PTC는 윈칠(Windchill) PLM 설루션에 구축된 새로운 인공지능(AI) 기능인 ‘윈칠 AI 어시스턴트(Windchill AI Assistant)’를 출시했다. 이 기능은 자연어 채팅 인터페이스를 통해 윈칠에 생성형 AI를 도입한 것이다. 사용자는 플랫폼에 저장된 중요한 제품 정보를 더 쉽게 찾고 이해하며 활용할 수 있다. 이를 통해 검색 시간을 줄이고 팀 생산성을 높일 수 있다는 것이 PTC의 설명이다. 제품 데이터의 복잡성이 계속 증가함에 따라 엔지니어링 및 제조 팀은 방대한 문서 세트에서 특정 정보를 찾는 데 어려움을 겪는 경우가 많다. 윈칠 AI 어시스턴트는 사용자가 일상적인 언어로 질문하고 윈칠 문서 내용을 바탕으로 맥락에 맞는 답변이나 요약을 받을 수 있도록 지원하여 이러한 과제를 해결한다. 사용자는 긴 파일을 빠르게 검토하고 관련 세부 정보를 파악할 수 있다. 그리고 기존의 보고서나 표준 탐색 방식으로는 찾기 어려운 수년간의 엔지니어링 테스트, 리뷰, 기술 문서에 포함된 통찰력에 접근 가능하다. 모든 응답은 정보의 출처를 명확히 참조하며 액세스 제어 규칙을 준수한다. 이는 설루션에 대한 투명성, 보안 및 신뢰를 제공한다. 이 기능은 플러그인 형태로 배포되어 고객이 운영 중단 없이 신속하게 새로운 AI 기능을 도입할 수 있도록 돕는다.     PTC는 사용자가 윈칠 데이터와 상호 작용하는 방식을 확장하여 윈칠 AI 어시스턴트를 지속적으로 발전시킬 계획이다. 향후 개선 사항으로는 부품 및 변경 관리를 포함한 추가 제품 영역에 AI 에이전트를 추가하고 문서 정보에 대한 통찰력을 심화하며 AI 기반 작업을 워크플로에 직접 포함하는 것이 포함된다. 또한 사용자가 윈칠에서 작업을 완료할 때 안내를 돕기 위해 광범위한 프로세스 및 도메인 지식을 통합할 예정이다. PTC는 이러한 기능 강화를 통해 고객이 점점 더 복잡해지는 제품 데이터를 관리하는 과정에서 효율, 사용성 및 신뢰도를 더욱 높일 수 있을 것으로 기대하고 있다. 윈칠은 PTC의 다른 포트폴리오와 함께 ‘인텔리전트 제품 라이프사이클’ 비전을 지원한다. 이는 제조업체가 엔지니어링에서 강력한 제품 데이터 기반을 구축하고 데이터의 가치를 전사적으로 확장하며 AI 기반 혁신을 추진하도록 돕는다. 윈칠 AI는 크레오(Creo) AI, 코드비머(Codebeamer) AI, 서비스맥스(ServiceMax) AI, 온쉐이프(Onshape) AI, 아레나(Arena) AI 등 PTC의 다른 AI 설루션과 함께 기업이 AI 도입을 확장할 수 있도록 지원한다. PTC의 존 할러(John Haller) 윈칠 부문 제너럴 매니저는 “많은 고객에게 과제는 제품 데이터의 부족이 아니라 과거 엔지니어링 작업에서 학습한 내용을 찾고 재사용하기 어렵다는 점”이라고 설명했다. 그는 이어서 “윈칠 AI 어시스턴트를 통해 팀이 윈칠의 신뢰할 수 있는 정보에 더 빠르게 접근하도록 AI를 실용적으로 적용했다”면서, “이를 통해 답변을 찾는 데 드는 시간을 줄이고 통찰력을 업무에 적용하는 데 더 많은 시간을 할애할 수 있다”고 덧붙였다.

매스웍스는 기초과학연구원(IBS)과 국내 기초과학 연구를 위한 고성능 컴퓨팅 접근성 확대를 목표로 호스팅 계약을 체결했다고 전했다. 이번 협력은 국내 매트랩(MATLAB) 사용자들이 기초과학연구원의 공유 슈퍼컴퓨팅 인프라를 통해 대규모 워크플로를 실행할 수 있도록 지원하기 위해 마련했다. 매스웍스는 이를 통해 정부출연연구기관과 연구중심 대학의 연구자들이 다양한 기초과학 분야에서 대규모 매트랩 워크로드를 효율적으로 수행할 수 있을 것으로 기대하고 있다. 이번 계약에 따라 연구자들은 기초과학연구원의 고성능 컴퓨팅(HPC) 시스템인 올라프(Olaf)와 알레프(Aleph)에서 매트랩 패러렐 서버(MATLAB Parallel Server)를 활용할 수 있다. 이 시스템을 이용하면 고성능 연산 및 연산 집약적 시뮬레이션이 가능하다. 또한 매트랩의 병렬 컴퓨팅 기능을 활용해 대규모 데이터 분석, 모델링, 알고리즘 개발 등 복잡한 연구 워크플로를 수학, 물리학, 화학, 생명과학 등 여러 분야에 걸쳐 수행할 수 있다. 양 기관은 이번 협력을 통해 한국 기초과학 분야의 대규모 연산 및 시뮬레이션 연구를 가속화할 수 있을 것으로 보고 있다.     기초과학연구원의 김경훈 리서치설루션센터장은 “매스웍스와 협력해 연구자들이 매트랩을 대규모 환경에서 더 손쉽게 활용할 수 있는 기반을 마련했다”면서, “이번 협력이 현대 기초과학 연구에 필수적인 연산 중심 연구 워크플로를 한층 강화하는 데 기여할 것으로 기대한다”고 말했다. 매스웍스코리아의 김광식 영업 매니저는 “이번 협약은 공유 HPC 환경을 통해 첨단 연산 도구의 접근성을 높이고 기초과학 분야를 지원하려는 매스웍스의 의지를 보여준다”면서, “연구자들이 이미 신뢰해온 도구를 기반으로 필요한 규모의 컴퓨팅 환경을 활용해 연구의 한계를 확장해 나갈 수 있을 것으로 기대한다”고 밝혔다.

마이크로소프트가 AI(인공지능) 에이전트의 안전한 운용과 보안 및 거버넌스 강화를 지원하는 ‘마이크로소프트 에이전트 365(Microsoft Agent 365)’를 정식 출시했다. 최근 AI 에이전트가 애플리케이션과 엔드포인트 및 클라우드 전반에 걸쳐 빠르게 확산함에 따라, 보안 팀의 가시성과 통제 범위를 벗어나 운영되는 사례가 늘고 있다. 마이크로소프트는 에이전트가 자율적으로 도구를 호출하거나 다른 에이전트와 상호작용하는 과정에서 발생하는 데이터 과다 공유와 도구 오용 및 권한 남용 등을 주요 보안 리스크로 지목했다. 에이전트의 규모가 계속 달라지는 환경일수록 엔드 투 엔드 관측성 확보가 중요하다는 것이 마이크로소프트의 분석이다. 이번에 출시된 마이크로소프트 에이전트 365는 에이전트 관리를 위한 제어 플랫폼이다. 조직은 기존 관리 및 보안 워크플로를 그대로 유지하면서 마이크로소프트와 에코시스템 파트너의 에이전트를 통합 관측하고 관리하며 보호할 수 있다. 마이크로소프트는 플랫폼 출시와 함께 적절한 통제 체계를 갖춘 상태에서 에이전트 도입을 확장할 수 있는 새로운 기능의 프리뷰도 공개했다. 자체 자격 증명과 권한으로 동작하는 독립 운영 에이전트까지 관리 범위를 넓혔으며 마이크로소프트 디펜더(Microsoft Defender)와 마이크로소프트 인튠(Microsoft Intune)을 통해 로컬 및 클라우드 환경의 에이전트와 ‘섀도 AI’를 식별한다. 이를 통해 비관리 에이전트 차단을 포함한 적절한 통제를 적용할 수 있도록 돕는다. 윈도우 디바이스에서 실행되는 오픈클로(OpenClaw)를 시작으로 깃허브 코파일럿 CLI(GitHub Copilot CLI)와 클로드 코드(Claude Code) 등으로 로컬 에이전트 탐지 역량을 강화할 계획이다.   ▲ 마이크로소프트 디펜더에서 제공하는 로컬 AI 에이전트 관계 맵   에이전트 리스크 평가 체계도 정밀해진다. 에이전트와 연결된 디바이스나 MCP(모델 컨텍스트 프로토콜) 서버 및 관련 ID와 접근 가능한 클라우드 리소스 간의 상관관계를 시각화해 제공한다. 보안 팀은 이를 바탕으로 인프라 노출 범위와 잠재적 영향력을 평가할 수 있다. 실시간 런타임 차단 및 알림 기능을 통해 에이전트가 민감 데이터에 접근하거나 유출을 시도하는 등 악성 행동 패턴을 보일 경우, 마이크로소프트 디펜더가 이를 차단하고 사고 맥락이 포함된 알림을 생성한다. 이기종 클라우드 환경에 대한 지원도 강화한다. 이번 프리뷰 기능을 통해 AWS 베드록 및 구글 클라우드와 레지스트리를 동기화할 수 있다. IT 팀은 여러 플랫폼에 걸쳐 에이전트를 자동 탐지하고 향후 수명 주기를 관리할 수 있게 된다. 또한 젠스파크나 젠데스크 등 파트너사의 에이전트도 별도의 통합 작업 없이 마이크로소프트 에이전트 365에서 통합 관리할 수 있다. 에이전트 전용 클라우드 PC 환경을 제공하는 윈도우 365 포 에이전트(Windows 365 for Agents)는 에이전트가 조직의 보안 정책이 적용된 안전한 환경 내에서 상호작용하도록 돕는다. 마이크로소프트 엔트라(Microsoft Entra)의 네트워크 제어 기능은 코파일럿 스튜디오와 사용자 엔드포인트의 로컬 에이전트까지 확대 적용된다. 보안 팀은 네트워크 계층에서 에이전트 트래픽을 일관되게 검사하고 미승인 AI 사용을 식별해 제한할 수 있다. 한편, 마이크로소프트는 액센츄어나 KPMG 등 글로벌 파트너사와 협력해 기업 고객의 도입을 위한 거버넌스 워크숍과 컨설팅 서비스를 지원한다고 전했다. 마이크로소프트 에이전트 365는 현재 마이크로소프트 365 E7 라이선스에 포함되어 있으며, 필요 시 사용자당 월 15달러의 단독 라이선스로도 이용할 수 있다.

앤시스를 인수한 시높시스는 지난 3월 미국 새너제이에서 열린 ‘엔비디아 GTC 2026’에서 아날로그 디바이스(ADI)와 협력해 데이터센터 케이블 관리용 산업 로봇의 피지컬 AI 시뮬레이션 기술을 공개했다. 이번 기술은 로봇의 학습과 성능 검증을 목표로 한다. AI 수요가 폭발하며 전 세계 데이터센터 건설이 급격히 늘어나는 가운데 수만 개의 케이블을 관리하는 로봇이 차세대 과제로 떠오르고 있다. 하이퍼스케일 데이터센터는 방대한 연산과 저장 수요를 처리하는 수천 대의 서버를 갖춘 시설로, 수만 평방피트의 공간과 수 킬로미터에 이르는 연결 케이블로 구성된다. 이러한 규모에서는 작은 비효율도 큰 손실로 이어진다. 이에 따라 산업용 로봇이 도입되고 있지만, 케이블은 다루기 까다로운 대상으로 꼽힌다. 인간에게는 당연한 이더넷 케이블 연결 동작도 로봇을 학습시키는 과정에서는 매우 복잡한 작업이 된다. 앤시스의 키쇼르 라마스와미 애플리케이션 엔지니어링 디렉터는 “로봇에게 당연한 것이란 없다. 어떤 포트에 꽂아야 하는지, 케이블을 얼마나 단단히 쥐고 커넥터를 얼마나 세게 눌러야 부러지지 않고 연결되는지 등을 모두 고려해야 한다”고 설명했다. 데이터센터의 급증은 시뮬레이션 기반의 빠른 해결책을 요구한다. 현실 세계에서 로봇을 직접 학습시키거나 물리적 시제품을 여러 번 제작할 시간적 여유가 부족하기 때문이다. 로봇은 성능 평가를 위한 표준 벤치마크를 기반으로 합성 데이터를 통해 학습해야 한다. 이러한 방식은 고품질 제품을 적기에 시장에 출시하는 데 기여한다.     ADI는 앤시스 메카니컬(Ansys Mechanical) 유한요소해석 소프트웨어를 활용해 케이블과 커넥터 모델의 물리적 정밀도를 높이고 있다. 이는 엔비디아 아이작 심(NVIDIA Isaac Sim) 환경에서 로봇 정책의 학습과 검증에 사용된다. 아이작 심은 물리 기반 가상 환경에서 AI 로보틱스 설루션을 시뮬레이션하고 테스트하는 오픈소스 프레임워크다. 앤시스 메카니컬은 고정밀 물리 해석을 제공해 가상과 현실의 격차를 줄인다. 연결 동작에 필요한 각도 제한과 파단력, 탄성 등 물리 엔진 파라미터를 산출하며 이는 오픈USD 애셋으로 패키징되어 ADI의 아이작 심 환경에 통합된다. 구조 시뮬레이션 외에도 앤시스 AV엑셀러레이트 센서(Ansys AVxcelerate Sensors)를 이용해 3D 인식 시스템의 정확도와 성능을 높일 수 있다. 한편, ADI는 고정밀 디지털 트윈을 제공하여 고객이 엔비디아 아이작 랩(NVIDIA Isaac Lab)에서 AI 설루션 개발을 즉시 시작할 수 있도록 지원한다. 아이작 랩은 모방 학습과 강화 학습을 지원하는 통합 로봇 학습 프레임워크다. 가와사키 중공업을 포함한 초기 도입 기업들은 ADI의 플랫폼을 통해 로봇 성능 시뮬레이션과 합성 데이터 생성을 진행하며 혁신을 가속하고 있다. ADI는 시뮬레이션 결과를 바탕으로 자사의 로보틱스 설루션을 발전시킬 계획이다. 습득한 지식은 산업 전반의 발전을 위해 벤치마크로 공유한다. ADI의 폴 골딩 에지 AI 부문 부사장은 “시높시스의 다중물리 시뮬레이션은 현실적인 로봇 테스트 벤치를 구현하는 핵심 요소다. 엔비디아와 함께 산업용 정밀 작업에 적용할 수 있는 디지털 트윈을 만들어가고 있다”고 밝혔다.

산업을 위한 AI와 버추얼 트윈 기술 (3)   이번 호에서는 AX 시대를 맞아 제조 기업이 축적한 방대한 도메인 지식과 3D 설계 데이터를 AI가 이해하고 실무에 즉시 활용할 수 있는 ‘자산’으로 전환하는 방안을 제시한다. 그리고, 다쏘시스템의 시맨틱 3D(Semantic 3D) 기술과 데이터 온톨로지(data ontology)를 활용해 중복 설계를 방지하고, 파편화된 정보를 비즈니스 맥락과 연결된 지식 개체로 지능화하는 기술적 원리를 살펴본다. ■ 이종혁 다쏘시스템코리아의 인더스트리 프로세스 컨설턴트로, 3DEXPERIENCE(구 NETVIBES) 테크 세일즈를 맡고 있다. 홈페이지 | www.3ds.com/ko   AX 시대, 제조 데이터의 새로운 정의 글로벌 제조 산업은 바야흐로 ‘디지털 전환(digital transformation)’의 단계를 넘어 ‘인공지능 전환(AI transformation : AX)’의 시대로 진입하고 있다. 생성형 AI와 대규모 언어 모델(LLM)이 비즈니스 프로세스 전반을 혁신하고 있는 현재, 엔지니어링 도메인에서의 핵심 과제는 명확하다. “어떻게 우리 기업이 지난 수십 년간 축적해 온 방대한 도메인 지식과 엔지니어링 노하우를 AI가 이해하고 실무에 즉시 활용할 수 있는 형태의 자산으로 바꿀 것인가?”이다. 대부분의 제조 기업은 수만, 수십만 장의 2D 도면과 3D 모델을 보유하고 있다. 그러나 역설적으로 엔지니어는 필요한 부품을 찾는 데 수많은 시간을 허비하거나, 이미 존재하는 설계를 중복으로 수행하는 ‘디지털 피로(digital fatigue)’에 시달리고 있다. 데이터가 존재함에도 불구하고 그 데이터가 가진 ‘의미(semantics)’와 ‘관계(relationship)’가 구조화되어 있지 않기 때문이다. 이러한 데이터의 파편화는 단순히 설계 효율을 떨어뜨리는 것에 그치지 않는다. 이는 부품 가짓수의 기하급수적 증가로 이어져 구매 단가 상승, 재고 관리 비용 증가, 그리고 급변하는 글로벌 공급망 리스크에 대한 대응력 약화라는 전사적 위기를 초래한다. 이번 호에서는 3D 모델링의 진화가 형상의 정밀함을 구현하는 단계를 넘어, 비즈니스 맥락과 지능이 결합된 ‘시맨틱 3D (semantic 3D)’로 나아가야 함을 제언한다. 다쏘시스템의 원파트(OnePart), 서플리멘탈 커넥터(Supplemental Connector), 그리고 데이터 사이언스 익스피리언스(Data Science Experiences : DSE)를 필두로 한 하이브리드 지능형 플랫폼이 어떻게 데이터 온톨로지를 통해 설계 자산을 지능화하고, 기업의 공급망 회복탄력성(resilience)을 극대화하는지 상세히 고찰해보고자 한다.   그림 1. The Transition to ‘Semantic 3D’ in the AX Era   하이브리드 아키텍처 : 데이터 주권과 클라우드 지능의 공존 국내 제조 기업이 클라우드 기반 AI 설루션 도입을 주저하는 가장 큰 이유는 ‘데이터 보안’과 ‘데이터 주권(data sovereignty)’에 대한 우려다. 핵심 설계 자산인 3D CAD 데이터는 기업의 기밀 중의 기밀로 간주되며, 이것이 외부 서버로 나가는 것에 대한 거부감은 기술적인 문제를 넘어 기업 생존의 문제로 인식된다. 하지만 클라우드가 제공하는 강력한 분산 연산 능력과 실시간 업데이트되는 AI 분석 엔진을 포기하는 것은 기술 경쟁력 측면에서 매우 위험한 선택이다. 이러한 딜레마를 해결하는 핵심 아키텍처가 바로 서플리멘탈 커넥터를 활용한 하이브리드 모델이다. 이 모델의 핵심은 데이터의 물리적 위치를 ‘통제된 온프레미스’와 ‘고성능 클라우드’로 이원화하는 데 있다. 이 아키텍처의 중심에는 ‘에지 에이전트(Edge Agent)’라는 전용 미들웨어가 존재한다. 에지 에이전트는 기업 내부의 로컬 파일 서버, CSV 기반의 레거시 데이터베이스, 그리고 솔리드웍스 PDM 프로페셔널(SOLIDWORKS PDM Professional)과 같은 엔터프라이즈 시스템과 직접 연동된다. 여기서 중요한 기술적 포인트는 에지 에이전트가 원본 CAD 파일(source file)을 클라우드로 전송하는 것이 아니라는 점이다. 대신, 설계에 포함된 메타데이터와 형상의 특징을 수치화한 ‘3D 서명(signature)’, 그리고 시각적 확인을 위한 가벼운 썸네일(thumbnail)과 CGR 데이터만을 추출하여 클라우드의 ‘시맨틱 그래프 인덱스(Semantic Graph Index : SGI)’로 전송한다. 이러한 하이브리드 접근법은 두 가지 결정적인 이점을 제공한다. 첫째, 데이터 주권은 기업이 완벽하게 통제한다. 원본 설계 데이터는 사내 보안망 내부에 머무르기 때문에 유출 우려가 없다. 둘째, 클라우드는 오직 ‘지능형 인덱스’와 ‘분석 엔진’의 역할만을 수행한다. 클라우드의 Data Science Experience(DSE)는 이 SGI에 축적된 정보를 바탕으로 전사적인 부품 사용 현황을 360도 뷰로 관찰하고, AI 기반의 의사결정 지원 기능을 제공한다. 이는 특히 카티아 V5(CATIA V5)와 같은 온프레미스 기반의 강력한 설계 환경을 유지하면서도, 최신 클라우드 기술의 혜택을 즉시 누릴 수 있는 현실적이고 안전한 가교 역할을 한다.   그림 2. Hybrid Architecture and Edge Agent   원파트와 AI 형상 지능 : 중복 설계의 늪에서 벗어나는 방법 엔지니어링 현장에서 가장 흔히 발생하는 보이지 않는 낭비는 이미 사내에 존재하는 부품을 찾지 못해 다시 설계하는 ‘중복 설계’다. 다쏘시스템의 연구 결과에 따르면, 시장 표준 부품(예 : 단순 브래킷이나 고정용 볼트 등) 하나를 불필요하게 신규 생성할 때 발생하는 전사적 비용은 부품당 약 1만 1000유로(한화 약 1600만 원)에 이른다. 이 비용에는 설계자의 시간뿐만 아니라 부품을 위한 테스트 및 시뮬레이션 비용, 금형 제작 등 제조 공정 셋업 비용, 신규 구매처 등록 및 관리 비용, 그리고 물류 및 창고 재고 유지 비용이 누적된 결과다. 원파트는 이러한 문제를 해결하기 위해 AI 기반의 ‘형상 유사도 검색(AI-Powered Component Signature)’ 기능을 제공한다. 이는 전통적인 키워드 기반 검색의 한계를 뛰어넘는다. AI는 3D 모델을 기하학적 특징(shape), 단면 형상(section), 구멍 배치 패턴(hole pattern), 그리고 외곽선(silhouette)이라는 네 가지 핵심 기준을 바탕으로 분석하여 부품별로 고유한 ‘디지털 지문’을 생성한다. 설계자가 새로운 프로젝트를 시작할 때, 백지 상태에서 모델링을 시작하는 대신 간단한 형상 아이디어를 스케치하여 업로드하면 AI가 수초 내에 사내 라이브러리 및 외부 공급업체 카탈로그에서 가장 유사한 부품을 찾아 제안한다. 또한 지능형 클러스터링(clustering) 엔진은 방대한 부품 데이터베이스를 기하학적 유사성에 따라 자동으로 군집화한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (10)   이번 호에서는 크레오 파라메트릭 12.0(Creo Parametric 12.0)에서 애니메이션을 활용하는 기능에 대해 알아보자. 애니메이션 기능은 분해(Explode), 스냅샷(Snapshot), MDO(Mechanism Design Option)에서 가져오기 세 가지의 뷰 조건을 활용하여 쉽고 빠르게 동영상을 생성할 수 있다. 특히 뷰 관리자에서 미리 만들어둔 단계별 분해 뷰(Explode View)를 타임라인의 원하는 시간대에 키 프레임(Key Frame)으로 배치하기만 하면, 복잡한 어셈블리가 스스로 조립되거나 분해되는 애니메이션을 빠르고 정교하게 완성할 수 있다.   ■ 박수민 디지테크 기술지원팀의 과장으로 Creo 전 제품의 기술지원 및 교육을 담당하고 있다. 홈페이지 | www.digiteki.com   애니메이션의 기초 : 연속적인 분해 뷰 준비하기     애니메이션 작업을 시작하려면 응용 프로그램 → 애니메이션을 선택한다.     화면 왼쪽에는 모델 트리와 애니메이션 트리가 위치하며, 위쪽 리본 메뉴에는 애니메이션 설정, 분해, 키 프레임 시퀀스, 보기 및 투명도 설정 등 동영상 제작에 필요한 모든 도구가 직관적으로 배치되어 있다. 각 기능들에 대해 알아보자.   모델 애니메이션  애니메이션 설정 : 애니메이션 설정 변경  애니메이션 보간 : 투명도 및 뷰에 대한 보간 설정 정의  애니메이션 디스플레이 : 모델의 아이콘 디스플레이를 제어  분해 : 분해 뷰를 사용하여 애니메이션 생성  스냅샷 : 스냅샷을 사용하여 애니메이션 생성  MDO에서 가져오기 : Mechanism 애니메이션 생성   재생  재생 : 애니메이션 재생 내보내기 : 애니메이션 내보내기   애니메이션 생성  키 프레임 시퀀스 : 키 프레임 시퀀스를 생성  이벤트 : 이벤트를 생성  제거 : 타임라인에서 선택된 항목 제거  키 프레임 시퀀스 관리 : 키 프레임 시퀀스 생성 및 편집 관리  선택됨 : 타임라인에서 선택된 항목 편집  하위 애니메이션 : 하위 애니메이션으로 포함   그래픽 설계  보기 @ 시간 : 애니메이션 중 모델의 보기 방향 정의  투명도 @ 시간 : 애니메이션 중 모델의 투명도 정의  유형 @ 시간 : 애니메이션 중 모델의 유형 정의   타임라인  시간배율 확대 : 타임라인을 확대  시간배율 전체 표시 : 전체 타임라인 보기  시간배율 축소 : 타임라인을 축소  시간 영역 : 애니메이션 시간 영역을 설정   Mechanism Design  컴포넌트 끌기 : 해당 어셈블리가 어떻게 작동하는지 확인  서보 모터 : 새 서보 모터를 생성  서보 모터 관리 : 서보 모터를 정의  연결 상태 : 새 연결 상태를 생성  강체 잠금 : 모델의 보디를 잠금  강체 정의 : 모델의 보디를 정의     가장 먼저 애니메이션에 사용할 분해 뷰를 생성하기 위해 위쪽 메뉴에서 새 애니메이션 → 분해를 선택하여 새로운 애니메이션을 시작한다.     애니메이션에 사용할 분해 뷰를 생성하기 위해  보기 관리자를 선택하여 분해 탭으로 이동한다.     전체가 조립되어 있는 기본 상태의 뷰를 ‘새로 만들기’를 통해 생성한다. 이 뷰는 애니메이션에서 조립되어 있는 상태를 표현할 때 사용된다.     처음 생성한 뷰가 활성화된 상태에서 특성 → 위치 편집을 선택한다.     각 방향의 팬 블레이드와 볼트를 선택해 몸체와 떨어진 방향으로 각각 분해시킨다. 분해가 완료되면 ‘확인’을 눌러 두 번째 분해 뷰를 완성한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

시스템 엔지니어링의 진화, 항공우주 산업의 복잡성을 넘어서다   아폴로 프로그램에서 시작된 시스템 엔지니어링은 오늘날 항공우주 및 방위 산업의 핵심 방법론으로 자리 잡았다. 하지만 소프트웨어 중심의 기체 구조와 급증하는 상호작용으로 인해 기존 방식은 한계에 직면해 있다. 이제 기업은 시스템 모델링 언어인 SysML v2와 인공지능(AI), 포괄적 디지털 트윈을 결합한 총체적 설루션으로 디지털 전환을 가속해 미래 경쟁력을 확보해야 한다.   ■ 오병준 지멘스 디지털 인더스트리 소프트웨어의 한국지사장이다. SAS 코리아 대표이사를 지냈으며, 오라클 코리아, 테라데이터 코리아, IBM 코리아 임원 등 IT 업계에 30여 년 이상 몸 담으며 쌓아온 엔터프라이즈 소프트웨어 경험을 바탕으로 지멘스 디지털 인더스트리 소프트웨어를 진두지휘하고 있다. 홈페이지 | www.sw.siemens.com/ko-KR   ▲ 제공 : 지멘스   우주비행사의 달 착륙과 지구 귀환을 성공적으로 이끈 아폴로(Apollo) 프로그램은 인류 역사상 가장 위대한 성과 중 하나로 평가된다. 아폴로 프로그램을 통해 개발된 다양한 기술은 오늘날 우리의 일상 속에서 널리 활용되고 있는데, 무선 헤드셋, 집적회로, 이메일, 무선 공구 등이 대표적인 예다. 이 글에서는 아폴로 프로그램의 수많은 유산 가운데 한 가지에 초점을 맞추고자 한다. 바로 엔지니어가 종종 간과하곤 하는 ‘시스템 엔지니어링(systems engineering)’이다. 당시 NASA가 개발한 로켓은 전례 없는 규모의 복합 시스템이 결합된, 그 시대 가장 정교하고 복잡한 기계였다. NASA 엔지니어들은 로켓 내 모든 시스템을 유기적으로 작동시키기 위해 새로운 엔지니어링 방법론이 필요하다는 사실을 깨달았고, 그렇게 시스템 엔지니어링이 탄생했다. 시스템 엔지니어링은 아폴로 로켓의 복잡성을 체계적으로 분석하고 각 시스템을 유기적으로 통합함으로써 성공적인 발사를 가능하게 했다. 이후 시스템 엔지니어링은 우주 분야를 넘어 항공우주 및 방위(A&D) 산업 전반에서 혁신을 이끌며, 새로운 항공기와 우주선 개발을 견인하는 핵심 요소로 자리 잡았다.   ▲ 시스템 엔지니어링은 우주 분야에서 시작돼 A&D 산업 전반으로 확대됐다.(제공 : C. Fredrickson Photography/Getty Images)   시스템 엔지니어링은 제품의 복잡성을 낮추는 데 기여해왔지만, 그 자체로는 상당히 복잡한 개념이다. 엔지니어링 영역들은 기업이 인식하는 것만큼 긴밀하게 통합돼 있지 않을 가능성이 있다. 일부 기업은 두 엔지니어링 영역 간 인터페이스에서 문제가 발생하기 전까지 자사의 통합 수준이 어느 정도인지조차 제대로 인식하지 못하기도 한다. 이러한 문제는 전통적인 문서 기반 방법론이 모델 기반 시스템 엔지니어링으로 전환된 이후에도 여전히 이어지고 있다. 이 같은 통합 미비는 설계 오류를 초래하고 일정 지연의 위험을 높인다. 이러한 위험은 오늘날 항공기와 우주선에 새로운 전자 기술과 소프트웨어 시스템이 대거 탑재되고 복잡성이 크게 증가함에 따라 갈수록 커지고 있다. 이와 같은 상황에서 변화가 없다면, 현재의 시스템 엔지니어링 접근 방식만으로는 항공우주 산업의 급격한 복잡성 증가에 대응하기 어려울 것이다. 따라서 앞으로 시스템 엔지니어링은 보다 총체적인 접근 방식으로 진화해 엔지니어링 영역 간 상호운용성과 협업을 강화해야 한다. 이를 위해 기업은 디지털 전환에 투자하고 SysML v2, AI(인공지능), 포괄적 디지털 트윈과 같은 핵심 기술을 활용해 엔지니어들이 혁신을 가속할 수 있는 새로운 프로세스를 익히도록 해야 한다.   항공우주의 새로운 패러다임 오늘날 생산되는 항공기와 우주선은 아폴로 시대에 개발된 기체와는 완전히 다르다. 민항기와 제트기부터 로켓과 위성에 이르기까지, 모든 것이 점점 더 소프트웨어 중심 구조로 진화하고 있다. 이에 따라 첨단 기계·전기 시스템은 물론, 새로운 전자 기술과 소프트웨어까지 폭넓게 통합되고 있다. 이러한 첨단 시스템은 이전 세대의 기체에 비해 훨씬 높은 수준의 복잡성을 만들어낸다. 특히 기체 내 다른 시스템과의 상호작용이 늘어나면서 전체적인 복잡성은 더욱 확대되고 있다. 예를 들어, 20년 전만 해도 엔지니어는 하나의 기계 시스템에서 발생하는 100여 개의 상호작용만 관리하면 됐고, 이는 스프레드시트에 손쉽게 정리할 수 있었다. 그러나 오늘날에는 반도체 칩 하나만으로도 수만에서 수십만 개에 이르는 상호작용이 발생할 수 있다.   ▲ 보다 고도화된 전자 기술과 소프트웨어 통합으로 새로운 항공우주 시스템의 복잡성이 커졌다.(제공 : santofilme/Getty Images)   A&D는 여러 엔지니어링 영역 간 통합이 필수인 산업이다. 한 영역에서 변경이 발생하면 이를 수용하기 위해 다른 영역에서도 추가 변경이 필요할 가능성이 높다. 최근 전자 기술과 소프트웨어의 비중이 커지면서 이러한 변경의 규모와 영향력은 더욱 확대되고 있다. 따라서 영역 통합의 격차를 식별하고 해소하기 위해 시스템 엔지니어링 접근 방식 역시 보다 총체적으로 발전해야 한다.   SysML v2를 통한 격차 해소 총체적인 시스템 엔지니어링 전략을 수립하려면 엔지니어 간 새로운 협업 프로세스를 지원하는 도구가 필요하다. SysML (Systems Modeling Language) v2가 이러한 역할을 수행할 수 있다. 이전 버전인 SysML v1은 엔지니어가 작업을 효율적으로 모델링하고 설명할 수 있는 새로운 방식을 제시했다. 그러나 모델을 구축하고 관리하는 방식이 매우 엄격해 상호운용성 측면에서는 한계가 있었다. 반면 SysML v2는 더욱 직관적인 모델링 접근 방식을 제공하며, 다양한 모델링 방법론을 유연하게 활용할 수 있도록 지원한다. 이를 통해 기업은 데이터 교환을 훨씬 수월하게 수행할 수 있다. 결과적으로, SysML v2는 엔지니어링 영역 간 정보를 개방적으로 공유할 수 있는 표준 프레임워크를 구축한다. 이를 통해 데이터 일관성을 높이고 통합 시스템 아키텍처 개발을 가능하게 한다. 물론 SysML v2의 효과는 이를 활용할 수 있는 인재 양성이 병행될 때 비로소 실현될 수 있다. 다행히 다양한 모델링 방법론을 수용할 수 있는 특성은 진입 장벽을 낮추고, 엔지니어가 새로운 시스템 엔지니어링 전략을 보다 쉽게 배우고 참여할 수 있도록 한다. 이는 시스템 엔지니어링의 총체적 발전과 민주화에도 기여한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (7)   최근의 MBSE(모델 기반 시스템 엔지니어링) 환경은 개별 도구를 연계하던 전통적 방식에서 벗어나, 요구사항부터 시뮬레이션, 형상 관리까지 전 과정을 하나의 플랫폼에서 관리하는 ‘디지털 스레드’ 기반의 통합 환경으로 진화하고 있다. 이번 호에서는 모델링 도구인 ‘랩소디(Rhapsody)’와 ‘카메오 시스템 모델러(Cameo Systems Modeler)’의 특징을 살펴보고, 효율적인 설계 환경 구축 전략을 짚어본다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   모델링 도구 여기에서는 모델링 도구로서 랩소디(Rhapsody)의 특징과 기능을 간단하게 소개하고 있으며, 특히 시스템 아키텍처 설계와 모델 일관성 유지에 있어 랩소디가 어떤 역할을 수행하는지를 설명한다. IBM의 랩소디는 UML 및 SysML 기반의 시스템 모델링 도구로, 아키텍처 모델을 통해 시스템 설계 정보를 저장할 수 있는 동적인 데이터베이스 구조를 제공한다. 사용자가 정의한 각 모델 객체(예 : 블록, 컴포넌트 등)는 한 번 정의되면 그것이 표현되는 모든 다이어그램 상에서 동일한 특성과 속성을 유지한다. 이를 통해 전체 모델의 일관성과 추적성이 자연스럽게 보장된다. 또한 랩소디는 요구사항과 직접 연계된 설계 모델을 지원함으로써, 요구사항-설계 간의 정합성 확보를 용이하게 한다. 이를 통해 설계 변경이 요구사항과의 연동 하에 즉시 반영될 수 있어, 시스템 개발 전 과정에서 신뢰성 있는 모델 기반 설계를 실현할 수 있다. 결과적으로, 랩소디는 다양한 UML/SysML 도구 중 하나로, 특히 복잡한 시스템의 모델링, 시뮬레이션, 코드 생성까지 연결 가능한 통합 모델링 환경을 제공한다.   랩소디 보기   그림 1. 랩소디 도구의 대표적인 사용자 인터페이스 구성 요소   <그림 1>은 랩소디 도구 환경을 보여주며, 시스템 모델링 또는 소프트웨어 모델링을 수행할 때 사용되는 대표적인 사용자 인터페이스 구성 요소를 설명하고 있다. 랩소디 보기는 사용자가 랩소디에서 모델을 어떻게 시각적으로 확인하고 조작하는지를 이해하는 데 중점을 둔다. 전체 인터페이스 구성은 랩소디가 모델 기반 시스템 및 소프트웨어 설계를 위한 도구로, 브라우저 영역과 그리기 영역 등의 주요 영역으로 구성되어 있다. <그림 1>의 화면 왼쪽에는 브라우저 영역(Browser View)이 위치해 있다. 이 영역은 프로젝트 내에 정의된 모든 요소를 계층적 트리 구조로 정리하여 보여주며, 클래스, 패키지, 상태도, 시퀀스 다이어그램 등 다양한 모델링 요소를 탐색하고 선택할 수 있다. 사용자는 이 영역에서 모델 구조를 확인하고, 필요한 항목을 선택하여 편집 창으로 열 수 있다. 주로 사용하는 항목은 모델 구성요소(예 : 클래스, 컴포넌트, 상태 등)이다. 설계 계층 구조는 각 요소의 속성 및 동작이 연결되어 있다. <그림 1>의 화면 오른쪽에는 그리기 창(Drawing Window)이 위치하며, 사용자가 실제로 다이어그램을 작성하고 편집하는 작업 공간이다. 이 영역은 선택된 모델 요소의 시각적 표현을 위한 공간으로, 예를 들어 상태 다이어그램, 블록 다이어그램, 시퀀스 다이어그램 등을 작성하고 구성 요소 간의 연결 관계를 설정할 수 있다. 사용자의 활동 예는 상태 전이 정의, 신호 흐름 연결, 동작 논리 시각화, 모델 요소 간 연결 구성이 있다. 랩소디는 모델 탐색과 시각적 설계를 동시에 지원하기 위해 좌측 브라우저 영역과 오른쪽 그리기 창을 중심으로 UI(사용자 인터페이스)를 구성하고 있으며, 이를 통해 사용자는 설계 구조와 논리를 직관적으로 접근하고 조작할 수 있다. 이와 같은 인터페이스는 SysML, UML, 자동차 및 항공 우주 분야의 MBD 등 다양한 모델링 작업을 효율적으로 수행할 수 있도록 지원한다.   랩소디 vs. 카메오 시스템 모델러 비교 IBM 랩소디와 카메오 시스템 모델러(Cameo Systems Modeler)는 모두 SysML 기반의 시스템 모델링 도구로 널리 사용되고 있다. 그러나 이 두 도구는 설계 접근 방식, 사용자 인터페이스, 시뮬레이션 및 협업 방식에서 차별점이 존재한다. 도구의 철학과 접근 방식 : 랩소디는 임베디드 시스템 및 소프트웨어 개발에 특화된 도구로, 주로 상태 기반(state-based) 모델링과 코드 생성(code generation) 기능이 강력하다. UML 기반의 객체지향 소프트웨어 개발, 상태 머신 구현 등에 많이 활용되며, 특히 자동차, 항공, 방위 산업 등에서 많이 사용된다. 반면에 카메오 시스템 모델러(MagicDraw 기반)는 시스템 아키텍처 및 요구사항 중심 설계에 중점을 둔 MBSE 도구이다. RFLP(Requirement, Functional, Logical, Physical) 구조와 트레이스 기능이 강력하며, PLM·SPDM 시스템과의 통합이 잘 되어 있어 디지털 스레드 구축에 적합하다. 대부분의 대기업 MBSE 전환 프로젝트에서 선택되고 있다. 사용자 인터페이스 및 작업 구조 : 랩소디는 전통적인 IDE 스타일의 인터페이스(<그림 1>처럼 왼쪽 탐색기 + 오른쪽 다이어그램 편집기)를 가지고 있으며, 실시간 코드 시뮬레이션 및 상태 전이 구현에 용이하다. 카메오 시스템 모델러는 모델 요소 중심 탐색 트리, 다중 다이어그램 탭, 자동 연결 도우미, 속성 창 기반 작업이 잘 정비되어 있으며, 직관적인 GUI로 인해 다양한 다이어그램 작성이 빠르고 정확하게 이루어진다. 사용자 친화성이 높은 편이다. 시뮬레이션 및 해석 기능 : 랩소디에는 UML/SysML 상태 머신을 기반으로 한 Statechart Simulation이 내장되어 있어, 논리적 동작 검증이나 이벤트 시퀀스 분석에 유리하다. C/C++ 코드 생성 및 디버깅 기능도 내장되어 있어, 소프트웨어 통합 단계까지 연결하기 좋다. 카메오 시스템 모델러는 카메오 시뮬레이션 툴킷(Cameo Simulation Toolkit :CST)을 통해 SysML 모델의 시뮬레이션이 가능하며, 파라메트릭 다이어그램(Parametric Diagram) + 수식 기반 계산 + 외부 FMU 연동을 지원한다. 특히 시뮬링크(Simulink), 모델리카(Modelica) 등과의 코시뮬레이션(co-simulation) 및 FMI 기반 연동이 강력하다. 협업 및 형상 관리 연동 : 랩소디는 RTC, ClearCase, GIT 등과 연계가 가능하지만, 협업 기능이 독립적으로 강력하지는 않다. 기업 내부 커스터마이징이 필요한 경우가 많다. 카메오 시스템 모델러는 팀워크 클라우드(Teamwork Cloud : TWC)라는 중앙 저장소 기반 협업 서버를 통해 모델 단위 버전 관리, 권한 제어, 변경 추적, 분기 관리(branching) 기능을 지원하며, 팀 단위 협업 및 모델 기반 리뷰에 적합하다. PLM, SPDM 및 외부 툴 연동 : 랩소디는 외부 연동이 상대적으로 제한적이며, 별도 게이트웨이 또는 커스터마이징이 필요하다. 카메오 시스템 모델러는 3D익스피리언스(다쏘시스템), 윈칠(PTC), 팀센터(지멘스) 등의 PLM 시스템과 연계가 용이하며, MBSE–PLM–SPDM 간의 디지털 연계(traceability)가 수월하게 이루어진다. 정리하면 랩소디는 코드 생성, 상태 머신 중심이고 카메오 시스템 모델러는 요구사항–기능–물리 구조 연계 중심이다. 사용 분야는 랩소디가 임베디드 소프트웨어, 제어 시스템에 사용되며 카메오 시스템 모델러는 시스템 아키텍처, MBSE를 총괄하는데 사용된다. 시뮬레이션에는 랩소디가 상태 기반 시뮬레이션에 사용되며, 카메오 시스템 모델러는 파라메트릭, 시퀀스, 코시뮬레이션이 가능하다. 협업 관점에서 랩소디는 RTC/파일 기반으로 이용되며, 카메오 시스템 모델러는 팀워크 클라우드 기반 모델 협업에 활용된다. 외부 툴과 연동은 랩소디는 제한적이며 커스터마이징이 필요하다. 반면에 카메오 시스템 모델러는 FMI, PLM, 시뮬링크 등과 강력하게 연동된다.    ■ 자세한 기사 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (5)   심센터 HEEDS(Simcenter HEEDS) 2604 릴리스는 설계 파라미터와 시뮬레이션 워크플로를 유기적으로 연결하여 최적의 설계안을 자동으로 도출하는 역할을 더욱 공고히 하기 위해 계산 리소스의 효율적 관리, AI를 활용한 워크플로 가속화, 그리고 다목적 트레이드오프 스터디의 실시간 가시성 확보라는 세 가지 핵심 방향으로 혁신적인 기능을 담았다.이번 릴리스를 통해 복잡성 모델링(model the complexity), 가능성 탐색(explore the possibilities), 속도 향상(go faster), 통합 유지(stay integrated)라는 네 가지 기둥 아래 엔지니어링 시뮬레이션의 새로운 기준을 제시한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 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 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   전산 자원 관리의 재구상 : 새로운 리소스 카탈로그 기존 방식의 한계 엔지니어링 최적화 스터디는 단 한 번의 시뮬레이션으로 끝나는 작업이 아니다. 수십 번에서 수천 번의 반복 해석을 수행해야 하며, 이를 위해서는 로컬 워크스테이션, 사내 HPC 클러스터, 클라우드 컴퓨팅 플랫폼 등 다양한 전산 자원을 조합하여 활용해야 한다. 기존의 HEEDS(히즈)는 이러한 원격 실행 환경을 프로젝트별로 설정해야 했기 때문에, 팀 내의 여러 엔지니어가 동일한 클러스터를 사용하더라도 각자 동일한 설정 과정을 반복해야 하는 비효율이 존재했다. 특히 HPC 클러스터의 경로, 인증 정보, 작업 스케줄러 파라미터를 매번 수동으로 입력해야 하는 번거로움은 첫 번째 설계 최적화를 시작하기도 전에 엔지니어의 시간을 낭비하게 만들었다.   리소스 카탈로그의 등장 심센터 HEEDS 2604는 원격 실행 기능을 새로운 ‘리소스 카탈로그(Resource Catalog)’로 전면 개편하여 이 문제를 근본적으로 해결했다. 리소스 카탈로그는 전산 자원 정보를 프로젝트에 종속된 설정이 아닌, 전사적으로 공유 가능한 독립적 자산으로 관리하는 방식이다. 이제 로컬 머신, 원격 클러스터, 리스케일(Rescale)과 같은 HPC 클라우드 플랫폼, 또는 작업 스케줄러를 사용하는지의 여부와 관계 없이 프로젝트 전체에서 리소스 구성을 더 쉽게 설정하고 재사용할 수 있다.   그림 1. 리소스 카탈로그 설정 환경   그림 2. 작업 수행을 위해 미리 설정된 리소스 선택   주요 기능 및 이점 원클릭 리소스 생성 : 사용자가 리소스 유형을 선택하면, 해당 유형에 적합한 모든 설정 항목이 기본값으로 미리 채워진 상태로 나타난다. 처음 사용하는 엔지니어도 복잡한 설정 파라미터를 일일이 파악할 필요 없이 빠르게 시작할 수 있다. 관리형 카탈로그(Managed Catalogs) : 조직의 IT 관리자 또는 HEEDS 전문가가 심센터 HEEDS 커넥트(Simcenter HEEDS Connect)를 통해 표준 리소스 프로필을 미리 구성하면, 팀의 다른 구성원이 이를 즉시 다운로드하여 사용하거나 로컬 카탈로그로 복사하여 필요에 맞게 조정할 수 있다. 이는 조직 전체가 동일한 리소스 표준을 따르도록 하는 ‘단일 정보 소스(single source of truth)’ 역할을 수행하여 설정 오류와 불일치를 원천적으로 방지한다. 다중 제출 항목(Multiple Submission Items) : 하나의 물리적 서버에서도 PBS, LSF, SLURM, MSHPC, 또는 다이렉트 서브미션(Direct submission) 등 다양한 방식의 작업 스케줄러를 위한 복수의 제출 항목을 생성할 수 있다. 예를 들어, 빠른 소규모 해석을 위한 인터랙티브 대기열과 대규모 최적화를 위한 배치 대기열을 동일한 클러스터에서 각각 별도의 리소스 프로필로 관리할 수 있다. 리소스 구성 확인 기능 : 복잡한 네트워크 환경에서 원격 리소스가 실제로 접근 가능한지, 또는 올바르게 설정되었는지 확인하는 것은 종종 어려운 문제였다. 새로운 ‘Run test now’ 기능을 통해 사용자는 설정 완료 즉시 리소스의 접근 가능성과 동작 상태를 확인할 수 있다. 테스트 결과는 Not tested(미실행), Passed(성공), Error(오류)의 세 가지 상태로 직관적으로 표시되어 문제 발생 시 신속한 보정이 가능하다. 지속적 구성 : 매핑된 로컬 및 원격 드라이브 설정이 모든 프로젝트에 걸쳐 유지되므로, 프로젝트를 새로 만들 때마다 리소스를 재구성할 필요가 없다. 한 번 설정한 리소스 카탈로그는 이후 모든 프로젝트에서 즉시 재사용 가능하다.   비최적화 스터디를 위한 효율적 데이터 및 리소스 운용 디스크 공간의 숨겨진 병목 실험계획법(Design of Experiments : DOE), 강건성(robustness) 분석, 신뢰성(reliability) 분석, 또는 단순히 특정 설계 후보를 일괄 평가하는 ‘Evaluation Only’ 스터디는 최적화 알고리즘이 동반되지 않는 빠른 유형의 설계 탐색이다. 이러한 스터디는 개별 해석이 비교적 짧게 완료되기 때문에, HEEDS는 실행 스택을 가득 채워 최대한 많은 병렬 해석을 동시에 구동하려 한다.   그림 3. 프로세스의 병렬 해석 진행 상황 예시   그런데 여기서 예상치 못한 문제가 발생한다. 해석이 매우 빠르게 완료되기 때문에 각 해석의 임시 작업 디렉토리와 결과 파일이 시스템에 쌓이는 속도도 매우 빠르다. 짧은 시간 안에 수백 개의 해석 폴더가 생성되어 디스크 공간을 순식간에 소진할 수 있으며, 이는 특히 로컬 워크스테이션이나 디스크 할당량이 제한된 HPC 환경에서 심각한 장애 요인이 될 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   이번 호에서는 앤시스 아쿠아(Ansys Aqwa)를 활용하여 해상 환경 조건을 반영한 LNG 운반 선박의 하이드로 다이내믹(hydrodynamic) 해석 방법을 모스형 LNG 운반선 모델을 통해 살펴보고자 한다.   ■ 황정필 태성에스엔이 AE4팀의 수석매니저로, 앤시스 구조 해석 및 Aqwa(Hydrodynamic) 해석에 대한 기술지원, 교육, 프로젝트 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   국제해사기구(IMO : International Maritime Organization)는 2050년 탄소중립 실현을 목표로 국제 해운 분야의 온실가스 배출을 체계적으로 관리하고 있으며, 선박에서 발생하는 대기 오염 물질과 온실가스 저감을 위해 단계적인 감축 목표를 수립하고 있다. 구체적으로는 2008년 대비 국제 해운의 연간 온실가스 배출량을 2030년까지 최소 20%, 2040년까지는 최소 70%까지 줄이는 것을 주요 목표로 삼고 있다. 이러한 규제 강화에 따라 글로벌 해운 산업은 2050년까지 탄소중립 달성 요구를 받고 있으며, 이를 위해 기존 화석연료를 대체할 수 있는 무탄소 또는 저탄소 연료로의 전환이 필수 과제로 떠오르고 있다. 이와 같은 흐름 속에서 해운업계는 기존 석유 기반 연료를 대체할 수 있는 현실적인 중간 단계의 대안으로 액화천연가스(LNG)를 적극 도입하고 있다. LNG는 상대적으로 온실가스 및 대기 오염 물질 배출이 적은 연료로 평가되며, 친환경 선박 연료로 분류되어 관련 기술 개발과 인프라 구축에 대한 투자가 전 세계적으로 확대되고 있다. 한편, LNG 운반 선박은 이러한 에너지 전환 과정에서 매우 중요한 역할을 담당한다. LNG가 친환경 연료로 자리잡으면서 안정적인 공급망 확보와 효율적인 운송 체계 구축의 필요성이 커지고 있으며, 이에 따라 LNG 운반 선박에 대한 수요 역시 꾸준히 증가하는 추세를 보이고 있다.   LNG 운반 선박 LNG(liquefied natural gas) 운반 선박은 액화천연가스를 운반하는 특수 선박으로, 극저온(-162℃) 상태의 가스를 저장하고 운반하는 것이 특징이다.   그림 1. LNG 운반 선박(출처 : 철강금속신문)   LNG 운반 선박의 구조는 크게 선체(hull), 화물창(cargo tank), 단열 시스템(insulation system), 재기화 시스템(regasification system), 추진 시스템(propulsion system), 연료 저장 및 공급 시스템(fuel gas supply system), 화물 처리 시스템(cargo handling system), 안전 시스템과 내비게이션 및 자동화 시스템으로 구성되어 있다.   그림 2. LNG 운반 선박 구조(출처 : Wikipedia)   LNG 운반 선박의 주된 선종은 모스형(Moss type)과 멤브레인형(membrane type)으로 분류된다. 모스형은 탱크가 선체로부터 독립되어 있고 스커트 구조에 의해 선체에 지지되는 방식이며, 탱크 내부에 LNG를 싣기 위한 압력과 LNG 중량을 견디고 탱크 내부 열침입을 최소화하기 위해 구형으로 설계되었다. 입열이 작기 때문에 LNG 증발 가스(BOG)가 적으며, 열 응력 집중을 완화할 수 있고, 슬로싱(sloshing) 충격이 작고 충돌, 좌초 등의 사고 발생 시 멤브레인형 대비 안정성이 좋은 장점이 있다. 하지만, 구형이어서 선창의 공간 이용 효율이 떨어지고 상갑판상의 돌출부에 의해 선체 전방에 사각지대가 존재하고, 풍하 면적이 넓어 운항 성능이 떨어지는 단점이 있다. 반면 멤브레인형은 탱크의 외벽인 방열재가 선창 내벽과 밀착되어 있어 탱크 내부의 LNG 압력과 중량이 선체에 전달되는 구조이다. 선창 공간을 낭비 없이 사용할 수 있고 상갑판의 돌출이 작으므로 풍하 면적이 작아 선박 운항 성능이 좋으나, LNG 운반 선박의 횡요 주기가 화물창 내부의 LNG 유동과 공진하게 되면 매우 큰 슬로싱 하중이 가해져 화물창 손상이 발생하는 단점이 있다. 현재 더 많은 화물을 싣기 위한 대형화에 멤브레인형이 상대적으로 저렴하고 용이하므로 주로 제작 및 사용되고 있다.   그림 3. LNG 운반 선박의 종류(출처 : 삼성중공업 블로그)   LNG 운반 선박은 일반적으로 대형화되는 추세이며, 경제성과 환경적 이점을 고려하여 최신 기술이 적용되고 있다. 이러한 선박은 극저온 상태의 LNG를 안전하게 저장 및 운송할 수 있도록 고급 단열 기술 및 구조 안정성, 운항 안정성 확보를 위한 설계가 필요하다.   LNG 운반 선박의 하이드로 다이내믹 해석 LNG 운반 선박은 대량의 LNG를 안전하게 운송하기 위해 특수 설계된 선박으로, 해양 환경에서의 동적 거동을 정밀하게 분석하는 것이 중요하다. 선박이 해상에서 파랑, 바람, 해류 등의 외부 환경 하중을 받을 때 발생하는 운동 응답을 예측하고, 선박의 안정성을 확보하는 것이 필수이다. 특히 LNG 운반 선박은 내부에 액체 화물이 존재하기 때문에 내부 유체의 운동이 선박의 전체적인 운동 특성에 큰 영향을 미친다. 따라서, 정확한 해석을 하기 위해 선박 내부 탱크 내 유체의 슬로싱 거동을 반영할 수 있는 모델링 기법이 요구된다. 현재 해양 구조물 및 선박의 유체와 구조 상호 작용을 고려한 해석에 다양한 수치해석 기법이 적용되고 있으며, 그 중 앤시스 아쿠아는 해양 및 조선 공학 분야에서 널리 사용되고 있는 강력한 해석 툴 중 하나이다. 이번 호에서는 앤시스 아쿠아를 이용한 LNG 운반 선박의 해석 방법에 대해 알아보도록 하겠다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.