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.

  INFOWORLD   Focus 17　제조 AX’로 일하는 방식을 바꾸다… 피지컬 AI·데이터 통합으로 지능형 생태계 구축 22　매스웍스, “MBD와 AI 결합으로 설계 복잡성 줄이고 신뢰성 높인다” 25　“화려한 기술보다 탄탄한 데이터가 우선”… 제조 AI 전환의 실질적 해법은 28　유니티 스튜디오, 노코드와 웹 기반으로 산업용 3D 제작 문턱 낮춘다 31　세일즈포스, ‘에이전틱 엔터프라이즈’ 제시… 슬랙이 핵심 업무 운영체제 된다   People & Company 34　옥타브 산업 컨설팅 부문 김세환 기술 이사　산업AI의 성패, 데이터의 ‘양’이 아닌 ‘맥락’으로 승부   Case Study 36　다이슨 워시G1의 모델 기반 설계 도입 사례 / 이웅재　시스템 레벨 시뮬레이션, 일상 가전의 개발 방식까지 바꾸다 39　시각화 워크플로로 구현하는 리얼타임 스토리텔링　영화의 복잡한 샷에서 빠른 반복 작업을 지원한 언리얼 엔진 42　데이터 사일로 해소부터 거버넌스 수립까지, 전사 협업의 효율 혁신　3D 애셋 데이터를 위한 SSOT 구축   New Products 50　이달의 신제품   Column 53　디지털 지식전문가 조형식의 지식마당 / 조형식　보이지 않는 뇌 56　트렌드에서 얻은 것 No. 30 / 류용효　AI 에이전트 이후의 시대, ‘판단하는 시스템’의 탄생   48　New Books   Directory 107　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 58　새로워진 캐디안 2026 살펴보기 (6) / 최영석　사각형 작도 외 62　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2027 (1) / 최하얀　아레스 커맨더 2027이 제시하는 새로운 CAD 작업 방식 65　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　루비 온 레일즈 기반 빌딩 모니터링 서비스 개발 방법   Mechanical 72　엔지니어링의 진화, 항공우주 산업의 복잡성을 넘어서다 / 오병준　디지털 전환이 이끄는 항공우주 시스템 엔지니어링의 미래 76　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (10) / 박수민　크레오 파라메트릭 12.0으로 애니메이션 생성하기   Analysis 81　앤시스 워크벤치를 활용한 해석 성공 사례 / 황정필　앤시스 아쿠아를 이용한 LNG 운반 선박의 운동 해석 방법 90　심센터 HEEDS 더 깊게 살펴 보기 (5) / 이종학　심센터 HEEDS 2604 업데이트 96　가상 제품 개발을 위한 MBSE 및 SysML의 이해와 핵심 전략 (7) / 오재응　모델 기반 시스템 엔지니어링의 모델링 도구 104　성공적인 유동 해석을 위한 케이던스의 CFD 기술 / 나인플러스　IT  홀더의 지속 가능한 해상풍력 설치 접근법   PLM 100　산업을 위한 AI와 버추얼 트윈 기술 (3) / 이종혁　데이터 온톨로지 기반 3D 모델의 지능화     2026-5-aifrom 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기

가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (6)   복잡한 시스템 설계를 최적화하기 위해 시스템 모델링 언어인 SysML의 역할이 커지고 있다. 이번 호에서는 블록 정의 및 내부 블록 다이어그램을 통한 설계 애셋의 재사용성과 파라메트릭 모델을 활용한 검증 방법을 살펴본다. 또한 객체지향 시스템 엔지니어링 방법론인 OOSEM의 주요 개발 활동과 모델 요소 간의 연결 구조를 분석한다. 이를 통해 복잡한 요구사항을 체계적으로 관리하고 설계 일관성을 확보하는 통합적인 시스템 엔지니어링 접근법을 제시한다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   블록 정의 및 사용   그림 1. BDD와 IBD에 의한 자동차의 ABS 시스템 예시(제동 시스템)   <그림 1>은 블록 정의 다이어그램(Block Definition Diagram : BDD)과 내부 블록 다이어그램(Internal Block Diagram : IBD)의 관계를 SysML 모델링에서의 블록 정의와 사용(Definition and Usage) 개념을 설명하는 것이다. 특히 시스템 모델에서 정의(definition)와 사용(usage)의 구분이 어떻게 나타나는지를 자동차의 ABS 시스템(제동 시스템) 예시를 통해 직관적으로 설명하고 있다. BDD는 시스템 구성 요소를 정의(definition 또는 type)하는 다이어그램이다. 여기서 블록은 하나의 설계 단위 또는 유형으로 간주되며, 그 자체로는 구현이 아닌 속성, 인터페이스, 동작 등을 기술한다. 예를 들어 Anti-Lock Controller는 하나의 중심 블록으로 정의되어 있고, Traction Detector(d1), Brake Modulator(m1), Sensor(s1)와 같은 하위 블록과 구조적 관계를 가진다. 이들 블록은 각각 독립적으로 정의된 타입이며, 다른 시스템에서도 재사용이 가능하다. Definition에서 Block은 하나의 유형(type)이며 속성, 동작, 포트 등을 정의하여 여러 콘텍스트에서 재사용된다. 연결 방식은 관계 선(연결 구조) 위주로 나타낸다. IBD는 정의된 블록을 특정 콘텍스트에서 사용하는 방식을 나타낸 다이어그램으로 정의된 블록의 실제 사용/구현 구조 표현이다. 여기서는 AntiLock Controller 블록의 내부를 구성하는 part(사용 인스턴스)들이 나타난다. Part(인스턴스 또는 역할)로 모델 내부 특정 위치에 배치된다. 연결방식은 포트와 커넥터로 물리적/논리적 인터페이스로 구성한다. 예를 들어 s1:Sensor, d1:Traction Detector, 102 · m1:Brake Modulator는 모두 정의된 블록을 특정 역할(역할/파트)로 사용하는 형태이다. 각 파트는 인터페이스 포트(c1, c2)를 통해 상호 연결되며, 모델 내 실제 연결 구조를 명시한다. Usage에서 Part는 정의된 블록의 사용 인스턴스이며 특정 콘텍스트에서 기능 역할로 배치되며 블록에 의해 타입(Type)이 지정되며 역할(role) 또는 구성요소(instance)로도 불린다. 또한 <그림 1>은 모델 기반 시스템 설계에서 중요한 개념인 정의와 사용의 분리(separation of definition and usage)를 설명하고 있다. 정의된 블록은 단일 설계 요소로서 명세되고, 이를 다양한 콘텍스트에서 조합하여 모듈화, 재사용성, 유연한 시스템 확장이 가능해진다. SysML에서 BDD와 IBD는 각각 설계와 구성, 추상화와 구현을 잇는 핵심적인 다이어그램으로 활용된다.   매개변수 - 구속조건 정의 및 사용   그림 2. 매개변수 간의 수학적 관계와 제약 조건의 정의 및 실제 시스템 모델에 적용 방법   <그림 2>는 SysML 파라메트릭 다이어그램(Parametric Diagram)을 활용하여 매개변수(변수) 간의 수학적 관계와 제약 조건(구속조건)을 정의하고, 이를 실제 시스템 모델에 적용(usage)하는 방법을 보여준다. 실제로 매개변수와 구속조건 정의 및 사용으로 시스템의 무게 조건을 예로 들어 설명하고 있다. 구속조건 정의(Constraint Definition)의 BDD 부분은 모델링된 제약 조건을 정의한 것이다. 이 영역에서는 다음 두 개의 제약 블록(constraint block)이 정의되어 있다. Total Weight는 수식 wt = Σw로 정의되어 각 구성 요소의 무게를 모두 더하여 총 무게를 계산하는 수식이다. 입력 매개변수는 wi(각 구성 요소의 무게들)과 결과로 wt(총 무게)를 나타낸다. Max Weight는 수식 result = (wt<2000 Ton)이며 총 무게가 2000톤 미만인지 여부를 판단한다. 결과는 불린(boolean) 타입으로 반환(true 또는 false)된다. 이 두 제약 블록은 상위 분석 블록인 Ship Weight Analysis에 속하며, 전체 시스템에서 무게 제한 분석을 수행하기 위한 논리적 조건으로 사용된다. 파라메트릭 다이어그램(Parametric Diagram)은 앞에서 정의한 제약 조건들을 Ship Weight Analysis 블록에 실제 적용한 예시이다. 이 다이어그램에서는 다음과 같은 구성으로 모델이 연결되어 있다. wt는 Total Weight 제약 블록이며 입력 값으로 w1, w2, w3가 연결되며 각각 ship.weight, cargo.weight, ammo.weight와 연결되어 전체 무게를 계산한다. Mw는 Max Weight 제약 블록이며 앞에서 계산된 총 무게 wt를 입력으로 받아 그것이 2000톤 미만인지 여부를 결과로 피드백한다. 이 다이어그램에서 사용된 두 제약 블록은 «usage» 관계로 상단의 BDD에서 정의된 constraint block을 참조하고 있으며, 결과적으로 시스템 설계 모델에 제약을 수학적으로 통합하는 구조이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (4)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA의 성능을 비약적으로 가속화시키는 AI 시뮬레이션 프레딕터(AI Simulation Predictor) 기술에 대해 자세히 살펴본다. 지난 호에서 다룬 SHERPA의 지능형 탐색 방식에 AI의 예측 통찰력을 결합하여, 어떻게 해석 시간의 병목을 해결하고 검색 효율을 극대화하는지 조명할 예정이다. 이를 통해 고비용 해석 모델에서도 실질적인 리드타임을 단축하고 더 우수한 설계안을 도출해 내는 원리를 알아보고자 한다.   ■ 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   최적화의 병목, 해석 시간과 비용의 문제 고충실도(High-Fidelity) 해석의 딜레마 현대 엔지니어링 설계의 정점은 전산유체역학(CFD)이나 비선형 구조해석과 같은 고성능 계산 과정을 필수로 한다. 이러한 고충실도 해석은 제품 성능을 가상 공간에서 정밀하게 모사할 수 있게 해 주지만, 치명적인 약점이 있다. 복잡한 모델의 경우 1회 해석에 수 시간에서 수 일이 소요되기도 하며, 수백 번의 반복 계산이 필요한 최적화 과정에서 이는 극복하기 어려운 시간적 병목(bottleneck)이 된다.   MDAO 과정에서 직면하는 실제 문제들 연재의 배경이 되는 다분야 설계 분석 및 최적화(MDAO : Multidisciplinary Design Analysis and Optimization) 환경에서는 다음과 같은 네 가지 핵심 문제에 직면한다. 시뮬레이션 시간 & 계산 비용 : 장기간의 CAE 실행은 컴퓨터 자원의 점유와 라이선스 비용 부담을 가중시킨다. 신뢰성 : 시간 제약으로 인해 충분한 설계안을 검토하지 못하면 결과의 신뢰성이 떨어진다. 지식의 재사용 : 이전 프로젝트의 방대한 시뮬레이션 데이터를 현재 최적화에 제대로 자산화하지 못하는 한계가 있다. 시프트 레프트(shift left) : 제품 개발 초기 단계에서 오류를 발견하지 못하면 이후 단계에서 대규모 수정 비용이 발생한다.   기존 대안 : 전통적 최적화 프로세스와 근사 모델의 한계 해석 시간을 줄이기 위해 전통적인 설계 공간 탐색(design space exploration) 과정에서는 반응표면법(RSM)이나 크리깅(kriging)과 같은 근사 모델(surrogate model)이 널리 사용되어 왔다. 하지만 이러한 전통적인 방식은 프로세스 측면에서의 번거로움과 기술적 모델 구축 측면에서의 한계를 동시에 안고 있다.   그림 1   첫째, 전문가 중심의 복잡한 다단계 프로세스로 인한 고충(pain points)이 크다. 목적 정의부터 모델 단순화, 알고리즘 선택 및 튜닝, 탐색 수행, 결과 해석으로 이어지는 과정은 매우 정교한 전문 지식을 요구하며 다음과 같은 문제를 일으킨다. 모델 단순화의 오류 가능성 : 변수 선별이나 응답면 모델을 수동으로 생성하는 과정은 오류가 개입되기 매우 쉽다.(too error-prone) 알고리즘 선택 및 튜닝의 고비용 구조 : 적절한 검색 알고리즘을 결정하기 위해 수많은 반복 시도가 필요하며, 파플레이션 크기나 변이율 등 세부 매개변수 설정에 고도의 전문성이 요구되어 시간과 비용이 많이 든다.(too costly & too difficult) 제한적인 혁신 : 이러한 난이도 탓에 최적화 기술이 일부 전문가에 의해 매우 한정적인 문제에만 적용되어, 결과적으로 설계 혁신의 폭이 좁아지는 결과를 초래한다. 둘째, 기술적으로 구축된 근사 모델 자체가 가진 결정적인 한계가 존재한다. 초기 데이터 확보의 높은 비용 : 신뢰할 수 있는 모델을 구축하기 위해서는 설계 공간 전체에 걸쳐 상당수의 초기 샘플 해석이 선행되어야 하며, 고성능 CAE 환경에서는 이 초기 샘플링 과정 자체가 막대한 병목이 된다. 정적 구조의 경직성 : 한 번 구축된 모델은 최적화가 진행되는 동안 설계 공간의 특성 변화나 새로운 유망 영역의 발견을 실시간으로 반영하여 스스로 업데이트되지 않는다. 전역적 경향성과 국부적 정밀도의 딜레마 : 전체적인 경향성은 파악하지만 최적해 주변의 미세한 비선형적 거동을 포착하는 데 한계가 있어, 최종 설계안이 실제 해석 결과와 괴리를 보이는 경우가 빈번하다.   그림 2   반면, 심센터 HEEDS는 이러한 복잡한 중간 단계를 ‘Automated Search’ 하나로 통합하여 엔지니어가 본연의 설계 업무인 목적 정의와 결과 분석에만 집중할 수 있는 환경을 제공한다. 이번 호에서 다룰 AI 프레딕터(AI Predictor)는 이 혁신적인 자동 탐색 과정을 한 단계 더 가속하여 기술적 한계를 극복하고 진정한 설계 디스커버리(discovery)를 실현하는 핵심 기술이다.   기술 혁신 : Boosting SHERPA의 정의와 전략적 가치 AI 시뮬레이션 프레딕터란 무엇인가? 심센터 HEEDS의 AI 시뮬레이션 프레딕터는 최적화 검색 과정을 가속시키는 퍼포먼스 부스터(Performance Booster)이다. 단순히 정해진 데이터를 학습하는 것을 넘어, SHERPA 검색 프레임워크 상단에서 작동하는 AI 오버레이(AI Overlay) 기술을 통해 실시간으로 데이터를 학습(on-the-fly)하여 해석이 필요한 위치(DOE)를 지능적으로 선별한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

  15　THEME. 지속 가능한 성장을 위한 플랜트·조선 산업의 디지털/AI 전환 글로벌 플랜트·조선 프로젝트의 새로운 경쟁력을 위한 실행 중심 DX 전략 플랜트 DX/AX를 통한 산업 혁신 : 지속 가능하면서 효율적인 추진 전략 DX·AI 시대의 플랜트 토목 설계 자동화 디지털 건설 블록을 통한 EPC 산업의 AI/ML 기반 디지털 전환 전략 AI 스마트 선박 및 스마트 해운의 사이버 안전 대응 전략 플랜트·조선 산업을 위한 대용량 3D 시각화 설루션 적용 사례 AI 기반 엔지니어링을 위한 CAD 데이터 품질 인프라 구축   INFOWORLD   Focus 40　SIMTOS 2026, “AI 자율제조로 나아가는 글로벌 제조 혁신을 한 눈에” 42　로크웰 오토메이션의 자율 제조 비전… “산업 전주기에 AI 내재화”   People&Company 44　아비바 스티브 르완 부사장, 에릭 첸 부사장　AI로 연결된 스마트 제조의 미래… 파트너 생태계로 혁신 가치 극대화   Case Study 46　 언리얼 엔진으로 새롭게 정의한 ‘케이팝 데몬 헌터스’　프리비즈와 레이아웃 혁신해 애니메이션 공정 효율 향상 50　2025년을 빛낸 유니티 고객 성공 사례　실시간 3D 기술로 산업 전반의 디지털 혁신 주도   New Products 53　통합 워크플로 및 생성형 AI 기능으로 엔지니어링 혁신 가속　앤시스 2026 R1 56　투사현실로 현장 레이아웃을 구현하는 스마트 건설 설루션　XR Projector Gen3   Column 59　트렌드에서 얻은 것 No. 29 / 류용효　나의 바이브 코딩 도전기 62　디지털 지식전문가 조형식의 지식마당 / 조형식　디지털 전환을 넘어 AI 전환으로 : 기업의 존재 방식을 재정의하는 시대   On Air 64　캐드앤그래픽스 CNG TV 지식방송 지상중계　가상 엔지니어링 기반 스마트 건설 장비 개발 프로세스 66　캐드앤그래픽스 CNG TV 지식방송 지상중계　 AI 시대, 인간의 전략적 진화… ‘슈퍼휴먼’으로 거듭나는 법 67　캐드앤그래픽스 CNG TV 지식방송 지상중계　피지컬 AI가 이끄는 제조 패러다임의 변화 : 대한민국 제조업의 미래   68　New Books   Directory 107　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 69　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　월드랩과 오토데스크의 협업, 그리고 공간 AI 모델 패러다임 전환 72　새로워진 캐디안 2026 살펴보기 (5) / 최영석　스마트 옵셋 외 76　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2026 (13) / 최하얀　분산 근무 시대의 새로운 CAD 라이선스 전략   Analysis 79　심센터 HEEDS 더 깊게 살펴 보기 (4) / 이종학　최적 검색 가속화를 위한 AI 프레딕터 84　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (9) / 김주현　크레오 플로 어낼리시스를 통한 유동해석 90　앤시스 워크벤치를 활용한 해석 성공 사례 / 박장순　웨이브가이드의 열 & 열 변형 해석 96　산업을 위한 AI와 버추얼 트윈 기술 (2) / 고석원　차량 공력 성능 예측 고도화를 위한 CFD 전략 99　성공적인 유동 해석을 위한 케이던스의 CFD 기술 / 나인플러스IT　선박 운영 비용을 줄이는 파력 추진 시스템의 개발 102　가상 제품 개발을 위한 MBSE 및 SysML의 이해와 핵심 전략 (6) / 오재응　SysML의 블록 정의 및 사용     2026-4-aifrom 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기

산업을 위한 AI와 버추얼 트윈 기술 (1)   국제적으로 환경 규제가 강화됨에 따라 조선산업에서는 설계 초기 단계부터 탄소 배출을 정량적으로 관리하는 체계가 필수로 자리잡고 있다. 다쏘시스템은 카티아 매직(CATIA Magic)과 다이몰라(Dymola)를 통해 모델 기반 시스템 엔지니어링(MBSE)과 다물리 시뮬레이션을 결합한 ‘프론트 로딩’ 환경을 제공한다. 이를 통해 선박의 복잡한 시스템을 통합적으로 검증하고 최적의 설계 대안을 도출함으로써, 저탄소 친환경 선박 개발의 리스크를 줄이고 기술 경쟁력을 강화할 수 있다.   ■ 신정일 다쏘시스템코리아 조선해양 Technical Executive 홈페이지 | www.3ds.com/ko   전 세계 교역 물량의 약 90%를 담당하는 해운 산업은 전 지구적 온실가스 배출의 약 3%를 차지하고 있으며, 기후 위기 대응의 핵심 산업으로 빠르게 부상하고 있다. 국제해사기구(IMO)는 2050년까지 해운 산업의 온실가스 순배출 제로(net-zero)를 목표로 설정하고, 기존선 에너지효율지수(EEXI : Energy Efficiency Existing Ship Index)와 탄소집약도지표(CII : Carbon Intensity Indicator) 등 규제를 본격적으로 시행하고 있다. 이러한 규제 환경은 선박의 성능을 단순히 ‘만족’시키는 수준을 넘어, 설계 초기 단계에서부터 탄소 배출을 정량적으로 예측, 관리, 검증할 수 있는 체계를 요구하고 있다. 이러한 변화로 인해 기존의 2D 도면 중심 설계와 부문별로 단절된 해석, 사후 검증 위주의 접근 방식만으로는 더 이상 효과적인 대응이 어렵다는 인식이 확산되고 있다. 이에 따라 최근 조선산업에서는 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE)과 시스템 단위 시뮬레이션을 중심으로 한 디지털 전환이 핵심적인 대응 방안으로 부상하고 있다.   조선산업에서 MBSE가 필수인 이유 선박은 본질적으로 추진, 전력, 연료, 안전, 제어, 열, 규제 요구사항이 복합적으로 얽힌 통합 시스템(system of systems)이다. 그러나 전통적인 설계 방식에서는 이러한 요소들이 개별 부서, 개별 해석 도구, 개별 문서로 관리되어 왔으며, 시스템 차원의 상호 영향은 설계 후반부나 시운전 단계에서야 드러나는 경우가 많았다. MBSE는 이러한 한계를 극복하기 위한 접근 방식이다. 선박을 하나의 통합 시스템으로 정의하고 요구사항–기능–구성요소–성능 간의 관계를 모델로 명확히 연결함으로써, 설계 변경이 전체 시스템에 미치는 영향을 사전에 검증할 수 있도록 한다. 이는 단순한 설계 효율화가 아니라, 규제 대응 리스크와 기술 불확실성을 구조적으로 줄이는 방법이다. 특히 저탄소 친환경 선박에서는 연료 소비, 이산화탄소 배출, 에너지 흐름, 운항 조건이 서로 긴밀히 연결되어 있기 때문에, 시스템 차원의 모델링과 시뮬레이션 없이는 설계 단계에서 신뢰성 있는 판단을 내리기 어렵다.   친환경 시스템 설계를 위한 성능 검증 다쏘시스템의 카티아 매직(CATIA Magic)은 이러한 복잡성을 관리하기 위해 MBSE를 단순한 개념이 아니라 설계–검증–의사결정이 유기적으로 작동하는 실질적인 실행체계로 구현한다. 요구사항 관리와 시스템 아키텍처를 중심으로 선박 전체의 구조와 기능을 정의하고, 그 결과를 물리 성능 시뮬레이션과 직접 연결함으로써 설계 초기 단계의 판단이 실제 성능 검증으로 즉시 이어지는 ‘프론트 로딩(front loading)’ 환경을 제공한다. 이 과정에서 다이몰라(Dymola)는 MBSE에서 정의된 시스템 아키텍처를 물리적으로 검증하는 핵심 가교 역할을 수행한다. 카티아 매직에서 정의된 요구사항과 검증 시나리오는 다이몰라의 시스템 모델로 전달되며, 다이몰라는 추진, 전력, 연료공급, 열관리 및 제어시스템 등 선박의 복합한 거동을 다물리(multi-physics) 기반으로 시뮬레이션하여 정량적인 성능 결과를 도출한다. 이러한 결과는 다시 시스템 아키텍처로 피드백되어 설계 대안 간 트레이드오프 분석과 전체 시스템 최적화에 활용된다. 특히 다이몰라는 오픈소스로 무료 사용이 가능한 표준 모델링 언어인 모델리카(Modelica)를 채택하고 있어, 조선소가 자사의 설계 철학과 운용 조건을 반영한 컴포넌트를 직접 구현할 수 있는 높은 유연성을 제공한다. 이를 통해 특정 벤더의 정형화된 라이브러리에 종속되지 않고, 기업 고유의 도메인 지식과 설계 노하우를 모델로 축적하고 활용할 수 있으며, 지식재산권 보호 측면에서도 경쟁력을 확보할 수 있다. 이러한 특성은 복잡성과 다양성이 높은 조선산업의 설계 및 생산 환경에서 성능을 검증, 최적화하는 데 적합하다.   그림 1   즉, MBSE가 ‘무엇(what)을 만족해야 하는가’를 정의한다면, 다이몰라는 ‘그 요구사항이 실제 물리 법칙 하에서 가능한가(how)’를 입증하는 역할을 담당한다. 이러한 시스템 아키텍처–성능 시뮬레이션 간 폐순환(closed-loop) 구조를 통해 설계 변경이 발생하더라도 그 영향이 신속하게 시뮬레이션 모델에 반영되며, 엔지니어는 그 결과를 바탕으로 데이터에 근거한 최적의 설계 대안을 도출할 수 있다. 이러한 초기 단계에서의 검증은 선박의 생산 및 시운전 단계에서의 시행착오를 획기적으로 줄이고, 한국 조선업의 기술적 리더십을 공고히 하는 핵심 경쟁력이 될 것이다.   카티아 매직과 다이몰라를 활용한 저탄소 친환경 성능 검증 사례 카티아 매직과 다이몰라는 이미 글로벌 조선산업에서 저탄소 성능을 설계 초기부터 검증하는 데 활용되고 있다. 대표적인 사례로는 전력 시스템 성능 검증, 그리고 IMO CII 규제 검증이 있다. 첫 번째 예로, 유럽의 한 조선소에서 선박 운항 중 전력 부하 해석을 통해 케이블, 변압기, 발전기 등 주요 전력 구성 요소의 적정 용량을 산정하고, 제어기를 포함한 전력 시스템의 전력 소모를 최소화하여 친환경 운항을 도모한 사례이다. <그림 2>와 같이 부하 흐름(load flow) 해석과 과도(transient) 시뮬레이션을 통해 주요 전력 구성 요소의 용량과 전력 계통의 거동을 설계 초기 단계에서 검증함으로써, 전압 강하 및 과부하 발생 여부를 사전에 평가할 수 있다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

가상 제품 개발을 위한 MBSE 및 SysML의이해와 핵심 전략 (5)   이번 호에서는 모델 기반 시스템 엔지니어링(MBSE)의 핵심 언어인 SysML의 정의와 역할을 설명한다. SysML은 기존 문서 중심 방식의 한계를 극복하기 위해 복잡한 시스템을 시각화하고 설계 일관성을 유지하며, 모델리카(Modelica)와의 연동을 통해 수치 해석 및 검증 능력까지 제공한다. 결과적으로 SysML은 요구사항 정의부터 물리적 검증까지 전체 과정을 유기적으로 통합하여 가상 제품 개발의 생산성을 높이는 데에 기여한다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   SysML이란 SysML(Systems Modeling Language)은 시스템을 대상으로 한 그래픽 모델링 언어로, UML(Unified Modeling Language)을 기반으로 확장하여 개발된 것이다. SysML은 OMG(Object Management Group), INCOSE(International Council on Systems Engineering), 그리고 ISO STEP AP233(시스템 엔지니어링 데이터 교환 표준)의 요구사항을 반영한 엔지니어링 RFP(Request for Proposal)에 따라 만들어졌으며, UML 2.0의 하위 집합을 기반으로 하되, 시스템 모델링에 특화된 확장 기능을 포함하고 있다. 즉, UML의 한 프로파일(profile)이면서도 시스템 중심 기능이 강화된 언어이다. SysML은 하드웨어, 소프트웨어, 데이터, 입력/출력, 절차 및 설비 등 복합적인 요소를 포함하는 시스템을 요구, 분석, 설계, 검증, 검증 및 검토(V&V) 등 전 과정에 걸쳐 모델링할 수 있도록 지원한다. 이를 통해 복잡한 시스템을 시각적으로 표현하고, 다양한 구성요소 간의 관계를 추적할 수 있다. 또한, SysML은 XML 기반 메타데이터 교환(XMI)을 통해 다른 모델 및 데이터 시스템과의 연동을 지원하며, 국제 표준인 AP233의 진화 과정과도 연계되어 있다. 이러한 상호운용성과 표준성은 SysML이 시스템 모델 중심 개발(model-driven SE)을 위한 핵심 언어로 자리매김하게 된 중요한 배경이다. 결론적으로, SysML은 전통적인 문서 중심 시스템 개발 방식에서 벗어나, 시각적 모델 중심으로 시스템을 통합적으로 정의하고 분석하며 검증할 수 있도록 해주는 핵심 도구라 할 수 있다. 이는 특히 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE)을 실현하기 위한 기반 언어로 널리 사용된다.   왜 SysML 모델링 언어와 MBSE가 연계되는가 지금까지 기본 시스템 엔지니어링의 시스템 설계 활동에 대해 설명해 왔지만 이들의 활동의 주요 목적은 MBSE에서도 마찬가지이다. 그러나 지금까지의 시스템 엔지니어링은 두 가지 ‘불편’이 있었다. 하나는 자연 언어 그 자체의 기술력으로 인한 불편이다. 예를 들어, 자연 언어로 시스템 엔지니어링 영역에서 널리 사용되는 계층 구조와 병렬 동작을 동시에 설명하는 것은 어렵다. 또한, 입력한 정보의 조감과 여러 원인과 결과를 가진 인과 관계를 설명하기도 어렵다. SysML은 시스템 엔지니어링을 위해 개발된 준 형식적 도식 언어이며 이러한 불편을 해소하기 쉽다. 또 다른 불편은 설명 내용의 일관성 유지라는 문제이다. 자연 언어로 작성된 문서 간에 걸친 정보의 완전성 및 일관성을 유지하는 것은 어렵고 문서에 설명된 정보가 변경될 때 시스템의 수명주기에 미치는 영향을 예측하기가 어렵다. 이들에 대해서도 모델링 툴을 병용하면서 SysML을 사용하면 이러한 불편을 없앨 수 있다. 한편 ‘개발 현장용’ 모델 언어의 의미와 메타 모델로서 추적성을 완비해야 한다. 아직 설계서로부터의 자동 코드 생성은 주류가 아니고, 사람의 손으로 프로그래밍에 의존하는 실태를 감안하면 다양한 능력의 사람이 이해하고 사용할 수 있는 설계 모델 언어여야 한다. 즉, 엄밀하지만 그것을 읽어내는데 수학적인 기능이 필수인 형식 언어나 SysML을 자유롭게 구사해 표현한 모델에서는 많은 리뷰어가 이해하는 데 고생하고, 종합적으로는 생산성을 떨어뜨릴 수 있다. 따라서 모델 간 추적성 정의만 엄격하게 한 모델 표현(언어)을 정의했다. 또한 설계 프로세스로 알려진 크게 복잡하고 세밀한 개발 단계를 결정하는 것만으로 그치지 않고 상품 디자인에 집중할 수 있도록, 모델 레벨에서 설계 순서 및 모델 간의 추적성을 나타내고 있다. SysML은 구조, 동작, 속성 및 요구 사항 측면에서 복잡한 시스템 설명을 캡처하기 위한 표준화된 범용 그래픽 모델링 언어이다. 모델리카(Modelica)는 미분 대수 방정식의 관점에서 복잡한 시스템의 연속 및 이산 시간 역학을 분석하기 위한 표준화된 범용 시스템 모델링 언어이다. SysML 모델의 설명력과 모델리카 모델의 분석 및 계산 능력을 통합하면 SysML 또는 모델리카가 개별적으로 제공하는 것보다 훨씬 더 뛰어난 기능을 제공할 수 있다. 모호함 없이 SysML과 모델리카 모델 간에 모델링 정보를 효율적이고 자동으로 전송하기 위한 구현을 지원하는 두 모델링 언어 간의 표준화된 양방향 변환이 개발되고 있다. 이러한 양방향 변환 접근 방식에 대한 개요 외에도, 이번 호에서는 변환 원리를 명확히 하고 이 두 언어 간의 통합으로 인해 발생하는 중요한 시너지 효과를 설명하는 간단한 예를 제공한다. SysML은 기본 의미론을 갖춘 잘 정의된 그래픽 구성을 사용하여 시스템 모델을 생성하고 관리하는 데 사용할 수 있는 범용 시스템 모델링 언어이다.(Object Management Group, 2008) SysML은 UML 2(Object Management Group, 2009)의 하위 집합을 재사용하고 새로운 모델링 요소와 두 가지 새로운 다이어그램 유형을 추가하여 이를 확장한다. 이러한 SysML 다이어그램은 <그림 1>에 나와있다.   그림 1. SysML 다이어그램 개요 및 UML 다이어그램과의 관계   요구 사항 다이어그램 및 매개변수 다이어그램과 결합된 일련의 동작 및 구조 다이어그램은 시스템의 통합 보기를 제공한다. 그러나 SysML은 단순한 다이어그램 세트 그 이상을 나타낸다. 다이어그램의 기본에는 모든 모델링 구성을 공식적으로 나타내는 추상 구문 모델 저장소가 있다. 그만큼 위에 표시된 대로 SysML의 시스템 동작은 활동 다이어그램, 상태 머신 다이어그램 및/또는 시퀀스 다이어그램과 관련 의미론의 조합을 통해 캡처된다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (3)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA Search Framework에 대해 자세히 살펴본다. 기존의 전통적인 최적화 알고리즘과 비교 분석하여, SHERPA(셰르파)만이 가지는 차별화된 탐색 방식과 뛰어난 성능을 조명할 예정이다. 이를 통해 복잡한 설계 공간에서 사용자의 개입을 최소화하고 가장 효율적으로 최적해를 도출해 내는 원리를 알아보고자 한다.   ■ 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   최적화의 난제와 ‘No Free Lunch’ 이론 엔지니어링 최적화의 현실 현대의 엔지니어링 환경에서 ‘최적화(optimization)’는 선택이 아닌 필수가 되었다. 제품의 경량화, 성능 향상, 비용 절감이라는 상충되는 목표를 동시에 만족시켜야 하기 때문이다. 그러나 설계 변수가 증가함에 따라 설계 공간(design space)은 기하급수적으로 복잡해진다. 비선형성(non-linearity), 다봉성(multimodality), 그리고 수치적 노이즈(noise)가 뒤섞인 예측 불가능한 지형에서 최적해를 찾는 것은 매우 도전적인 과제이다. 엔지니어에게 중요한 것은 이론적으로 완벽한 ‘절대 최적해’를 찾는 것보다, 제한된 시간과 비용 내에서 ‘실현 가능한 더 나은 해(feasible better design)’를 발견하는 것이다.   No Free Lunch Theorem(NFL)의 시사점 최적화 이론에는 ‘공짜 점심은 없다(No Free Lunch Theorem)’라는 유명한 정리가 존재한다. 이는 ‘모든 종류의 문제에 대해 평균적으로 우수한 성능을 보이는 단일 최적화 알고리즘은 존재하지 않는다’는 것을 의미한다. 즉, 특정 문제(예 : 매끄러운 단봉형 함수)에 뛰어난 성능을 보이는 알고리즘이라도, 다른 문제(예 : 복잡한 다봉형 함수)에서는 성능이 현저히 떨어질 수 있다.   그림 1   그림 2   이 이론은 엔지니어에게 큰 부담을 안겨준다. 최적화 문제를 풀기 위해 엔지니어는 자신의 문제 특성을 정확히 파악해야 하며, 이에 적합한 알고리즘을 선정하고, 수많은 파라미터를 튜닝해야 하는 ‘최적화를 위한 최적화’ 과정에 매몰된다.   전통적 최적화 기법의 한계와 파라미터 튜닝의 딜레마 전통적인 최적화 기법들은 각자의 영역에서 훌륭한 성능을 발휘하지만, 비전문가가 다루기에는 ‘튜닝의 어려움(tuning difficulty)’이라는 명확한 진입장벽이 존재한다. <그림 3>과 같이 심센터 HEEDS(히즈)에서 제공하는 전통적인 최적화 기법의 설정 환경을 기반으로 설명하겠다.   그림 3   2차 계획법 2차 계획법(Quadratic Programming : QP)은 목적함수를 2차 함수로 근사하여 최적해를 탐색하는 구배(gradient) 기반 기법이다. 매끄러운 함수에서는 빠른 수렴 속도를 보이지만, 실제 엔지니어링 문제에서는 다음과 같은 튜닝의 어려움과 한계가 있다.   그림 4   튜닝의 복잡성 : 사용자는 ‘Maximum outer iterations(전체 반복 횟수)’, ‘Maximum line search iterations(탐색 방향 결정 후 반복 횟수)’, ‘Gradient step size(미소 변위량)’ 등을 직접 설정해야 한다. 특히 스텝 크기(step size)가 너무 작으면 노이즈에 민감해지고, 너무 크면 정확도가 떨어지는 딜레마가 있다. 조기 종료(Early Termination) 문제 : 예를 들어 최대 반복 횟수를 50회로 설정했더라도, 탐색 도중 국부 최적해(local optima)에 갇혀 기울기가 0에 가까워지면 알고리즘은 20~25회 만에 탐색을 종료해 버린다. 이는 전역 최적해를 찾지 못했음에도 불구하고 해석 기회를 스스로 포기하는 결과를 낳는다.   다중 시작 국부 탐색 다중 시작 국부 탐색(Multi-Start Local Search : MS)은 이러한 국부 탐색의 한계를 극복하기 위해, 여러 초기점에서 국부 탐색을 수행하여 전역해를 찾으려는 시도이다. 그러나 이 역시 사용자의 파라미터 설정 능력에 크게 의존한다.   그림 5   총 해석 횟수 계산의 번거로움 : SHERPA와 달리 총 해석 횟수(evaluation)를 직접 입력하는 것이 아니라, ‘Number of Starts(시작점 개수)’와 ‘Evaluations per Start(각 탐색별 반복 횟수)’를 곱하여 계산해야 한다. 200회 설정의 함정 : 만약 사용자가 총 200회의 해석 예산(evaluation budget)을 가지고 ‘Max Evaluations’를 200으로 설정하더라도, 기본값인 ‘Number of cycles(Starts)’를 100으로 둔다면 치명적인 문제가 발생한다. 각 시작점(cycle)에서 평균 2회(200/100)밖에 탐색하지 못하기 때문이다. 이는 수렴은커녕 수박 겉핥기식 탐색(shallow search)에 그치게 된다. 제대로 된 탐색을 위해서는 사용자가 사이클을 4~5회(각 40~50회 탐색) 수준으로 직접 대폭 줄여야 하는 번거로움이 있다.   전역 탐색 및 메타 휴리스틱 유전 알고리즘(GA)이나 입자 군집 최적화(PSO), 시뮬레이티드 어닐링(SA)과 같은 전역 탐색(global search) 기법은 국부해 탈출 능력은 뛰어나지만, 파라미터 설정의 난이도는 더욱 높다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

  INFOWORLD   Case Study 15　CES 2026에서 만난 언리얼 엔진　차세대 HMI부터 시뮬레이션, 몰입형 모빌리티 생태계까지 20　건설 인력 교육을 혁신한 지멘스와 에듀케이션XR의 디지털 툴　XR과 AI로 건설 분야의 차세대 전기 공학자 양성   Focus 24　플랜트 조선 컨퍼런스 2026, DX 및 AI가 이끄는 기술 진화와 산업 혁신 짚다 46　인텔, 코어 울트라 시리즈 3로 온디바이스 AI 및 에지 시장 공략 가속화 48　오라클, “DB를 넘어 데이터 중심의 AI 플랫폼 기업으로”   People&Company 30　지멘스 디지털 인더스트리 소프트웨어 오병준 한국지사장　AI·디지털 트윈으로 제조 현장의 실질적 가치 입증할 것   New Products 33　HP Z북 울트라 G1a 리뷰 / 정수진　CAE 실무 해석 프로젝트 성능 검증 40　현장을 디지털화하는 차세대 하이브리드 스캐닝 설루션　Stonex X70GO 43　이달의 신제품   Column 50　트렌드에서 얻은 것 No. 28 / 류용효　스마트 엔지니어링과 제조 지능화를 위한 AI 활용 전략 54　디지털 지식전문가 조형식의 지식마당 / 조형식　온톨로지 디지털 트윈 정보화 시대   On Air 57　캐드앤그래픽스 CNG TV 지식방송 지상중계　DX와 AI로 재도약하는 플랜트·조선 산업의 미래   58　News   Directory 107　국내 주요 CAD/CAM/CAE/PDM 소프트웨어 공급업체 디렉토리   CADPIA   AEC 63　새로워진 캐디안 2026 살펴보기 (4) / 최영석　원 중심선 그리기 외 66　BIM 칼럼니스트 강태욱의 이슈 & 토크 / 강태욱　뮌헨 공과대학교 연구진의 오픈소스 3D 건물 데이터셋 개발 기술 70　데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2026 (12) / 최하얀　다이세이의 모바일 CAD 도입과 건설 현장 워크플로의 혁신   Mechanical 73　제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (8) / 김성철　향상된 제너레이티브 디자인   Analysis 78　앤시스 워크벤치를 활용한 해석 성공 사례 / 박준수　복합재 날개 구조의 배치 설계와 파라메트릭 자동화 해석 88　심센터 HEEDS 더 깊게 살펴 보기 (3) / 이종학　심센터 HEEDS SHERPA의 최적 검색 원리 94　산업을 위한 AI와 버추얼 트윈 기술 (1) / 신정일　MBSE 기반 저탄소 친환경 선박 성능 검증의 프론트 로딩 97　성공적인 유동 해석을 위한 케이던스의 CFD 기술 / 나인플러스IT　고양력 항공기 형상의 공력 시뮬레이션 102　가상 제품 개발을 위한 MBSE 및 SysML의 이해와 핵심 전략 (5) / 오재응　모델 기반 시스템 엔지니어링에서 SysML의 역할     2026-3-dx-aifrom 캐드앤그래픽스     캐드앤그래픽스 당월호 책자 구입하기   캐드앤그래픽스 당월호 PDF 구입하기