화 프로그램인 BeHAP을 이용하면 단일 환경에서 전열 해석을 한 번에 진행 가능하다. 이번 호에서는 버스바 전열 해석 자동화 프로그램에 대한 소개와 사용 방법을 설명하고자 한다.   ■ 김재원 태성에스엔이 구조 2팀 매니저로 구조해석 및 자동화 프로그램에 대한 기술 지원을 담당하고 있다. 이메일 | jwkim21@tsne.co.kr 홈페이지 | www.tsne.co.kr   파워 서플라이나 전기차 배터리와 같은 고전력이 필요한 장치에 많이 사용되는 버스바는 전선과 동일한 기능을 가지면서 형상적으로 단단하고 정밀한 제작이 가능하기 때문에, 보다 효율적인 공간 활용이 가능하다.  그에 따라 형상 최적 설계에 대한 연구가 많이 진행되고 있으나 최적 설계 도출을 위해서 다수의 전열 해석을 수행해야 하기 때문에, 수많은 워크플로 생성으로 인해 업무 효율성이 떨어지는 어려움이 있다. 태성에스엔이에서 제작한 버스바 전열 해석 자동화 프로그램인 BeHAP을 사용하면 다수의 전열 해석이 필요 없이 단일 환경에서 다양한 전열 해석 수행이 가능하다.    BeHAP 소개 전열 해석은 전기 해석과 발열 해석의 연성 해석이 필요하기 때문에, 다양한 환경에서 해석이 진행된다.(그림 1)   (a) 해석 시스템 생성   (b) 물성 추가   (c) 형상 수정   (d) 격자 생성 및 경계 조건 부여   (e) 결과 확인 그림 1. 앤시스 환경에서의 전열 해석 프로세스   <그림 1>과 같이 앤시스의 전열 해석 프로세스는 워크벤치(그림 1-a~b), SCDM(그림 1-c), 메커니컬(그림 1-d~e) 환경을 거쳐 전/후처리를 진행하기 때문에, 워크플로가 매우 복잡해진다. 이러한 경우 BeHAP을 사용하여 이러한 문제를 해결할 수 있다. BeHAP은 <그림 2>와 같이 하나의 환경에서 전/후처리를 한 번에 수행할 수 있다. 또한, 해석 워크플로의 단순화로 해석 숙련도가 낮은 설계 엔지니어도 쉽게 사용할 수 있다는 장점이 있다.   (a) 모델 불러오기   (b) 물성 추가 및 적용   (c) 경계 조건 부여   (d) 결과 확인 그림 2. BeHAP에서의 전열 해석 프로세스     ■ 자세한 기사 내용은 PDF로 제공됩니다.

엔비디아가 AI용 엔비디아 스펙트럼-X(NVIDIA Spectrum-X) 이더넷 네트워킹 기술이 델 테크놀로지스, 휴렛팩커드 엔터프라이즈, 레노버의 서버 라인업에 통합된다고 밝혔다. 엔비디아 AI 스택을 탑재한 델 테크놀로지스, HPE, 레노버의 새로운 시스템은 2024년 1분기에 출시될 예정이다. 스펙트럼-X는 생성형 AI를 위해 설계된 것이 특징으로 기존 이더넷 제품보다 1.6배 높은 AI 통신 네트워킹 성능을 구현하며, 기업이 생성형 AI 워크로드를 가속화할 수 있도록 지원한다. 3곳의 시스템 제조업체에서 선보이는 서버 시스템은 스펙트럼-X와 엔비디아 텐서 코어 GPU, 엔비디아 AI 엔터프라이즈 소프트웨어, 엔비디아 AI 워크벤치 소프트웨어를 결합했다. 이로써 기업들에게 생성형 AI로 비즈니스를 혁신할 수 있는 빌딩 블록을 제공한다. 스펙트럼-X는 네트워크 집약적인 대규모 병렬 컴퓨팅을 위해 설계된 엔비디아 블루필드-3 슈퍼NIC(BlueField-3 SuperNIC) 가속 소프트웨어를 결합했다. 엔비디아 블루필드-3 슈퍼NIC는 초당 51Tb/s의 AI용 이더넷 스위치인 스펙트럼-4의 성능을 통해 하이퍼스케일 AI 워크로드를 강화하는 새로운 등급의 네트워크 가속기이다. 이로써 스펙트럼-X는 AI 워크로드의 효율성을 높이며, 엔비디아의 인프라 컴퓨팅 플랫폼인 블루필드-3 DPU를 보완한다. 스펙트럼-X는 차세대 AI 시스템을 위한 레퍼런스 아키텍처인 엔비디아 이스라엘-1(Israel-1) 슈퍼컴퓨터를 지원한다. 이스라엘-1은 델 테크놀로지스와 협력한 것으로, 엔비디아 HGX H100 8-GPU 플랫폼 기반의 델 파워엣지(PowerEdge) XE9680 서버와 스펙트럼-4 스위치 기반의 블루필드-3 DPU와 슈퍼NIC를 사용한다.     엔비디아의 젠슨 황(Jensen Huang) CEO는 “기업이 워크로드를 처리하기 위해 데이터센터를 업그레이드하면서 생성형 AI와 가속 컴퓨팅이 세대 간 전환을 주도하고 있다. 가속 네트워킹은 엔비디아의 선도적인 서버 제조업체 파트너사들이 생성형 AI 시대로 신속하게 전환할 수 있도록 새로운 시스템 파동을 일으키는 촉매제가 될 것”이라고 말했다. 델 테크놀로지스의 마이클 델(Michael Dell) CEO는 “가속 컴퓨팅과 네트워킹은 대규모 언어 모델(LLM)과 생성형 AI 애플리케이션의 요구 사항을 충족시키는 시스템 구축에 핵심적인 역할을 한다. 델 테크놀로지스와 엔비디아의 협력을 통해 고객에게 데이터에서 인텔리전스를 빠르고 안전하게 추출하는 데 필요한 인프라와 소프트웨어를 제공하고 있다”고 말했다. HPE의 안토니오 네리(Antonio Neri) CEO는 “여러 산업에서 혁신을 주도할 생성형 AI는 다양하고 동적인 워크로드를 지원하기 위해 근본적으로 다른 아키텍처를 필요로 한다. 고객이 생성형 AI의 잠재력을 최대한 실현할 수 있도록 HPE는 엔비디아와 협력해 애플리케이션을 지원하는 데 필요한 성능, 효율성, 확장성을 갖춘 시스템을 구축하고 있다”고 말했다. 레노버의 양 위안칭(Yuanqing Yang) CEO는 “생성형 AI는 전례 없는 혁신을 실현할 수 있지만 기업 인프라에 대한 요구 사항도 전례 없이 높아졌다. 레노버는 엔비디아와 긴밀히 협력해 최신 AI 애플리케이션을 구동하는 데 필요한 네트워킹, 컴퓨팅, 소프트웨어를 갖춘 효율적이고 가속화된 시스템을 구축하고 있다”고 말했다.

엔비디아가 글로벌 제조업체와 함께 강력한 새로운 엔비디아 RTX 워크스테이션을 발표했다. 이 강력한 RTX 워크스테이션은 생성형 AI와 디지털화 시대에서 개발과 콘텐츠 제작을 위해 설계됐다. 이 시스템은 BOXX, 델 테크놀로지스(Dell Technologies), HP, 레노버(Lenovo)에 탑재되며, 엔비디아 RTX 6000 에이다 제너레이션 GPU(NVIDIA RTX 6000 Ada Generation GPU)를 기반으로 한다. 이로써 엔비디아 AI 엔터프라이즈(AI Enterprise)와 엔비디아 옴니버스 엔터프라이즈(Omniverse Enterprise) 소프트웨어를 통합한다. 이외에도 엔비디아는 전 세계 전문가들에게 최신 AI, 그래픽, 실시간 렌더링 기술을 제공하기 위해 엔비디아 RTX 5000, RTX 4500, RTX 4000의 새로운 데스크톱 워크스테이션용 에이다 세대 GPU 3종도 출시했다.  엔비디아의 프로페셔녈 비주얼라이제이션(professional visualization) 부문 부사장인 밥 피트(Bob Pette)는 “컴퓨팅에 풀스택 접근이 필요한 생성형 AI와 디지털화된 애플리케이션만큼 까다로운 워크로드는 거의 없다. 전문가들은 최신 엔비디아 기반 RTX 워크스테이션을 통해 데스크톱에서 이러한 문제를 해결할 수 있으며, 새로운 생성형 AI의 시대에 방대한 디지털화된 세계를 구축할 수 있다”고 말했다. 새로운 RTX 워크스테이션은 각각 48GB 메모리가 장착된 최대 4개의 엔비디아 RTX 6000 에이다 GPU를 제공하며, 단일 데스크톱 워크스테이션은 최대 5,828 테라플롭스(TFLOPS)의 AI 성능과 192GB의 GPU 메모리를 제공한다. 사용자의 필요에 따라 엔비디아 AI 엔터프라이즈 또는 옴니버스 엔터프라이즈로 시스템을 구성해 까다로운 생성형 AI와 그래픽 집약적 워크로드를 광범위하게 지원할 수 있다. 엔비디아 AI 엔터프라이즈 4.0에는 엔터프라이즈 AI 사용 사례 구축을 위한 프레임워크, 사전 훈련된 모델과 툴이 포함된다. 여기에는 생성형 AI를 위해 기초 모델을 구축하고 맞춤화하기 위한 엔드 투 엔드 프레임워크인 엔비디아 네모(NeMo)와 데이터 사이언스용 엔비디아 래피즈(RAPIDS) 라이브러리, 추천, 가상 어시스턴트, 사이버보안 솔루션 등이 있다. 옴니버스 엔터프라이즈는 산업 디지털화를 위한 플랫폼으로, 여러 팀이 상호 운용이 가능한 3D 워크플로우와 오픈USD 애플리케이션을 개발할 수 있도록 지원한다. 오픈USD 네이티브 플랫폼인 옴니버스는 전 세계로 분산된 팀이 수백 개의 3D 애플리케이션에서 디자인 충실도가 높은 데이터 세트로 협업할 수 있다. 유르트(Yurts)의 CTO인 제이슨 슈니처(Jason Schnitzer)는 “고객의 다양한 폼팩터, 배포 모델, 예산에 맞춰 풀스택 생성형 AI 솔루션을 제공한다. 우리는 다양한 자연어 처리 작업에 LLM을 활용하고 RTX 6000 에이다를 통합해 이를 달성했다. 프라이빗 데이터센터부터 책상 아래에 놓을 수 있는 워크스테이션 크기의 솔루션에 이르기까지, 유르트는 엔비디아와 함께 플랫폼과 제품을 확장하기 위해 최선을 다하고 있다”고 말했다.  워크스테이션 사용자는 곧 얼리 액세스로 제공되는 새로운 엔비디아 AI 워크벤치(Workbench)를 활용할 수 있다. 이는 개발자에게 몇 번의 클릭만으로 생성형 AI 모델을 생성, 미세 조정, 실행할 수 있도록 쉬운 통합 툴키트를 제공한다. 어떤 기술 수준을 가진 사용자일지라도 PC 또는 워크스테이션에서 사전 학습된 생성형 AI 모델을 빠르게 생성, 테스트, 커스터마이징한 다음 데이터센터, 퍼블릭 클라우드 또는 엔비디아 DGX 클라우드로 확장할 수 있다.

앤시스 워크벤치를 활용한 해석 성공 사례   금속 적층제조 공정은 금속 파우더를 용융시켜 적층하는 방식으로, 공정 특성상 열 변형이 동반된다. 이러한 열 변형은 출력 결과물의 구조적 신뢰성에 큰 영향을 미치므로, 제품의 치수 정밀도를 높이기 위해 반드시 해결해야 한다. 열 변형 해결을 위한 대표적인 방법은 앤시스 애디티브(Ansys Additive)를 이용하여 보상 모델을 활용하는 것이다. 보상 모델은 설계 모델과 실제 생산된 제품 간의 치수 차이를 해결하기 위한 방법이다. 적층공정 중 발생하는 제품 변형을 예측하여 이에 대한 보상 모델을 생성하면, 보상 모델이 사전 예측된 변형 거동을 따라 변형됨으로써 원하는 치수 정밀도를 충족하게 해준다. 이번 호에서는 워크벤치 애디티브(Workbench Additive)를 활용하여 L-PBF 방식의 보상 모델 생성 방법에 초점을 맞추어 다뤄보고자 한다.   ■ 김선명 | 태성에스엔이 적층제조센터 DfAM팀의 매니저로, 적층제조 특화 설계를 담당하고 있다. 이메일 | smkim23@tsne.co.kr 홈페이지 | www.tsne.co.kr   적층 공정에서의 보상 모델 적층제조 공정에서 발생하는 제품의 열 변형은 설계 치수와 실제 제품 간에 치수 차이를 발생시키는 원인이다. 치수에 오차가 발생함에 따라 구조 및 성능에 대한 문제가 발생할 뿐 아니라, 후가공에서도 문제가 발생할 수 있다. 따라서 적층제조 공정에서 치수 정밀도와 성능을 유지하기 위해 열 변형을 고려한 제품 설계가 필요하다. L-PBF 적층제조 공정에서 열 변형이 발생하는 원인은 고출력 레이저를 사용하여 금속 분말을 용융시키기 때문이다. 이렇게 제작되는 부품은 제조공정 중에 고온의 에너지를 지속적으로 받게 되고, 제조공정이 끝나도 열응력이 남아있는 등 열 변형에 대한 문제점이 존재한다. <그림 1>은 제조공정 중 발생하는 열이 충분히 배출되지 못해 발생한 열 변형의 대표적인 예이다.   그림 1. 원본 지오메트리 : (a) 설계 모델, (b) 시뮬레이션 결과, (c) 제작 모델   이러한 열 변형에 의한 수축/팽창으로 유발되는 제품 변형을 방지하기 위해 보상 모델의 적용이 필요한 것이다. 그러나 열 변형 거동을 고려한 보상 모델 설계를 직접 수행하기에는 어려움이 있으므로 시뮬레이션을 사용하여 보상 모델을 생성한다. 앞서 언급한 보상 모델이란, 적층제조 공정 중 발생하는 제품 변형을 사전 시뮬레이션을 통해 예측한 후, 열 변형 발생 시 원본 설계와 동일한 형상이 도출되게끔 모델링을 변경하는 방법이다. 먼저 <그림 2>와 같이 열 변형으로 인한 팽창이 일어날 것으로 예측되는 영역에 대해 형상을 변경시킴으로써 보상 모델이 생성된다. 이 보상 모델에 대한 적층공정 시뮬레이션을 수행한 결과, 동일 구간에서 열 변형으로 인한 팽창이 발생하며 원래 설계대로 제품 형상이 완성됨을 확인할 수 있다.   그림 2. 보상(compensated) 지오메트리 : (a) 설계 모델, (b) 시뮬레이션 결과, (c) 제작 모델   L-PBF 공정 시뮬레이션의 보상 모델 생성 방법 이 글에서는 <그림 3>과 같은 형상의 Ti-6Al-4V 재질의 더블 아치형 모델을 이용하여 L-PBF 적층공정 시뮬레이션을 진행하고 보상 모델을 생성하고자 하며, 과정은 다음과 같다. 먼저 보상 모델 생성에 앞서 첫 번째로 모델의 L-PBF 시뮬레이션을 수행한다. 다음으로 Inherent Strain 해석을 기반으로 L-PBF 시뮬레이션 진행 후 결과를 검토하며 보상 모델의 생성 기준을 정의하고, Distortion Compensation 기능을 활용하여 보상 모델 생성을 위해 <그림 4>에서 나타낸 순서대로 워크플로를 진행하여야 한다. 마지막으로 생성된 보상 모델의 L-PBF 시뮬레이션 결과를 검토하여 실제 출력물의 결과가 어떻게 나올지 분석하여야 한다.   그림 3. L-PBF 시뮬레이션을 위한 모델   그림 4. 보상 모델 생성의 워크플로   ■ 기사의 상세 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공사례   우리는 종종 초기 제품 설계 단계에서 ‘더 가벼운 소재로 변경할 수 없을까?’, ‘공정 과정을 바꾸지 않고 제품의 강도를 유지하는 다른 소재로 변경할 수 없을까?’와 같은 대체 소재 탐색에 대한 필요성을 느끼곤 한다. 앤시스 그란타 셀렉터(Ansys Granta Selector)는 초기 제품 설계에서 재료 물성 데이터의 시각화를 통해 체계적으로 대체 소재 비교/탐색을 체계적으로 수행할 수 있도록 도와주는 소프트웨어이다. 이번 호에서는 앤시스 그란타 셀렉터의 주요 기능들을 이용하여 최적 재료를 탐색하여 선정하고, 이를 앤시스 워크벤치(Ansys Workbench) 환경에서 수행하여 검증하는 최적 재료 선정 과정을 소개한다.   ■ 최귀진 태성에스엔이 유동 4팀 매니저로, 중공업/플랜트의 구조 해석 및 Ansys Granta 등을 담당하고 있다. 이메일 | kjchoi@tsne.co.kr 홈페이지 | www.tsne.co.kr   앤시스 그란타 셀렉터란 앤시스 그란타 셀렉터는 초기 제품 설계 단계에서 소재를 선택하거나 대안 소재를 손쉽게 검색하기 위한 특화 소프트웨어이다. 앤시스 그란타 셀렉터에서는 <그림 1>과 같이 데이터베이스에 저장된 소재의 물성 데이터를 ‘Ashby Charts’ 라고 불리는 그래프를 통해 시각화하여 직관적인 비교가 가능하다. 동시에 제품 설계에서 요구되는 설계 사양, 공정 조건, 제한 사항 등을 단계별로 적용함으로써 <그림 2>와 같은 최적 소재를 찾기 위한 프로세스로 소재를 검색하도록 지원한다.   그림 1. 앤시스 그란타 셀렉터의 물성 데이터 시각화   그림 2. 앤시스 그란타 셀렉터의 소재 선택 방법론   앤시스 그란타 셀렉터는 폭넓은 데이터베이스를 갖추고 있어 다양한 산업군에서 활용 가능하다. 데이터베이스는 기본적으로 제공되는 Core Data 데이터베이스와 사용 목적에 따라 별도로 구매가 가능한 Metals, Polymers, Composites, Medical 등 번들 형태 데이터베이스가 제공되고 있다. 기본적으로 제공되는 Core Data 데이터베이스에는 소재에 대한 일반적인 특성 데이터와 함께 가격, 탄소 배출량, 관련 법규 등 다양한 데이터를 포함하고 있으며, 해석에 활용 가능한 여러 종류의 비선형 데이터를 제공한다.   그림 3. 앤시스 그란타 셀렉터의 데이터베이스 목록   앤시스 그란타 셀렉터의 주요 기능 앤시스 그란타 셀렉터는 다양한 조건에 부합하는 최적 재료를 탐색하고, 이를 해석에 적용하여 검증하는 최적 재료를 선정하기 위한 일련의 프로세스를 수행할 수 있는 기능을 포함하고 있다.   소재 물성 데이터 시각화(Ashby Chart) 첫번째로 소개할 기능은 소재 물성 데이터의 시각화이다. 앤시스 그란타 셀렉터는 <그림 4>와 같이 데이터베이스의 모든 소재를 대상으로 물성 데이터를 그래프 형태로 시각화한다. <그림 4>는 밀도(Density)와 탄성 계수(Young’s Modulus)를 대상으로 소재 물성 데이터를 시각화하여 나타낸 것이다. 이러한 그래프 형태를 Ashby Chart라고 하며 소재 물성 데이터의 직관적인 비교를 가능하게 한다.   그림 4. 재료 물성 데이터 시각화(Density vs Young's Modulus)     ◼︎ 전체 내용은 PDF로 제공됩니다.