슈나이더 일렉트릭 코리아는 숭실대학교와 산학 협력 업무협약(MOU)을 맺고, 슈나이더 일렉트릭이 주관하는 산학 연계 교육 프로그램을 기반으로 전기 및 전력 계통 분야의 미래를 선도할 글로벌 인재 육성에 나선다고 밝혔다. 국내 전기 및 전력 관련 학과가 있는 제휴 대학을 대상으로 운영하는 ‘SEEC(SchneIDEr Electric Electrify Club)’ 프로그램은 전기·전력 계통 분야 인재의 실무 역량 강화와 글로벌 경쟁력 제고를 목적으로 한다. 이를 위해 슈나이더 일렉트릭은 현직자와의 네트워킹을 포함한 다양한 교육 프로그램을 제공한다. 주요 교육 과정은 슈나이더 일렉트릭 유니버시티(SchneIDEr Electric University) 전 강의 수강권 제공과 수강 후 인턴 지원 시 서류 전형 가산점 부여를 포함한다. 또한 인사팀이 주관하는 영문 이력서 및 면접 준비 특강, 사무실 투어, 현직자와의 오프라인 직무 멘토링 등이 있다. 슈나이더 일렉트릭 글로벌 리더십 강의와 온라인 커리어 멘토링이 진행되는 ‘커리어 그로스 데이’의 실무 중심의 커리큘럼도 마련했다. 이번 협약을 통해 숭실대학교 학생들은 에너지 효율화, 데이터센터, 산업 자동화, 태양광 설비 기술 등 산업 현장의 수요가 높은 분야의 교육 콘텐츠를 제공받는다. 슈나이더 일렉트릭은 이를 바탕으로 글로벌 전력 및 에너지 산업 전반에 대한 이해를 높이고 이론과 실무 역량을 동시에 강화할 수 있을 것으로 보고 있다. 슈나이더 일렉트릭 코리아의 박세란 인사본부장은 에너지 전환과 전력 산업의 미래는 기술 혁신뿐만 아니라 이를 현장에서 구현할 인재의 성장과 함께 이루어져야 한다고 설명했다. 박 본부장은 “이번 숭실대학교와의 SEEC 프로그램 산학 협력 업무협약을 통해 학생들이 글로벌 전력 및 에너지 산업의 실제 현장을 경험하고, 미래를 이끌 수 있는 실무 역량과 시야를 갖춘 전문 인재로 성장하도록 적극 지원하겠다”고 밝혔다. 이어 이번 협약이 기업과 대학이 교육과 커리어를 연계하는 지속 가능한 인재 육성 모델로 자리매김하여 전력 계통 분야의 인재 생태계를 확장해 나가길 바란다고 덧붙였다.  

국제사이버보안인증협회(CSC)와 사단법인 한국인터넷정보학회가 공동으로 운영하는 인공지능 사이버보안 연구회가 지난 5월 8일 제주도 서귀포시 휘닉스아일랜드에서 2026년도 춘계학술발표대회 특별세션을 개최했다. 이번 세션은 인공지능 기술의 급격한 발전에 따른 새로운 보안 위협을 분석하고 이에 대응하기 위한 최신 연구 성과를 공유하는 자리로 마련되었다. 사이버보안 연구의 구심점 역할 및 연구 범위 확대 사이버보안연구회는 지난 2015년 3월 사이버보안의 학술적 연구와 정보보호 및 응용공학 연구의 구심점 역할을 목표로 설립되었다. 이후 변화하는 기술 환경에 발맞춰 2026년 2월 인공지능 사이버보안 연구회로 명칭을 변경하고 인공지능 시스템의 안전성 확보를 위한 다각적인 연구를 이어오고 있다. 이번 특별세션에는 공병철, 이준화, 여동균, 윤현근, 임범석, 박지원, 남혁우, 공민지 등 8명의 연구자가 참여하여 인공지능과 보안이 결합된 핵심 논문을 발표했다. 인공지능 시스템의 보안 위협 분석과 대응 방법론 CSC협회 공병철 회장은 인공지능(AI) 시스템의 보안 위협 및 오류 해결에 대한 연구를 주제로 발표를 진행했다. 범용 인공지능(General-purpose AI)이 인간 전문가 수준의 역량을 갖추게 된 현시점에서 허위 정보 생성, 시스템 오작동, 데이터 오염, 프롬프트 주입 및 탈옥 등 잠재적 위험성을 경고했다. 특히 물리적 세계와 상호작용하는 과정에서 발생하는 한계와 불균형한 성능 문제를 해결하기 위한 기술적 방법론의 필요성을 역설했다. 이준화 이사는 인공지능(AI) 시스템의 개인정보 보호 위험관리에 대한 연구를 통해 4단계 위험관리 프레임워크를 제안했다. 의료, 금융, 교육, 공공 등 분야별 특성을 반영한 기준 개발과 함께 멀티모달 AI 시스템에서의 크로스모달 위험 관리, 자동화된 개인정보 감사 도구 개발의 중요성을 강조하며 국제 표준 개발의 필요성을 언급했다. 첨단 기술을 활용한 보안 프레임워크 및 실무 대안 제시 여동균 이사는 AI 기반 콘텐츠 인식형 모니터 보안 시스템을 통한 카메라 촬영 기반 개인정보 유출 방지 연구를 발표했다. 중요 시스템 관리자 화면에서 개인정보가 존재할 때만 보안 기능을 활성화하는 Fail-Secure 정책을 통해 사용자 편의성과 보안성을 동시에 확보하는 방안을 제시했다. 윤현근 이사는 블록체인 기반 DID를 활용한 AI 시스템 개인정보 보호 프레임워크 연구를 소개했다. DID, VC, 블록체인 기술을 결합한 5계층 모델을 통해 신원 인증부터 데이터 활용 이력 추적까지 통합 수행할 수 있는 구조를 설계하여 데이터 활용의 투명성을 높이는 대안을 내놓았다. 공급망 보안 및 인증 자동화 플랫폼 설계 임범석 이사는 AI 공급망 보안을 위한 CMMC 2.0과 NIST AI RMF 통제항목 매핑 및 정합성 분석 결과를 공유했다. 분석 결과 CMMC 2.0이 AI 특화 보안 요구사항에서는 일부 한계가 있음을 지적하며, 두 프레임워크를 상호 보완적으로 병행 적용하는 통합 보안체계 구축의 필요성을 제시했다. 박태균 수석연구원은 AI를 활용한 정보보안 인증 EvIDEnce 자동 생성 및 Gap Analysis 플랫폼 설계 방법론을 발표했다. LLM과 API 연동을 통해 국내 ISMS-P 인증과 국제 표준 ISO 27001, ISO 27701 인증 준비 기간을 대폭 단축하고 인적 오류를 감소시킬 수 있는 실무적 해결책을 제시하여 주목을 받았다. 인공지능 사이버 보안 악몽 예방을 위한 연구 지속 공병철 회장은 이번 발표를 통해 인공지능이 개발한 응용프로그램과 시스템의 보안 취약성은 기업과 개인에게 치명적인 사이버 보안 악몽으로 다가올 수 있음을 경고했다. 연구회는 앞으로도 무분별한 오픈소스 AI 에이전트 활용에 따른 부작용을 예방하고, 정부 정책 방향과 기업의 시행착오를 줄일 수 있는 실질적인 대응 능력 전파에 집중할 계획이다.  

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.

성공적인 유동 해석을 위한 케이던스의 CFD 기술   해상풍력 산업은 현대 사회의 에너지 위기를 해결하기 위한 대안으로 꼽히지만 복합적인 설치, 운영, 그리고 유지보수상의 다양한 과제에 직면해 있다. 이번 호에서는 피델리티 CFD(FIDElity CFD) 플랫폼 내의 피델리티 파인 마린(FIDElity Fine Marine)을 활용하여 홀더(Houlder)가 이러한 과제 중 일부를 해결하는 포괄적인 접근법을 어떻게 구현하고 있는지 살펴본다. 또한 해양 파력에 대한 모노파일의 내구성을 주제로 한 사례 연구를 통해 홀더의 전문성을 조명한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   해상풍력 에너지는 현대 사회가 직면한 에너지 위기를 해결하기 위한 핵심적인 대안으로 평가된다. 해상에서 발생하는 강력하고 지속적인 바람을 효율적으로 활용함으로써, 보다 청정하고 환경적으로 지속 가능한 미래를 구현할 수 있다. 2023년 기준 전 세계 해상풍력 발전 설비 용량은 약 75기가와트(GW)에 이르며, 2030년에는 200기가와트를 상회할 것으로 전망된다. 이러한 괄목할 만한 성장은 해상풍력 산업이 기후변화 대응에 기여할 수 있는 막대한 잠재력과 함께, 메가와트시(MWh)당 약 40달러 수준의 발전 단가로 기존 화석연료 기반 에너지원보다 우수한 경제성을 지니고 있음을 보여준다.     그 잠재력에도 불구하고, 해상풍력 산업은 복합적인 설치, 운영, 그리고 유지보수상의 다양한 과제에 직면해 있다. 유한요소해석(FEA)과 전산유체역학(CFD)을 비롯한 첨단 전산지원공학(CAE) 도구를 활용하면 이러한 문제를 완화하고, 해상풍력을 주요 에너지원으로 채택하는 과정을 가속화할 수 있다.   홀더에 대하여 홀더는 그 역사가 1800년대까지 거슬러 올라가는 다학제적(多學際的) 해양 전문 기업이다. 이 회사는 해양 기술 분야에서의 엔지니어링, 설계, 그리고 혁신 역량으로 알려져 있다. 홀더는 전 세계 해운 산업의 탈탄소화를 선도하는 최적의 파트너가 되는 것을 목표로 하고 있다.     홀더의 핵심 운영 부문 중 하나는 선박 분석 팀(Vessel Analysis Team)이다. 이 팀은 계측된 해상 시운전(instrumented sea trials) 및 컴퓨터 시뮬레이션과 같은 첨단 기법을 활용하여 선박의 설계와 성능을 개발 및 최적화한다. 이들의 연구는 에너지 절감 장치나 풍력 보조 추진 기술(wind-assist technologies)과 같은 설루션의 개념 설계 및 성능 평가를 지원하며, 해양 산업의 지속가능성 향상에 기여하고 있다.     해상풍력 설치의 현재 과제 해상풍력 터빈의 설계와 설치는 복잡한 구조적 과제를 수반한다. 터빈은 극한의 기상 조건을 견딜 수 있도록 설계되어야 하며, 그 핵심은 기초(foundation) 설계에 있다. 해저 지반 조건과 수심에 따라 모노파일(monopile), 중력식(gravity base), 트라이포드(tripod) 등 적절한 기초 형식을 신중히 선택해야 하며, 이는 측면 하중(lateral forces)과 퇴적물 이동(sediment movement)에 대한 안정성을 확보하기 위한 필수 과정이다. 또한 파랑(wave action)과 해류(ocean currents) 같은 유체역학적 힘(hydrodynamic forces)을 이해하는 것은 기초 구조의 건전성을 유지하는 데 필수이다. 염수 부식(saltwater corrosion) 문제 역시 중요하며, 부식 분석(corrosion analysis)을 통해 취약점을 파악하고 보호 대책을 마련함으로써 구조물의 수명을 연장할 수 있다. 한편, 해저 케이블(subsea cable)의 설치와 관리도 또 다른 주요 과제이다. 케이블은 설치 과정에서 손상되지 않도록 신중히 취급하고 매설해야 하며, 악천후 속에서 유지보수를 위해 터빈에 접근하는 일 또한 큰 운영상의 어려움을 가져올 수 있다. 이러한 요소를 효과적으로 조율하는 것이 해상풍력 터빈의 성공적인 설치와 운영의 핵심이다.   해상풍력 설치 과제 해결을 위한 CFD 및 FEA 도구 CFD와 FEA 도구는 해상풍력 설치와 관련된 다양한 기술적 과제를 해결하는 데 점점 더 널리 활용되고 있다. FEA는 특히 모노파일이나 재킷(jacket) 등 기초 구조물 설계에서의 응력(stress)과 변형(deformation)을 시뮬레이션하는 데 유용하다. 이를 통해 엔지니어는 파랑과 해류의 영향을 평가하고, 응력 집중 영역을 식별하며, 재료 선정과 보호 코팅과 같은 설계 결정을 보다 정교하게 내릴 수 있다. CFD는 변화하는 해양 조건에서의 케이블 성능을 이해하는 데 중요한 역할을 한다. 이를 통해 설치 계획 및 터빈 유지보수용 선박 설계를 최적화할 수 있다. 또한 CFD는 퇴적물 확산(sediment dispersion)과 수질 변화(water quality change)를 모델링함으로써, 환경 영향을 최소화하기 위한 전략 수립에도 기여한다. CFD와 FEA를 효과적으로 병행 활용함으로써 해상풍력 산업은 설치 안전성과 효율을 크게 향상시킬 수 있으며, 보다 지속가능한 풍력 에너지 활용 방안을 마련할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

  유니티는 ‘유니티 AI(Unity AI)’의 오픈 베타 서비스를 시작했다고 밝혔다. 이번 오픈 베타는 유니티 6 이상의 버전을 사용하는 모든 개발자가 이용할 수 있다. 에디터에 내장된 유니티 AI는 프로젝트 구조와 시스템부터 플레이어 경험을 형성하는 창의적 반복 작업까지 게임 개발의 실제 맥락을 기반으로 작동한다. 개발자는 이를 통해 반복적인 워크플로에 소요되는 시간을 줄이고 게임의 핵심 요소를 구축하고 다듬는 데 더 많은 시간을 할애할 수 있다. 개발자는 에디터에서 직접 선호하는 AI 도구를 안전하게 연결하고 제어하는 AI 게이트웨이(AI Gateway)를 이용할 수 있다. 모델 컨텍스트 프로토콜(MCP) 서버를 통해 통합 개발 환경(IDE)에서도 이를 활용하는 것이 가능하다. 유니티 6.2부터 에디터에 통합된 유니티 AI는 번거로운 작업 자동화와 애셋 생성 등 개발 워크플로의 간소화 및 가속화를 지원한다. 컨텍스트 기반 어시스턴트 기능을 사용하면 상세한 설명 없이도 프로젝트 애셋을 프롬프트로 드래그하여 게임 오브젝트, 스크립트, 프리팹 등에 대한 지원을 신속하게 받을 수 있다. 스크립트나 오류 메시지 등 문제를 더 쉽게 파악하고 해결하는 콘솔 오류 디버그 기능도 함께 제공한다. 또한 오브젝트 생성, 애셋 배치, 신 설정 자동화뿐만 아니라 스프라이트, 텍스처, 애니메이션, 사운드 등 다양한 플레이스홀더 애셋을 워크플로 내에서 매끄럽게 생성하고 활용할 수 있다. 일정 기준 이상의 광원이나 리지드 보디가 없는 오브젝트를 검색하고 이름, 레이어, 컴포넌트 등을 일괄 수정 및 정리하는 작업도 가능하다. 유니티에 따르면, 개발자는 창작의 방향성을 직접 주도하면서 유니티 AI를 통해 더 다양한 시도를 하고 나은 의사결정을 내리며 아이디어를 더 빠르게 결과물로 구현할 수 있다. 유니티는 에디터 내 에이전트가 유니티에 특화된 워크플로에 맞춰 조정되어 프로젝트 맥락을 기반으로 작동한다고 밝혔다. 이를 통해 더 관련성 높은 답변과 나은 작업 수행이 가능하며 재시도 횟수를 줄일 수 있다는 설명이다. 유니티 AI는 디자인, 이미지, 시각 레퍼런스를 프로젝트에 바로 활용할 수 있는 애셋과 플레이 가능한 신으로 변환하도록 돕는다. 향상된 통합 기능을 통해 강력한 제어권도 제공한다. 개발자는 언제든 변경 사항을 되돌릴 수 있으며 AI 생성 애셋에 태그를 지정해 검토 과정을 간소화할 수 있다. 권한 설정을 통해 에이전트의 자율성 수준을 제어하는 기능도 포함되었다.

  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

#진동해석 #CAE #마이다스아이티  모드해석으로 이해하는 진동·공진 가이드북 다운로드   이미지가 안보이신다면, 이곳을 클릭해주세요.

성공적인 유동 해석을 위한 케이던스의 CFD 기술   해운 산업의 탈탄소화가 가속화되는 가운데, 블루핀(Bluefins)은 고래 지느러미에서 영감을 받은 파력 변환 추진 시스템인 웨이브드라이브(WaveDrive)를 통해 연료비와 온실가스 배출을 20% 절감하는 설루션을 개발했다. 이 시스템은 케이던스의 피델리티 CFD(FIDElity CFD) 소프트웨어를 활용해 실제 해상 조건에서의 운동을 정밀하게 모델링하고 최적화 성능을 검증했다. 특히 오버셋 메시 기법과 피델리티 파인 마린(FIDElity Fine Marine)의 고급 기능을 통해 복잡한 유동 해석과 시스템 동역학 분석을 성공적으로 수행하며, 지속 가능한 해운 기술의 가능성을 제시하고 있다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   해운 산업의 탈탄소화 해운 산업은 전 세계 무역의 약 90%를 운송할 만큼 글로벌 경제에서 필수적인 역할을 한다. 대형 선박은 하루에 20~70톤의 연료를 소비하며, 이는 연간 약 1500만 유로의 연료 비용으로 이어진다. 이러한 연료 소비는 선박 한 척당 연간 최대 75,000톤의 이산화탄소 환산량(CO₂)을 배출하는 결과를 초래한다. 또한 전 세계 해운 산업은 질소산화물(NOx)과 황산화물(SOx)을 포함해 전체 온실가스(GHG) 배출량의 약 3%를 차지하고 있다. 따라서 해운을 탈탄소화하고 운송을 더욱 지속 가능하게 만들기 위해서는 관련 시스템과 기술을 도입하는 것이 매우 중요하다. 블루핀은 고래의 지느러미에서 영감을 받은 파력(파도 에너지) 변환 기술을 개발하여 온실가스 배출과 연료 운영 비용을 20% 절감하는 것을 목표로 하고 있다.   블루핀과 고래 지느러미에서 영감을 받은 추진 시스템   그림 1   블루핀은 선박의 구조, 안전성 및 기타 특정 요구사항이나 제약 조건을 고려하여 각 선박 유형에 맞춤형 무배출 보조 추진 설루션을 개발한다. 이러한 추진 시스템은 프랑스의 대표적인 해양 연구기관인 Ifremer(프랑스해양개발연구소)와의 협력을 통해 개발되고 있다. 고래에서 영감을 받은 추진 시스템인 웨이브드라이브는 선미에 장착되는 하이드로포일(hydrofoil)로 구성되며, 선박의 종동요(pitching) 운동을 추력으로 변환한다. 이 기술은 신조 선박뿐만 아니라 기존 선박의 개조(refit) 작업 시에도 통합 적용이 가능하다.   피델리티 CFD를 활용한 블루핀 추진 시스템 모델링 블루핀은 피델리티 CFD 소프트웨어를 활용하여 다양한 운항 조건 및 실제 해상 파랑 조건에서 웨이브드라이브 추진 시스템을 설계하고 최적화한다. 이 소프트웨어의 고급 기능을 통해 플랩(flap)의 세부 분석, 시스템 동역학 분석, 그리고 하이드로포일 하중 예측이 가능하며, 이를 통해 추진 성능을 최적화한다. 이러한 시뮬레이션은 다양한 해상 조건에서 시스템의 운동을 센서 기반으로 제어하기 위한 첫 단계에 해당한다. 다음은 사용된 방법론 및 설정 개요이다.   메시 설정 기계 시스템은 다섯 개의 개별 구성 요소로 분해되었으며, 각 구성 요소의 반쪽(body half)은 피델리티 CFD 2025.1 버전에서 개별적으로 메시(mesh) 처리되었다. 선체(hull)는 피델리티 CFD의 C-Wizard 기능을 통해 자동으로 메시가 생성되었으며, 그 결과 880만 개의 셀(cell)을 갖는 고해상도 메시가 구축되었다. 부가 구조물(appendages)은 각각 개별적으로 메시 처리되어 오버셋 메시(overset mesh)로 활용되었다.   그림 2   피델리티는 오버셋 메시(overset mesh) 기법을 활용하여 겹쳐진 격자(overlapping grids)를 사용하고, 격자 간 데이터 보간(interpolation)을 수행함으로써 복잡한 유동을 정밀하게 시뮬레이션하고 각 구성 요소의 큰 운동을 정확하게 제어한다. 오버셋 메시의 초기 셀 크기(initial cell size : ICS)는 배경 격자의 초기 셀 크기 대비 여섯 번째 세분화(refinement) 레벨로 설정되었다. 한편, 배경 박스(background box) 세분화는 초기 셀 크기보다 한 단계 더 거칠게(coarser) 적용되었다. 이 설정에서는 오버셋 인터페이스(overset interfaces) 구간에 3~4개의 초기 셀 크기를 배치하여 정확한 보간과 서로 다른 메시 구성 요소 간의 원활한 통합을 보장했다. 전체적으로 선체(hull)의 총 메시 크기는 약 1060만 개의 셀로 구성되었다.   그림 3   피델리티 파인 마린 설정 CFD 시뮬레이션은 피델리티 파인 마린에서 수행되었으며, 정상 상태(steady-state) 초기화로 시작한 후 벽 함수(wall functions)를 적용한 k-ω SST 난류 모델을 사용했다. 경계 조건과 수치 설정은 모범 사례(best practices)에 맞게 일관되게 적용되었다. 고체 영역의 경계 조건은 ‘wall-function’으로 설정되었으며, 갑판(deck)에는 ‘slip’ 조건이 적용되었다. 덕트 프로펠러(ducted propeller)는 액추에이터 디스크(actuator disk) 모델을 사용하여 구현되었다.     ■ 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.