빌딩스마트협회와 캐드앤그래픽스에서는 귀사(기관)를 무료(희망시 유료)로 홍보할 수 있는 '스마트 건설 DX 가이드’ 책자 발간을 준비 중에 있습니다. 스마트 건설 DX  분야의 변화하고 있는 트렌드를 담을 수 있도록 다양한 내용으로 구성할 예정입니다. 책자는 2026년 3월 정도 출간 예정하고 있습니다. 이번 프로젝트에 많은 관심과 참여를 부탁드립니다. * 수록 내용은 캐드앤그래픽스 잡지에도 공유될 수 있습니다. 1. 스마트 건설 DX 소개 및 기술/동향에 대한 기고 요청 - 스마트 건설 개요와 DX 인사이트 - BIM & DX 도입 전략과 가이드 - 스마트 건설 신기술 동향 및 발전 방향  - 스마트 건설 DX 적용 사례 - 기타 관련 기술 기고 원고 분량 : A4 용지 2~4매 내외(워드로 작성 권장,  파워포인트 불가, 고해상도 이미지 별도)  *  해당 주제 파트에 관련된 세부 원고들이 들어갈 예정입니다.    2. 기고 원고 및 자료 제출 방법 및 마감일  - 기고 제목 마감일 : 2025년 12월 19일 - 기고 희망시 제목 먼저 보내주세요(조율 예정) 보낼 내용(제목 : 스마트 건설 DX 가이드 참여 요청, 작성자 이름 및 소속, 연락처, 작성할 원고 제목 및 간단 요약) * 기고 승인 받은 원고에 한해 진행 예정 - 원고 마감일 :  1차 12월 30일 /  최종 2026년 1월 16일    <스마트 건설 DX 가이드> 기고 희망 신청 및 업체 홍보 안내 양식 신청하기 3. 문의 : 캐드앤그래픽스 취재부 / 02-333-6900 /  plm@cadgraphICS.co.kr 4. 업체 무료 홍보 관련 안내 (솔루션 벤더사) 참여 분야 (예) 구분 소프트웨어(예) 설계 및 모델링 중심 소프트웨어 BIM  (Revit, ArchiCAD, Trimble 등) 　 CAD (AutoCAD, ZWCAD, GstarCAD, BrICSCAD 등) 　 토목 설계(Civil): Civil 3D, Bentley OpenRoads, InRoads 등 해석 및 상세설계 ETABS, SAP2000, MIDAS Gen, MIDAS Civil, STAAD.Pro 등 데이터 통합 및 관리, 협업 플랫폼(PLM, CDE) Teamcenter, Autodesk Construction Cloud, Trimble Connect, Bentley ProjectWise 등 시각화/XR Enscape, Twinmotion,  Lumion, Unreal Engine, Unity Reflect, Fuzor 등 OSC·모듈러·프리패브 관리/설계 소프트웨어 Autodesk Forge, Katerra, 서한모듈러 등 국내외 OSC 관리 플랫폼, 생산·공정 최적화 도구 등 AI·데이터 분석·예측 솔루션 　 기타 　 * 솔루션 판매 벤더사의 경우 별도 양식과 안내문을 보내드립니다. (업체 소개 지면 구성 - 업체소개/솔루션 소개/제품리스트 표) - 벤더사는 개별로 메일 보내드릴 예정이며, 받지 못하신 분은 연락주시면 보내드리겠습니다.  - 기본 무료로 홍보 가능하며, 원하실 경우 유료 참여도 가능합니다.  - 유료 참여 및 광고 게재 문의(1차 12월 19일까지,  최종 1월 23일까지, 선착순)   <스마트 건설 DX 가이드> 기고 희망 신청 및 업체 홍보 안내 양식 신청하기 ----------------------------------------------------- 5. 기술 원고 기고문 작성 요령 *기고문 쓰실 분은 사전 신청하고 승인 후 진행해주세요   (1) 제출물 : 원고, 그림이 삽입되어 있는 원본, 그림 별도 파일   (2) 사용 소프트웨어 : 워드, 한글, TXT 파일 등(파워포인트, 엑셀 파일은 불가)   (3) 분량 : A4 기준 2~4장 내외(그림 별도, 고해상도)   (4) 그림 : 원고에 삽입되어 있는 원본 그림 파일을 전달해 주시면 됩니다. 별도 그림 첨부(그림파일명은 1,2,3,4---.jpg 등 순차적으로 써주시거나 원고에 파일명으로 표기) 그림 파일 형식 : jpg, png, bmp 등(gif는 가능하면 사용하지 말아주세요.) 그림 해상도 : 200dpi 이상 또는 가로 사이즈 700px 이상을 권장합니다. 그림 원본이 파워포인트일 경우 파워포인트 파일도 함께 전달해 주시면 좋습니다. 화면 캡처시 이미지(검정색 바탕에 실선이 가늘게 있을 경우 인쇄에서 잘 보이지 않을 수 있습니다. 인쇄를 해도 무난하고 잘 보이는 색으로 선정해서 잘 보일 수 있도록 작업을 해주시면 감사하겠습니다.)   저작권 문제가 없는 이미지를 사용해 주세요.  (5) 원고 작성시 번호 체계 가능하면 번호를 이용해 체계적으로 정렬하여 주시면 정리하는데 도움이 됩니다. 작성 순서는 1.  (1)   1)   가.  ① 순으로 해주시면 좋습니다. (6) 필자 소개 소속, 업무 내용, 경력, 연구분야 등을 2~3줄 분량으로 소개해 주시면 됩니다. 사진, 이메일 주소를 함께 보내주세요.(공개 가능하신 경우)

아래 내용이 보이지 않으면 여기를 클릭하세요!  

엔비디아가 전자 설계 자동화(EDA) 소프트웨어 기업인 시높시스와 20억 달러(약 2조 9400억 원) 규모의 전략적 파트너십을 맺었다. 양사의 동맹은 겉으로는 칩 설계 기술 분야의 협력이지만, 시높시스가 인수한 앤시스의 CAE 및 엔지니어링 시뮬레이션 기술이 엔비디아의 생태계 속에 더욱 깊이 들어왔다는 점도 놓칠 수 없다. 하드웨어(GPU)와 설계 소프트웨어(EDA)에 물리 시뮬레이션(CAE)까지 결합해 반도체의 설계부터 제조 그리고 디지털 트윈까지 전체 가치 사슬을 완성하는 그림을 그릴 수 있게 되었다는 것이다. ■ 정수진 편집장     AI 가속 컴퓨팅과 EDA의 결합, 20억 달러 규모의 전략적 동맹 엔비디아와 시높시스의 이번 파트너십은 거대 자본의 이동과 최첨단 기술의 통합이라는 두 가지 계층에서 진행된다. 우선 엔비디아는 시높시스의 보통주를 주당 414.79달러에 매입하는 방식으로 총 20억 달러를 투자해, 시높시스 전체 발행 주식의 약 2.6%를 확보했다. 하지만 이 거래의 본질은 단순한 지분 투자가 아닌 기술적 동맹에 있다. 양사는 엔비디아의 가속 컴퓨팅을 위한 하드웨어 및 AI 역량과 시높시스의 엔지니어링 설루션을 통합하기로 합의했다. 이번 협력에서 주목할 만한 기술적 화두는 ‘에이전틱 AI(agentic AI)’ 엔지니어링의 공동 개발이다. 기존의 AI가 엔지니어의 명령을 수동적으로 수행하는 도구에 머물렀다면, 에이전틱 AI는 엔지니어처럼 스스로 생각하고 복잡한 설계 작업을 주도적으로 수행하는 ‘대리인(에이전트)’ 역할을 지향한다. 엔비디아의 젠슨 황(Jensen Huang) CEO는 “CUDA GPU 가속 컴퓨팅은 설계 방식을 혁신하고 있다. 원자에서 트랜지스터, 칩에서 완전한 시스템에 이르기까지 어느 때보다 빠르고 대규모로 시뮬레이션이 가능하며, 컴퓨터 내에서 완전한 디지털 트윈을 구현할 수 있다”면서, “엔비디아는 가속 컴퓨팅과 AI의 힘을 활용해 엔지니어링과 설계를 새롭게 정의하고 있다. 시높시스와의 파트너십을 통해 엔지니어들이 우리의 미래를 만들 혁신적인 제품을 발명할 수 있도록 지원할 것”이라고 전했다. 이를 위해 엔비디아는 자사의 최신 AI 모델인 ‘네모트론(Nemotron)’과 마이크로서비스인 ‘NIM(NVIDIA Inference Microservices)’ 등의 AI 기술 스택을 제공하고, 시높시스는 이를 자사의 EDA 툴에 탑재해 반도체 설계의 자동화 수준을 한 단계 끌어올릴 계획이다. 더불어 엔비디아의 가상 세계 구축 플랫폼인 ‘옴니버스(Omniverse)’와 시높시스의 물리 시뮬레이션 기술을 결합하여, 반도체 칩뿐만 아니라 자동차나 로봇 같은 물리적 시스템 전체를 가상 공간에 구현하는 디지털 트윈 사업도 확대될 전망이다.   엔비디아의 생태계 확장과 시높시스의 기술 도약 이번 투자는 양사 모두에게 시장 경쟁력을 높이고 다른 회사의 추격을 막을 진입 장벽을 구축할 수 있는 윈–윈(win–win) 전략이 될 수 있다. 엔비디아 입장에서 이번 동맹은 자사의 가속 컴퓨팅 생태계를 반도체 개발의 뿌리 단계까지 확장하는 계기가 된다. 시높시스의 설계 소프트웨어가 엔비디아의 GPU 가속 기술인 쿠다(CUDA) 등을 기반으로 구동된다면, 전 세계 반도체 설계 회사들이 자연스럽게 엔비디아 GPU를 서버 인프라로 채택하게 되기 때문이다. 즉, 엔비디아의 칩은 AI 서비스용 연산 장치를 넘어, ‘반도체를 만드는 필수 도구’로 자리 잡게 되는 것이다. 시높시스 입장에서도 이번 협력은 기술적 한계를 돌파하고 재무적 안정을 추구할 기회이다. 반도체 미세 공정이 나노미터(nm) 단위로 내려가면서 설계 검증에 소요되는 시간은 기하급수적으로 늘어나고 있는데, 엔비디아의 GPU 가속을 활용하면 이 시간을 크게 단축할 수 있을 것으로 보인다. 시높시스의 사신 가지(Sassine Ghazi) CEO는 “차세대 지능형 시스템 개발의 복잡성과 비용은 전자공학과 물리학의 더 깊은 통합, 그리고 AI와 컴퓨팅을 통한 가속화를 요구한다. 시높시스와 엔비디아는 통합된 AI 기반 시스템 설계 설루션을 제공할 수 있다”면서, “양사가 함께 엔지니어링을 혁신하고, 전 세계 혁신가들이 더욱 효율적으로 아이디어를 실현할 수 있도록 힘을 보탤 것”이라고 밝혔다. 시높시스는 이러한 성능 향상으로 경쟁사와 기술 격차를 벌리는 무기를 얻게 됐다. 또한, 최근 앤시스 인수로 막대한 자금을 사용한 상태에서, 엔비디아의 20억 달러 투자를 통해 재무 부담을 덜고 연구개발에 집중할 수 있는 실탄을 확보하게 되었다.   ▲ 가속 컴퓨팅과 생성형 AI를 위한 엔비디아의 블랙웰 아키텍처(출처 : 엔비디아)   AI 칩 개발 속도 혁명과 반도체 설계 패러다임의 전환 양사의 동맹은 반도체 산업과 AI 산업 전반에 적지 않은 파도를 일으킬 것으로 보인다. 무엇보다 ‘AI가 AI 반도체를 만드는’ 시대가 본격적으로 열리면서 칩 개발 속도에 혁명이 일어날 것이다. 지금까지 고성능 AI 반도체를 설계하려면 수백 명의 숙련된 엔지니어와 수년의 시간이 필요했다. 하지만 에이전틱 AI가 상용화되어 복잡한 배선 배치나 검증을 자동 수행하게 되면, 반도체의 개발 기간이 크게 줄어들 수 있다. 이러한 변화는 ‘반도체 설계의 대중화’를 앞당겨, 빅테크 기업뿐만 아니라 스타트업도 맞춤형 AI 칩을 더 쉽게 개발할 수 있는 환경을 만들 것이다. 또한, 반도체 설계 인프라의 중심축이 중앙처리장치(CPU)에서 그래픽처리장치(GPU)로 급격히 이동할 전망이다. 전통적인 EDA 작업은 주로 CPU 기반 서버에서 이루어졌으나, 엔비디아와 시높시스의 협력은 이 워크플로를 GPU 중심으로 이동시킨다. 2025년 10월 경주 APEC 기간 중에는 삼성전자와 SK하이닉스가 엔비디아 GPU 기반의 대규모 ‘AI 팩토리’를 구축하고, 반도체 연구 개발과 생산 고도화에 활용할 계획을 밝히기도 했다. 향후 반도체 기업들이 데이터센터를 구축할 때 CPU보다 GPU 확보에 더 많은 예산을 투입하게 만든다면, 엔비디아는 시장 지배력을 높일 수 있을 것이다. 나아가 설계–검증–제조로 이어지는 반도체 전체 공급망을 기술적으로 통제하는 거대 플랫폼 기업을 노리는 것도 가능하다.   AI 반도체 개발의 생태계 장악 노리나 한편, 이번 투자는 최근 AWS(아마존웹서비스), 구글, 마이크로소프트 등 빅테크 기업들이 자체 NPU(신경망처리장치)를 개발하며 ‘탈 엔비디아’를 시도하는 흐름에 대한 전략적 대응으로 볼 수도 있다. 빅테크 기업들이 엔비디아 GPU에 대한 의존도를 줄이기 위해 독자적인 AI 연산 칩을 개발하고 있다. 이런 상황에서 엔비디아와 시높시스의 협력은 ‘칩을 만드는 도구’ 자체를 엔비디아 생태계에 묶어두는 전략이 된다. 구글의 TPU(텐서처리장치), AWS의 트레이니엄(Trainium) 등을 만드는 과정에서 가장 효율적인 설계 도구가 ‘엔비디아 GPU 가속이 적용된 시높시스 설루션’이라면, 경쟁사들은 엔비디아를 이기기 위해 엔비디아의 장비를 써야 하는 상황에 놓일 수 있다는 것이다. 엔비디아의 이번 투자는 자사 GPU가 단순한 AI 연산 도구를 넘어, AI 반도체 산업 전체의 필수 인프라로 자리잡게 하는 효과도 기대할 수 있다. 경쟁자들의 하드웨어 독립 시도를 막을 수는 없더라도, 그 설계 및 검증 과정에서 엔비디아의 영향력을 높은 수준으로 유지하려는 생태계 잠금(lock-in) 전략이 될 수 있다는 것이다.   디지털 트윈을 완성하는 퍼즐, CAE 전체 그림에서 시높시스가 품은 앤시스의 역할도 주목된다. 시높시스는 2024년 1월 엔지니어링 시뮬레이션 분야의 주요 기업인 앤시스를 약 350억 달러(약 46조 원)에 인수한다고 발표했고, 2025년 7월 인수를 완료했다. 이는 반도체 설계와 물리 시뮬레이션이라는 두 영역을 통합해서, 칩 단위를 넘어 시스템 전반을 검증할 수 있는 역량을 확보하기 위한 전략적 결정이었다. 시높시스 산하에 들어간 앤시스는 이번 협력의 범위를 반도체 밖으로 확장하는 열쇠를 쥐고 있다. 최신 AI 칩은 많은 전력을 소모하고 높은 열을 내기 때문에, 단순히 회로를 그리는 것을 넘어 열을 식히고 전기적 간섭을 막는 물리적 설계가 필수이다. 앤시스의 다중 물리(멀티피직스) 시뮬레이션은 바로 이 난제를 해결하는 핵심 기술이고, 엔비디아 GPU의 강력한 연산 능력은 복잡한 물리 계산을 빠르게 처리하는 최적의 도구가 된다. 나아가 앤시스는 엔비디아가 꿈꾸는 ‘완전한 디지털 트윈’을 구현하는 데 결정적인 역할을 한다. 엔비디아 옴니버스가 가상 공간의 외형을 만든다면, 앤시스는 그 안에 실제 세계의 물리 법칙을 적용시킬 수 있다. 앤시스는 시높시스와 엔비디아의 협력이 반도체 설계를 넘어 자동차, 항공우주, 스마트 공장 등 다양한 영역을 아우루는 ‘산업용 AI(industrial AI)’로 확장되도록 돕는 다리 역할을 할 수 있을 것으로 보인다.   ▲ 앤시스는 반도체 개발뿐 아니라 산업용 디지털 트윈까지 확장하기 위한 시뮬레이션 기술을 제공할 수 있다.(출처 : 앤시스)   전자–기계의 경계가 무너진다 : CAE 기술의 미래 시높시스와 앤시스의 결합 외에도 최근 몇 년간 CAE 및 시뮬레이션 업계는 서로 다른 영역에 있던 기업들이 경계를 허물고 통합되는 지각 변동을 겪고 있다. 2025년 지멘스가 데이터 분석 및 시뮬레이션 기업인 알테어를 인수한 것, 2024년 시높시스의 경쟁사인 케이던스(Cadence)가 자동차 및 항공우주 구조 해석 기술 기업인 베타 CAE 시스템즈(BETA CAE Systems)를 인수한 것이 대표 사례다. 또한 계측 장비 기업인 키사이트(Keysight)는 가상 프로토타이핑 기업 ESI 그룹(ESI Group)을 지난 2023년에 인수했다. 이런 인수합병의 흐름은 전자 설계(EDA)와 기계 설계(CAE)의 융합을 뜻하며, 향후 AI 및 반도체 시장에서 시뮬레이션 기술이 단순한 검증 도구를 넘어 핵심 원천 기술로 입지를 높일 것임을 시사한다. 첫째, CAE/시뮬레이션은 산업용 AI를 위한 ‘데이터 창고’의 역할을 한다. 산업용 AI를 학습시키기 위한 양질의 고장 데이터나 사고 데이터를 현실에서 구하는 것은 어렵기 때문에, 물리 법칙에 기반한 가상 환경에서 합성 데이터(synthetic data)를 생성해 AI에 공급하는 것이 필수가 되고 있다. 둘째, 반도체 시장에서는 패키징의 한계를 넘는 열쇠가 된다. 미세 공정의 한계로 인해 칩을 3차원으로 쌓는 기술이 중요해지면서, 열과 구조적 안정성을 해석하는 CAE 설루션은 이제 선택이 아닌 ‘차세대 칩 설계의 필수 전제 조건’이 되고 있다. 엔비디아의 시높시스에 대한 투자는 전 세계 기술 산업이 ‘설계–시뮬레이션–제조–구동’이 하나로 연결된 거대한 디지털 생태계로 재편되고 있음을 보여주는 신호탄이다. 엔비디아는 칩을 넘어 ‘플랫폼’이 되려고 하고, 시높시스 및 CAE 업계는 해석 도구를 넘어 ‘지능형 통합 설루션’으로 진화하고 있다. 전자(electronICS)와 기계(mechanICS)의 경계가 사라지고 AI가 융합되는 모습이다. 이들의 결합은 향후 반도체 및 AI 산업의 기술 표준을 누가 주도할 지에 대한 예상과 함께, 새롭게 구축되는 거대한 생태계 안에서 기업들이 어떤 생존 전략을 모색해야 할 지에 대한 고민도 안겨준다.

안녕하세요? 캐드앤그래픽스에서는 ZBook X G1i 16”  ZBook Fury G1i 18” 노트북 성능을 체험해 보고 리뷰해 주실 리뷰어를 찾습니다. 리뷰 기사는 캐드앤그래픽스 2026년 2월호 또는 3월호에 실릴 예정이며, 리뷰용 제품을 받으신 후 실제로 사용해 보시고, 12월 24일(수)까지 리뷰 원고를 보내 주시면 됩니다. 잡지에 실리는 리뷰 기사에 대해서는 소정의 원고료를 드립니다. 리뷰를 원하시는 분은 간단한 자기소개 및 사용하시는 소프트웨어에 관한 내용을 메일(cadgraphpr@gmail.com)로 보내주세요.   모델   사양 추천 market ZBook X G1i 16” HP ZBook X G1iHP IDS DSC RTX PRO 2000 8GB Ultra 7 255H X 16 inch G1i Base NB PC Product Development - Product Designer: Inventor, SolidWorks, Solid Edge M&E 2D artist: Photoshop, Illustrator ZBook Fury G1i 18” HP ZBook Fury 18 G1iNVIDIA RTX PRO 3000 Blackwell 115W+ 12 GB GraphICS Product Development - Product Designer: CATIA, NX, Creo - Manufacturing Engineer: Delmia, SolidWorks CAM, Tecnomatix, Creo Manufacturing Rendering: VRED, ICEM Surf, CATIA Rendering, Creo Render Studio, NX Rendering - 제목 :  HP ZBook 노트북 리뷰어 지원 - 보내실 내용 : 간단 약력 등 자기소개, 사용 소프트웨어, 전화/메일/소속 (참고할 만한 기고 이력이나 블로그 링크 등 있을 경우 같이 기재) - 모집 기간 : 리뷰어 선정 시 마감 예정 (이력 검토 후 선정) 문의 : 02-333-6900 / cadgraphpr@gmail.com 리뷰어 모집 대상  :  제조, 건축, 엔지니어링 분야 엔지니어(캐드, CAE, 3D 디자인 및 렌더링 등 사용자)     ------------------------------------------------------------------------------------------------------ 참고 후기 HP Z2 미니 G1a 리뷰 : BIM 엔지니어의 실무 프로젝트 성능 검증 HP Z북 울트라 G1a 리뷰 (1) - AI 크리에이터와 3D 작업을 위한 최적화 HP Z북 울트라 G1a 리뷰 (2) - 설계 엔지니어 관점에서 본 고성능 노트북  

로봇 전문기업인 레인보우로보틱스가 자동화 설루션 전문기업 제이씨티와 협력해 HD현대중공업 중형선사업본부로부터 협동로봇 용접 시스템 총 35세트를 수주했다고 밝혔다. 이번 계약에는 협동로봇 30대로 구성된 용접시스템 35세트가 공급된다. 이번 계약은 레인보우로보틱스의 로봇통합시스템(SI) 파트너사인 제이씨티가 조선소 현장용 ‘포터블 타입 협동로봇 용접 시스템’을 상용화하며 축적한 노하우와, 레인보우로보틱스 협동로봇의 정밀 제어 기술이 결합된 결과다. 제이씨티는 협소 공간, 고열·고습 등 조선소 특수 환경에 최적화된 운영 경험을 바탕으로 시스템을 지속적으로 개선해 왔으며, 다수의 선박 제조 현장에서 실증을 통해 안정성을 검증해왔다. 발주처인 HD현대중공업 중형선사업본부는 설계–생산 일관화를 위한 조선 특화 디지털 제조(digital manufacturing)를 추진하고 있다. 이번 사업에서는 HD한국조선해양(KSOE)이 개발한 ‘공통 운영 소프트웨어(Common Operating Software)’를 적용해 설계 도면 정보를 협동로봇에 자동 연동하도록 구현했다. 이로써 별도의 치수 입력 없이 각장 조건에 맞는 최적의 용접 작업을 즉시 수행할 수 있으며, 기구부 설계 검토를 통해 경제형 타입으로 시스템을 적용해 비용 효율도 확보했다는 것이 레인보우로보틱스의 설명이다.     이번 시스템의 핵심 로봇인 레인보우로보틱스 RB3-730은 콤팩트한 크기와 11kg 경량 설계로 이동·설치가 용이해 조선소 내 협소한 블록 내부나 다양한 곡면 형상에서도 안정적으로 운용이 가능하다는 점을 내세운다. 특히 아크센싱(Arc Sensing), 터치센싱(Touch Sensing), 다양한 위빙(Weaving) 프로파일 등 다양한 내장 용접 기능을 기본 제공해 별도의 옵션 구매 없이도 고품질 용접을 구현할 수 있다. 레인보우로보틱스의 이정호 대표이사는 “RB 시리즈 협동로봇은 별도 코딩 없이, MIG·TIG 용접 등 다양한 방식으로 적용될 수 있어 조선소와 같은 복잡한 환경에서도 빠르게 자동화를 구현할 수 있다”면서, “이번 시스템은 HD현대중공업 중형선사업본부의 디지털 제조 전략과 결합돼 조선업의 인력난 해소, 생산성 증대, 그리고 품질 일관성 확보에 실질적인 기여를 하게 될 것”이라고 밝혔다. 이어 “협소 공간이나 복잡한 구조물 용접처럼 난도가 높은 작업에서도 안정적인 결과를 제공해 조선업 자동화의 새로운 기준을 제시할 것”이라고 덧붙였다.

가상 제품 개발을 위한 MBSE 및 SysML의 이해와 핵심 전략 (2)   오늘날 제품 개발은 점차 복잡해지고 있으며, 다양한 기능·구조·성능 요구를 동시에 만족시켜야 한다. 이에 따라 전통적인 문서 중심의 시스템 엔지니어링 방식은 한계에 직면하고 있다. 문서 기반 방식은 사양, 인터페이스, 설계, 분석, 테스트 계획 등이 개별적으로 관리되어 추적성과 일관성이 부족하고, 변경 시 수작업이 많아 오류 가능성이 크다. 이러한 문제를 해결하기 위해 ‘모델 기반 시스템 엔지니어링(MBSE)’이 대두되었다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 연구소장   MBSE(Model-Based Systems Engineering)는 요구사항, 기능, 구조, 성능, 안전성, 비용 등 다양한 측면을 통합 시스템 모델로 표현하고 분석하여 개발 전 과정을 지원한다. SysML과 같은 표준 언어와 랩소디(Rhapsody), 카메오(Cameo), 카티아 매직(CATIA Magic) 등의 도구를 통해 모델은 단순한 도식이 아닌 설계·검증·분석의 핵심 매개체로 활용된다. MBSE는 첫째, 시스템 및 소프트웨어 개선을 지원한다. 요구사항을 명확히 시각화하여 이해도를 높이고, 아키텍처를 구조화해 통합을 용이하게 하며, 시뮬레이션 기반 사전 검증으로 설계 오류를 줄인다. 둘째, 협업과 커뮤니케이션 향상에 기여한다. 이해관계자 간 지식 격차를 줄이고, 교육 및 의사결정 도구로 활용되며, 프로젝트 참여도를 높인다. 또한, 고객·개발자·통합자·공급업체·규제기관 등 다양한 이해관계자가 참여하는 시스템 획득 과정에서 MBSE는 공통 언어로서 상호작용을 원활히 하고 요구사항 관리·검증·규제 대응까지 일관성을 제공한다. 특히 문서 기반과 MBSE 기반 방식을 비교하면, MBSE는 정보 표현의 일관성, 다중 뷰 제공, 자동화된 변경 영향도 분석, 품질 및 무결성 평가의 체계화를 가능하게 한다. 이는 복잡한 시스템의 개발 리스크를 줄이고, 비용 절감과 개발 기간 단축 그리고 신뢰성 확보에 직결된다. 결국 MBSE는 단순한 도구가 아니라, 가상 제품 개발(VPD)의 핵심 엔진으로서 차세대 제품 개발 패러다임을 뒷받침하는 전략적 전환임을 보여준다.   시스템 설명을 위한 SE 사례 과거의 시스템 엔지니어링(SE) 방식은 문서 중심(documents–centric)이었다. 이 방식에서는 시스템 사양(specifications), 인터페이스 요구사항(interface requirements), 시스템 설계(system design), 분석 및 트레이드오프(analysis & trade–off), 테스트 계획(test plans) 등의 주요 활동이 대부분 문서 형태로 작성되고 관리되었다. 이러한 문서들은 서로 연결성이 부족하고 변경 관리를 수동으로 수행해야 하는 한계가 있었다. 문서 간의 일관성을 유지하기 어려우며, 추적성(traceability)도 제한적이었다.   그림 1. 시스템 엔지니어링에서의 변화 모습   미래의 시스템 엔지니어링 방향은 모델 중심(model–centric)으로 전환되고 있다. 이 방식에서는 시스템 설명과 분석, 검증 활동이 모두 모델을 중심으로 수행된다. 모델은 다이어그램 형태로 시스템의 기능, 구조, 행동 등을 시각적으로 표현하며, 분석 도구 및 시뮬레이션 환경과 직접 연계할 수 있어 변경의 영향 분석이나 테스트 계획 수립 등도 자동화할 수 있다. 변화의 핵심은 방법론(methodology), 언어(language), 도구(tool)이며 이 변화의 중심에는 MBSE를 실현하기 위한 다음의 구성요소가 있다. 방법론은 예를 들어 OOSEM(Open-Source Systems Engineering Methodology)과 같은 절차적 방법론, 언어는 SysML(Systems Modeling Language)과 같은 표준화된 모델링 언어, 도구는 IBM 랩소디, 카메오 시스템즈 모델러(Cameo Systems Modeler), 카티아 매직 등의 모델링 도구가 있다. 이러한 구성 요소들이 유기적으로 연결되어 문서 대신 모델을 기반으로 시스템 설계를 설명하고 검증할 수 있도록 한다. 현재 시스템 엔지니어링은 문서 중심에서 모델 중심으로의 전환이 일어나고 있다. 이 변화는 단순히 표현 수단의 변화가 아니라, 시스템 개발의 추적성, 일관성, 자동화, 협업, 재사용성을 획기적으로 향상시키는 전략적 전환이며, 복잡한 시스템 개발을 보다 정밀하고 효율적으로 수행할 수 있게 한다. 따라서 기존의 문서 기반 설명을 넘어서 모델 기반 설명이 필수인 시대에 들어섰음을 강조하고 있으며, SE 전환 전략의 방향성을 명확히 보여주는 대표 사례로 볼 수 있다.   시스템 모델링 시스템 모델링은 하나의 통합된 시스템 모델을 통해 제품 또는 시스템의 다양한 측면(기능, 구조, 성능, 요구사항 등)을 동시에 표현하고 분석할 수 있는 접근 방식이다. 이러한 통합 시스템 모델은 다음과 같은 여러 하위 모델로 구성된다. 요구사항 모델(requirement model)은 시스템이 충족해야 하는 기능적/비기능적 요구사항을 표현한다. 이는 모델링의 출발점이 되며, 모든 다른 모델은 이 요구사항을 만족시키기 위해 만들어진다. 기능/행동 모델(functional/behavioral model)은 시스템이 수행해야 하는 주요 동작을 시퀀스 형태로 정의한다. 예를 들어 Start → Shift → Accelerate → Brake와 같은 모델은 사용자 또는 시스템의 동작 흐름을 추상화한 것이며, 상태 전이 또는 유스케이스 기반 모델링에 해당한다. 성능 모델(performance model)은 시스템의 성능을 정량적으로 평가할 수 있는 수식 기반의 모델이다. 예시로, 동력 방정식(power equations)과 차량 동역학(vehicle dynamICS) 모델을 통해 제어 입력이 차량의 물리적 반응에 어떤 영향을 주는지 계산할 수 있다. 구조/컴포넌트 모델(structural/component model)은 시스템을 구성하는 하드웨어 또는 서브시스템 구조를 나타낸다. 예를 들어 Engine → Transmission → Transaxle(변속기 → 트랜스 액슬) 모델은 실제 구현 또는 설계를 위한 기반 구조를 제공한다. 기타 공학 해석 모델(other engineering analysis models)에는 상세 기술 모델들이 포함된다.   그림 2. 시스템 모델링의 핵심 개념과 구성 요소   이 외에도 질량 중심, 관성 모멘트 등 물리적 특성을 나타내는 Mass Property Model, 구조 강도 해석 등 Structural Model, 시스템 안전성 분석에 대한 Safety Model, 비용 예측 및 분석 모델인 Cost Model이 있다. 이러한 모델은 제품 개발의 신뢰성과 경제성을 확보하기 위해 중요한 도구이다. 따라서 통합 시스템 모델은 시스템의 여러 측면을 다루어야 한다. 즉, 단일한 관점(예 : 기능적 요구사항이나 하드웨어 구조)만 고려해서는 복잡한 시스템을 정확하게 설계하거나 검증할 수 없으며, 기능, 구조, 성능, 안전성, 비용 등 다양한 분석 도메인을 통합적으로 연결한 모델링이 필요하다는 것을 강조한다. 이는 MBSE의 핵심 원리를 반영한 구조이며, 다양한 관점에서 시스템을 이해하고 최적화하기 위해 어떻게 통합 모델이 구성되는지를 시각적으로 잘 보여준다. 이러한 접근은 복잡한 시스템 설계 시 설계 리스크를 줄이고, 변경의 영향도를 분석하며, 개발 비용과 시간을 절감하는 데 필수이다. 모델링에도 도움이 된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (28)   피델리티 LES 솔버(Fidelity LES Solver)는 고급 다물리학 CFD(전산유체역학) 해석 엔진으로, 대형 소용돌이 시뮬레이션(LES)을 항공우주, 자동차, 터보 기계 분야의 주류로 확장한 기술이다. 고유의 스케일링 기능을 갖춘 피델리티 LES 솔버는 고도화된 유체 역학 문제를 정확하게 예측할 수 있도록 설계되어, 공기소음학, 공기역학, 연소, 열 전달 및 다상 흐름 문제 등 전통적으로 복잡한 CFD 문제를 해결한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   피델리티 LES 솔버의 주요 특징 고정밀 시뮬레이션 : 이 솔버는 공기소음학, 공기역학, 연소, 열 전달 및 다상 흐름 등 복잡한 유체 역학 문제를 해결하는 데 적합하며, 특히 정확도가 중요한 분야에서 큰 장점을 제공한다. 메시 생성 : 클리핑된 보로노이 다이어그램을 이용하여 폴리헤드럴 메시(mesh)를 빠르고 확장 가능하며, 복잡한 기하학적 형상을 처리할 수 있는 견고한 방법으로 생성한다. 사용자는 필요한 곳에 해상도를 조정하거나, 복잡한 기하학적 구조에 대해 낮은 해상도의 시뮬레이션을 실행하고, 움직이는 기하학도 시뮬레이션할 수 있다. 확장성 : CPU 기반 또는 GPU 기반 고성능 컴퓨팅 환경에서 높은 확장성을 제공하여, 큰 규모의 계산 집약적인 시뮬레이션을 수행할 때도 속도나 정확도를 희생하지 않고 처리할 수 있다. 고급 수치 방법 및 모델 : LES의 예측 정확성을 실현하려면 단순히 시간 의존성을 활성화하고 난류 모델을 변경하는 것 이상이 필요하다. 피델리티 LES 솔버는 안정성과 정확성을 높이기 위해 고급 수치 방법과 모델을 결합하여 다양한 시나리오에서 효과적으로 작동한다.   피델리티 LES 솔버의 적용 분야 항공우주 : 항공기 부품 주변의 흐름 역학을 예측하거나, 소음 발생을 이해하고, 공기역학 성능을 최적화하는 데 유용하다. 자동차 : 자동차 설계에서 공기 저항, 연소 모델링, 공기소음학 등의 시뮬레이션에 필수적인 도구이다. 터보 기계 : 터빈, 압축기 등과 같은 기계에서의 흐름을 정확히 시뮬레이션하여 효율성 및 신뢰성을 개선하는 데 도움을 준다. 피델리티 LES 솔버는 복잡하고 실제적인 시나리오에서 고급 CFD 설루션을 요구하는 엔지니어나 연구자에게 유용한 도구이다.   그림 1. 피델리티 스티치(Fidelity Stitch)로 생성된 실물 크기 혼다 피트(Honda Fit)의 폴리헤드럴 메시   해석기는 다양한 유동 영역(저속 유동, 충격파를 동반한 고속 유동, 반응 유동 등)을 처리할 수 있도록 비정형 격자에 대한 이산 엔트로피 프레임워크(discrete entropy framework)를 일반화한 유한체적법(finite volume approach) 기반의 이산화(discretization) 기법을 사용한다. 이 방식은 복잡한 센서, 업윈딩 하이브리드화(upwinding hybridization), 또는 안정성을 위한 계수 조정 없이도 안정적이고 균일한 플럭스 이산화(flux discretization)를 가능하게 한다. 이 고유한 이산화 기법은 최신의 서브그리드 스케일 모델링(subgrid scale modeling) 및 벽면 모델링(wall modeling)과 결합되어, 격자 해상도에 대해 뛰어난 강인성을 가진 LES 기능을 제공한다.(그림 2)   그림 2. 샌디아 불꽃 D(Sandia Flame D) 실험 결과와 피델리티 LES 솔버의 다양한 격자 크기 결과 비교(위 : 온도 등고선, 아래 : 중심선 평균 및 RMS(평균제곱근) 온도)   공기역학(AerodynamICS) 피델리티 LES 솔버는 복잡한 형상의 공기역학력을 예측할 수 있으며, 저마하(low–Mach)에서 초음속(supersonic)에 이르기까지 다양한 유동 영역에서 정확한 예측이 가능하다. 예를 들어, 미세한 형상 설계 변경으로 인한 차량 항력 변화를 포착하거나(그림 3), 상용 항공기에서 높은 받음각(angle of attack) 조건에서의 실속(stall) 발생 시점을 정확히 식별할 수 있다.   그림 3. 피델리티 LES 솔버를 활용한 고정밀 CFD 시뮬레이션.(위 : 최대 양력, 실속(stall) 특성 및 분리 패턴 예측을 목표로 한 상용 항공기의 고정밀 시뮬레이션, 아래 : 자동차의 외부 공기역학 시뮬레이션)     ■ 자세한 기사 내용은 PDF로 제공됩니다.

설계, 데이터로 다시 쓰다 (3)   데이터 보기를 황금처럼 봐야 할 시대가 왔다. 데이터를 활용해서 상상으로만 그리던 일이 현실이 되어가기에 너도나도 데이터를 모으기 시작했다. 이토록 소중한 데이터이기에 허투루 만들 수 없다. 좀 더 영리하고 전략적으로 접근할 필요가 있다. 이번 호에서는 데이터 생성을 위해 어떤 전략이 필요하고, 전략적으로 생성된 데이터가 어떤 활용 가치가 있는 지 설명하고자 한다.   ■ 최병열 피도텍에서 AI 기반 Data-driven Design SW 개발 총괄을 맡고 있다. 한양대에서 공학박사 학위를 받았고, 20여 년간 100여건의 최적 설계 프로젝트를 주도하며 컨설팅 경험을 쌓았다. 홈페이지 | www.pidotech.com   어떻게 확보할 것인가? 데이터는 돈이다 CFD(Computer Fluid DynamICS : 전산유체역학)가 무엇의 약자일까? 한번은 유동 분야의 저명하신 교수님께서 하신 농담이 기억이 난다. ‘Colorful Fluid DynamICS’라고 말이다. 유동 시뮬레이션 결과가 시각적으로 화려하다는 의미로 하신 농담이었지만 곰곰히 생각해 보면 시뮬레이션의 효과를 누리지 않는다면 단지 보고서 한 켠을 채우는 컬러풀한 그림이 될 수도 있겠다는 생각이 든다. VP(Virtual Prototyping : 가상 프로토타이핑)를 위해 구조, 열유체, 동역학, 제어 등의 다양한 분야의 CAE 소프트웨어를 도입하고 있다. CAE 소프트웨어를 통해 하나의 데이터를 생성해 내기 위해서는 해석 모델링부터 솔빙(solving), 결과 분석에 이르기까지 소프트웨어와 하드웨어 리소스를 활용해야 함은 물론 해석 전문가의 공수(M/H)도 투입되어야 하기에 상당한 비용이 든다고 볼 수 있다. 학회를 다녀보면 최적설계라는 타이틀의 논문 발표가 종종 있다. 실제로 최적화 알고리즘을 적용해서 최적해 탐색까지 도달하는 사례도 있는 반면, 1개 내지 2개의 설계변수 값을 바꿔가며 성능의 경향을 보고 성능이 가장 좋아지는 설계변수 값을 택하면서 최적설계를 했다고 하는 경우도 있다.(학문적으로는 1D 파라메트릭 스터디라고 부른다.) 하지만, 최적설계를 제대로 했든 안 했든 시뮬레이션으로부터 얻은 데이터로 설계 개선이라는 목적에 맞게 데이터를 활용했다는 점은 가치를 인정받을 만하다. 성능 평가를 위해 필요한 데이터는 한 개(시뮬레이션 1회)이다. 설계변수의 효과를 파악하기 위한 최소의 데이터 개수는 설계변수 개수에 1개의 데이터가 필요하다. 특정 설계변수의 경향을 파악하고 싶다면, 해당 설계변수의 범위를 구간으로 나누어 데이터를 뽑아 볼 수 있다. 현실적으로 설계변수는 여러 개가 존재하고 설계변수의 조합으로 성능이 개선되는 경우가 대부분이라서, 개별 설계변수의 효과를 보는 방식보다 설계변수들의 효과를 동시에 고려할 수 있는 데이터 샘플링 방법이 필요하다.   실험계획법이란 여러 개의 설계변수 효과를 동시에 고려하기 위해 활용되는 것이 실험계획법(DOE : Design of Experiments)이다. 실험계획법은 농업과 통계학의 만남으로 1920년대부터 사용되었다. 영국의 통계학자이나 생물학자인 로널드 A. 피셔가 창시자로 알려져 있다. 작물 수확량을 높이기 위한 실험을 진행하면서 단순한 반복보다 많은 정보를 획득할 수 있게 실험을 설계할 필요가 있었다. 실험계획법에 대한 피셔의 재미있는 일화가 있다. 그 당시 영국 사람들은 밀크티에 차와 우유를 따르는 순서로 맛의 차이가 있다 없다의 논쟁을 펼쳤다. 이에 논쟁의 결론을 내리기 위해 피셔는 다음과 같은 실험을 계획하였다.   그림 1. 실험계획법의 일화 – 차를 맛보는 여인(출처 : ChatGPT)   실험은 이렇다. 피셔는 8잔의 밀크티를 준비하였고 4잔은 차를 먼저, 나머지 4잔은 우유를 먼저 따랐다. 나머지 실험조건은 동일하게 하기 위해 같은 찻잔을 사용했고, 랜덤으로 여인에게 차를 맛보게 했다. 밀크티를 모두 마신 뒤 차를 먼저 따랐다고 판단되는 찻잔 4개를 선택하게 하였다. 이 실험 결과를 토대로 피셔는 차를 먼저 따른 밀크티의 개수(0~4) 별로 확률을 계산해 낼 수 있었다. 참고로, 이 실험의 결과 여인이 정확하게 4잔(차를 먼저 따른 밀크티)을 모두 골라냈다고 한다. 2차 세계대전 이후 품질 관리를 위해 실험계획법이 미국 제조업에 도입되었고, 1950년대 이후부터 다구치 겐이치가 강건설계의 개념과 함께 일본 제조업에 널리 적용하였다. 실험계획법은 경제성의 원칙과 궤를 함께 한다. 최소한의 데이터로 최대 효과를 얻겠다는 것이다. 실험계획법에는 다양한 기법이 존재하며, 대표적으로 FFD(Full Factorial Design : 완전조합법)와 LHD(Latin Hypercube Design)를 예로 들 수 있다. FFD는 주로 실제 실험에 많이 활용되었고, LHD는 시뮬레이션 기술이 발달함에 따라 전산 실험에 널리 활용되었다.   (a) FFD   (b) LHD 그림 2. 실험계획법의 종류   어떻게 활용할 것인가? 옥석 가리기 많은 최적설계 관련 연구나 논문을 검토하면서 공통적으로 파악되는 프로세스가 있다. 데이터도 돈이지만 설계 프로세스가 더 많은 데이터를 필요로 하는 이유는 설계변수 때문이다. 즉, 설계변수도 돈이다. 설계변수는 내가 개선하고자 하는 성능지수를 컨트롤할 수 있는 수단이기 때문에 많으면 많을수록 유리하겠지만, 현실적으로 가성비를 따져보지 않을 수 없다. 결론은 많은 설계변수 중 옥석을 가려내야만 한다. 적으면 적을수록 적은 데이터가 필요하므로 가성비가 올라가기 때문이다. 설계변수의 옥석을 가리기 위해 주로 사용되는 것이 민감도(sensitivity)이다. 민감도는 설계변수 변화에 따른 성능지수(목적함수나 구속조건)의 변화를 나타내는 기울기로 표현된다. 그 기울기가 크면 클수록 설계변수의 민감도가 커진다. 즉 설계변수를 조금만 변경해도 성능지수 값을 많이 변경시킬 수 있다는 의미이다. 민감도를 계산할 수 있는 다양한 방법이 존재한다. 다양한 방법이 존재한다는 의미는 각기 장단점을 가진다는 것이다. 크게는 국부 민감도(local sensitivity)와 전역 민감도(global sensitivity)로 나눌 수 있다. 현재 설계점에서 국한해서 설계변수의 민감도를 보는 것이 국부 민감도이고, 전체 설계 영역에서 성능지수에 미치는 영향을 통계적으로 분석하는 것이 전역 민감도이다. 당연히 전역 민감도가 많은 데이터를 필요로 한다. 통상적으로 어느정도 데이터를 확보할 수 있는 경우라면, 실험계획법으로 확보된 데이터로 전역 민감도 분석을 통해 설계변수의 옥석을 가리는 경우가 많다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

‘CAE 컨퍼런스 2025’가 지난 11월 7일 수원컨벤션센터에서 진행됐다. ‘시뮬레이션의 미래 : AI와 디지털 트윈이 주도하는 제조 혁신’을 주제로 한 CAE 컨퍼런스 2025에서는 AI(인공지능)와 디지털 트윈(Digital Twin)의 융합을 통한 엔지니어링 혁신 및 가속화의 흐름을 짚었다. 특히 CAE 기술이 AI 및 데이터 기술과 결합함으로써 제조 및 설계 분야의 복잡한 문제를 해결할 뿐만 아니라, 최적 설계를 넘어 자율 설계와 스마트 제조를 구현할 수 있는 가능성에 주목했다. ■ 정수진 편집장     CAE 컨퍼런스 준비위원회 위원장인 연세대학교 기계공학과 이종수 교수는 개회사에서 과거에는 설계, 해석, 생산 등 공학 영역 사이의 장벽이 허물어지고 기술 융합과 협업이 가속화되고 있다고 짚었다. 한편, AI는 엔지니어링 의사 결정 과정에서 가속화를 돕는 역할을 한다. 특히 물리적 현상을 파악하는 기술인 CAE는 데이터 부족이나 불확실성, 그리고 경험하지 않은 영역의 문제를 해결해야 할 때 AI와 상호보완적인 관계를 갖게 된다는 것이 이종수 교수의 분석이다. 그는 “AI와 CAE는 서로 부족한 부분을 채워주는 친구처럼 협력하고 있다. 이번 CAE 컨퍼런스의 주제인 AI와 디지털 트윈을 통해 이러한 융합이 더욱 촉진되기를 기대한다”고 전했다.   디지털 제조 혁신을 가속화하는 CAE와 AI의 결합 앤시스코리아의 강태신 전무는 ‘디지털 제조 혁신을 위한 앤시스의 엔드 투 엔드 설루션’을 주제로 첫 번째 기조연설을 진행했다. 그는 최근 제조 트렌드의 변화와 스마트 공장의 필요성, 그리고 시뮬레이션의 핵심 역할을 설명했다. 강태신 전무는 IoT(사물인터넷), AI 등 4차 산업혁명 기술로 인한 리쇼어링(reshoring) 추세를 언급하면서, 스마트 공장의 핵심은 데이터의 연결성(connectivity)과 시뮬레이션을 통한 불량 예방이라고 강조했다. “시뮬레이션 기반 디지털 엔지니어링의 도입은 전체 수명 주기 비용을 줄이는 데 기여하며, 앤시스는 제품 설계부터 제조 공정까지 전 과정을 아우르는 엔드 투 엔드 시뮬레이션 설루션을 제공해 디지털 전환을 가속화한다”고 전한 강태신 전무는 국내 배터리 제조 공정에 시뮬레이션과 IoT 데이터를 결합한 디지털 트윈을 구축하여 생산성을 약 20% 향상하고 비용을 절감한 실제 사례를 소개했다. 또한 “스마트 공장의 도입은 이제 필수이며, 복잡한 것보다 작은 것부터 시작하여 성공을 확장하는 것이 중요하다”고 짚었다.   ▲ 앤시스코리아 강태신 전무   연세대학교 기계공학과 이종수 교수는 ‘자율지능 에이전트를 위한 물리 모델 기반 시스템 엔지니어링 & 생성적 산업 인공지능’을 주제로 한 기조연설에서 “공학의 딜레마인 ‘정확성’과 ‘효율성’ 사이의 고민을 해소하고, 데이터가 부족한 ‘경험하지 않은 영역’ 문제를 해결하기 위해 물리 지식을 다루는 CAE와 AI의 협업이 필수라고 강조했다. 이종수 교수는 “물리 지식 기반의 CAE가 AI 모델의 가이드 역할을 함으로써, 빅데이터가 아니라 적은 데이터로도 AI 학습을 가속화하고 정확도를 높일 수 있다”고 설명했다. 이런 기술이 대형 화면 단차 분석의 도메인 적응이나 전기차 냉각 시스템 소음 저감 설계 등에서 복잡한 문제를 해결하고 새로운 설루션을 도출하는 데 적용되고 있다고 소개한 이종수 교수는 AI와 CAE가 서로 협력하는 것이 중요하다고 전했다.   ▲ 연세대학교 기계공학과 이종수 교수   차세대 엔지니어링 패러다임 : AI, 자율화, 클라우드 나니아랩스의 강남우 대표는 ‘생성형 AI에서 에이전틱 AI까지 : 자율 설계의 미래’를 주제로 한 발표에서 인구 감소 등으로 어려움을 겪는 제조업의 혁신을 위해 AI 도입이 필수라고 강조했다. 또한, 엔지니어링 설계의 패러다임이 AI를 도구로 쓰는 ‘생성형 설계’를 넘어, AI가 의사 결정권을 갖는 ‘자율 설계(autonomous design)’ 시대로 진화할 것이라고 전망했다. 강남우 대표는 “딥러닝이 복잡한 고차원 설계 문제를 해결하는 핵심 기술이며, 미래에는 AI가 스스로 최적의 워크플로를 생성하여 설계 전 과정을 자동화하는 자율 에이전트 AI(agentic AI) 플랫폼 구축이 중요하다”고 짚었다.   ▲ 나니아랩스 강남우 대표   아마존웹서비스(AWS)의 전병승 설루션 아키텍트는 ‘클라우드 기반 CAE 혁신 : AI로 가속화하는 차세대 엔지니어링 시뮬레이션’을 주제로 발표했다. 그는 전통적인 온프레미스 HPC 환경의 한계를 분석하면서, “클라우드는 무제한의 용량과 유연성, 비용 효율을 제공함으로써 CAE 워크로드의 개발 주기를 단축시킨다”고 설명했다. 또한 “AWS는 HPC 인프라 자원과 클러스터 구축 자동화 설루션을 제공한다. 나아가 클라우드를 통해 가속화된 엔지니어링 환경에 자율 에이전트 AI를 적용하여 시뮬레이션 자동화 및 엔지니어의 생산성을 극대화할 수 있다”면서, “AWS는 인프라부터 AI 개발 도구까지 지원하여 기업의 혁신을 돕는다”고 소개했다.   ▲ AWS 전병승 설루션 아키텍트   한국알테어의 이승훈 기술총괄 본부장은 ‘CAE 최신 동향과 AI 기반 디지털 트윈 가속화’를 주제로 발표하면서, 엔지니어링 패러다임 변화에 대응하는 알테어의 핵심 전략을 제시했다. 이승훈 본부장은 “알테어는 메시리스 설루션으로 설계자의 시뮬레이션 접근성을 높이고, 멀티피직스 및 엔드 투 엔드 워크플로를 통합한다. 또한, 클라우드 기반의 협업 환경으로 데이터 사일로(silo) 문제를 해결하고, HPC 자원을 유연하게 확장하도록 돕는다”고 설명했다. 또한, “궁극적으로는 시뮬레이션 데이터를 활용하여 물리 AI(physICS AI) 기반의 예측 모델을 구축하고, 복잡한 해석 결과를 수십 초 만에 도출하여 엔지니어링 시간을 확보하는 것이 핵심”이라고 전했다.   ▲ 한국알테어 이승훈 기술총괄 본부장   CAE의 난제 해결하는 첨단 기술 피도텍의 최병열 연구위원은 ‘RBDO, 데이터 시대에 무결점 설계를 향해’를 주제로 발표했다. 최병열 연구위원은 제조 오차나 재료 물성의 불확정성(uncertainty)을 설계 단계부터 반영하는 신뢰성 기반 설계 최적화(RBDO : Reliability-Based Design Optimization) 기술의 적용 필요성을 강조했다. 또한 “이 기술의 핵심 목표는 불확정 요인을 반영하여 최종 제품의 신뢰도를 극대화하는 것”이라면서, RBDO의 개념과 현재 엔지니어링 환경에서 필수인 이유, 그리고 현장에 효과적으로 적용하는 구체적인 방법을 제시했다.   ▲ 피도텍 최병열 연구위원   메타리버테크놀러지의 서인수 이사는 ‘입자 기반 멀티피직스 CAE 기술 : 유체유동 및 플라스마 응용사례’ 발표에서 격자 생성 없이 비정상 상태 해석에 효과적인 입자 기반 다중 물리 CAE 기술을 소개했다. 또한 CUDA HPC를 활용하여 해석 속도를 가속화했다고 밝혔다. 주요 응용 사례로 믹싱 공정, 프린터 토너 거동 등 고체 입자 해석, 기어박스 오일 거동이나 모터 냉각 시스템 등 유체 유동 해석, OLED 증착 및 반도체 식각 공정 등 고진공 플라스마 해석 분야에서의 적용을 제시한 서인수 이사는 “GPU 기반 자체 설루션이 기존 상용 툴로 풀기 어려운 복잡하고 특수한 CAE 난제를 해결하는 데 기여하고 있다”고 전했다.   ▲ 메타리버테크놀러지 서인수 이사   자동차 및 전자 산업의 디지털 트윈 적용 사례 LG전자의 문강석 책임연구원은 ‘시뮬레이션 기반 파우치형 배터리 동향과 실링 공정 최적화를 통한 신뢰성·안전성 강화 사례’ 발표에서 파우치형 배터리의 실링(sealing) 공정 최적화 사례를 소개했다. 문강석 책임연구원은 “배터리 실링은 열 전달, 상 변화, 구조 변형, 점성 유동 등의 다중물리 현상이 동시에 발생하기 때문에 해석이 어렵다”면서, “신뢰성과 안전성을 확보하기 위해 실링 공정의 복잡한 물리적 거동을 CAE 기술로 분석했다”고 전했다. LG전자 연구팀은 기존 설루션의 한계를 극복하고자 솔버를 개선하고, 실험 데이터와 CAE 해석을 기반으로 두께 변화에 대한 수학적 모델링 및 최적화를 진행했다. 문강석 책임연구원은 이를 통해 실링 공정의 정량적 예측이 가능해져, 배터리의 신뢰성을 높이는 데 기여할 수 있었다고 설명했다.   ▲ LG전자 문강석 책임연구원   LG전자의 장일주 책임연구원은 ‘TV 제품의 CAE 자동화 및 AI 활용 사례’ 발표에서 “CAE의 핵심인 효율화 및 자동화를 달성하기 위해, 개발자들이 직접 사용할 수 있는 웹 기반의 CAE 자동화 시스템을 구축했다”고 소개했다. 그 한 가지 사례로 TV 스탠드와 헤드 블록의 구조/방열 성능을 예측해서 설계 단계에서 활용할 수 있도록 하는 TV 스탠드 안정성 예측 모델이 있는데, 몬테카를로 시뮬레이션과 딥러닝을 활용해 높은 신뢰도의 예측 결과를 빠르게 도출할 수 있었다. 또한 해석 시간이 3주 소요되던 포장 충격 예측에는 물리 기반 딥러닝 기법(PINNs)을 도입해 정확도를 높였다. 장일주 책임연구원은 “향후 TV 제품에 대해 약 15~20가지의 해석 항목을 모두 자동화해서 엔지니어링의 효율화를 이룰 계획”이라고 전했다.   ▲ LG전자 장일주 책임연구원   현대자동차의 한만용 책임연구원은 ‘고객 중심의 디지털 트윈 기술–승객 모니터링과 인체 모델의 융합’을 주제로 발표했다. 한만용 책임은 SDV(소프트웨어 중심 차량) 시대에 고객 중심 차량을 개발하기 위해서는 승객 데이터의 확보가 필수라고 강조하면서, “기존 디지털 모델과 달리 현실 데이터를 동기화하는 디지털 트윈 모델을 목표로 한다”고 소개했다. 현재는 승객 모니터링 시스템의 정보를 활용해서 관절의 위치를 파악하고, 인버스 다이나믹 모델을 통해 하중 정보를 계산하는 디지털 트윈 인체 모델을 구축하고 있는데, 한만용 책임연구원은 “체형 정보를 반영하여 충돌, 안락성 평가를 최적화하고, 실시간 피드백을 통해 승객 안전과 멀미 지수 예측 등 다양한 버추얼 테스트에 디지털 트윈 인체 모델을 활용할 계획”이라고 전했다.   ▲ 현대자동차 한만용 책임연구원     ■ 기사 내용은 PDF로도 제공됩니다.

빌딩스마트협회는 지난 10월 28일 서울 논현동 건설회관에서 BIM 및 스마트 건설 콘퍼런스인 ‘빌드스마트 콘퍼런스 2025(buildSMART CONFERENCE 2025)’를 개최했다. 이번 콘퍼런스는 ‘AI를 품은 미래 건축과 건설 : 로봇과 모빌리티’를 주제로 빌딩스마트협회, 한국스마트건설융합학회, 희림건축이 공동 주최했으며, 제조형 스마트 건설 혁신을 주도할 OSC모듈러산업협회의 창립총회가 함께 진행되어 그 의미를 더했다. ■ 최경화 국장     AI, 로봇, 모빌리티가 이끌어갈 미래 건축과 도시 콘퍼런스 기조강연에서는 싱가폴 기술디자인대학교의 모한 라제쉬 엘라라(Mohan Rajesh Elara) 교수가 ‘도시와 로봇의 만남 : 도시 로봇공학의 기반 구축’을, 그림쇼(Grimshaw)의 정윤희 수석이 ‘적응형 도시 구축 : 재생 인프라를 위한 프레임워크’를, 경희대학교 황경은 교수가 ‘로봇 친화형 건축물 설계 시공 및 운영 관리 핵심 기술 개발’을 주제로 발표했다. 주제발표에는 AI(인공지능), 디지털 트윈, 로봇, UAM(도심 항공 모빌리티) 등 다양한 분야의 업계, 학계 전문가가 발표를 진행했다. 엑스와이지 황성재 대표, 희림건축 최현철 수석, 와이앤스페이드 이종걸 대표, 무브먼츠 윤대훈 대표, 연우에이치티 최준혁 대표, 인천대학교 이슬비 교수, 한국건설기술연구원 이상윤 연구위원, 조우아건축사사무소 김원준 소장이 다양한 주제로 발표를 진행했다. AI 로봇 기술기업 엑스와이지(XYZ) 황성재 대표는 ‘로봇으로 증강된 공간과 도시’ 강연에서 로봇과 인간이 공존하는 지능형 도시 인프라의 새로운 비전을 제시하고, 실제로 실증 중인 성수동 로봇빌딩 사례를 통해 그 현실적 가능성을 이야기했다. 경희대 황경은 교수는 ‘AI를 품은 건축의 미래 : 공간·서비스·기술이 움직이는 동적 플랫폼으로의 전환’을 제목으로 발표했다. 황 교수는 AI·로봇·모빌리티의 발전으로 건축이 더 이상 단순히 사람을 담는 ‘그릇’이 아니라, 데이터를 학습하고 스스로 작동하는 지능형 플랫폼으로 진화한다고 강조했다. 이러한 통합은 ‘로봇 친화형 건축’을 시작으로 All-Mobility 생태계로 확장되며, 건축은 정적 구조물이 아닌 지속적으로 작동하는 도시 인프라의 허브가 된다는 핵심 비전을 제시했다.   BIM 어워즈 2025 시상식 및 수상작 전시 콘퍼런스와 함께 BIM 공모전인 ‘BIM 어워즈 2025(BIM AWARDS 2025)’ 시상식 및 수상작 전시도 진행됐다. 빌딩스마트협회는 BIM 어워즈 2025에서 총 25점의 수상작을 선정했다. BIM 어워즈 2025에서는 ▲비전부문 비전상 한국가스기술공사 ▲일반부문 Construction 분야 대상(한국건설기술연구원장상) – 계룡건설산업, 무영씨엠건축사사무소, 아키탑케이엘종합건축사사무소 ▲일반부문 Desgin 분야 대상(빌딩스마트협회장상) – 정림건축종합건축사사무소 ▲일반부문 Small and Medium sized Project 분야 대상 – 유선엔지니어링건축사사무소 ▲학생부문 Design 분야 대상 – 원광대학교 박요한, 하승혁, 김태건 ▲학생부문 Design 분야 대상 – 조선대학교 임동현, 김서연 등이 선정됐다. 협회는 2009년부터 BIM 활성화에 기여한 단체 및 개인을 발굴하여 시상함으로써 한국 건설산업의 선진화 및 BIM 기술의 올바른 활용 및 확산을 위해 지속적으로 노력하고 있다. 자세한 내용은 빌드스마트 콘퍼런스 2025 행사페이지에서 확인할 수 있다.   ■ 같이 보기 : OSC모듈러산업협회 출범… 제조형 스마트 건설 혁신 시동     ■ 기사 내용은 PDF로도 제공됩니다.