디지털 트윈과 산업용 메타버스 트렌드   데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다.  디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.   ▲ 철도 네트워크의 디지털 트윈 구축하는 독일 디지털 철도(이미지 출처 : 엔비디아)   1. 디지털 전환과 디지털 트윈 디지털 전환(Digital Transformation: DX)은 비즈니스 전 과정에 ICT 기술을 도입하여 전사적 업무, 생산 기술, 제품 등을 디지털화 한 후 이를 기반으로 가상 실험이 가능한 디지털 환경을 구축하는 것이다.  디지털 전환의 궁극적 목적은 기업 이윤 극대화에 필요한 업부/생산 효율성 및 제품 부가 가치 증대를 위한 다양한 창의적 대안들을 가상 실험을 통해 평가한 후 그 결과를 비즈니스 전 과정에 활용하는 것이다. 예를 들어, 스마트 팩토리의 디지털 전환은 조달 시스템, 생산 시스템, 물류 시스템 등 스마트 팩토리 구성요소들의 자원 할당 및 운용에 대한 다양한 대안들을 가상 실험을 통해 평가할 수 있는 환경을 구축하여야 한다. 그렇다면, 비즈니스 전 과정을 가상 실험하기 위해서는 무엇이 필요할까?  가상 실험을 하기 위해서는 먼저 가상 실험 대상(예: 제조 공장)을 선정하고, 다음으로, 가상 실험 시나리오(예:새로운 제조 장비 도입)가 필요하며 시나리오를 수행할 모델(예: 제조 공정 시뮬레이션 모델)이 필요하다. 이러한 가상 실험을 위한 모델이 디지털 트윈이며 이런 이유로 많은 사람들이 디지털 트윈을 DX의 Key(Richard Marchall, 2017), DX의 Enablers(Reterto Saracco, 2019), DX의 Central(Vijay Ragjumathan, 2019), DX의 Steppingstone(Harry Forbes, 2020), DX의 Pillar(Fransesco Belloni, 2020)라고 지적하였다.   2. 디지털 트윈의 정의 디지털 트윈은 물리적 자산, 프로세스 및 시스템에 대한 복제본으로 정의[Wiki 사전]되며, 복제본이란 대상 체계의 운용 데이터, 지형/공간/형상 정보 및 동작/운용 법(규)칙을 컴퓨터 속에 디지털화 해 놓은 것을 의미한다. 예를 들면, 제조 공장의 디지털 트윈은 제조 공장의 운용 데이터, 제조 공장의 공간/형상 정보, 그리고 제조 장비 동작 및 공정 모델이 컴퓨터 속에 복제된 것이 될 것이다. 디지털 트윈과 대상 체계가 쌍둥이기 때문에 쌍둥이 중 누가 먼저 태어났느냐에 따라 디지털 트윈의 이름을 다르게 붙이기도 한다. 대상 체계가 존재하기 전에 만들어진 디지털 트윈을 디지털 트윈 프로토타입(PrOTOType) 그리고 대상 체계가 만들어진 후 복제된 디지털 트윈을 디지털 트윈 인스턴스(Instance)라고 부른다. 디지털 트윈 프로토타입은 대상 체계 설계 단계에서 활용되며 디지털 트윈 인스턴스는 대상 체계의 운용 분석에 활용되는 것이 일반적이다. 디지털 트윈 인스턴스(실 체계의 복제본)와 디지털 트윈 프로토타입(실 체계의 설계 모델)이 모두 존재할 수도 있지만 디지털 트윈 프로토타입 없이 디지털 트윈 인스턴스만 존재할 수도 있다. 디지털 트윈 프로토타입과 인스턴스가 모두 존재한다면 인스턴스는 프로토타입에 실 체계 운용 정보가 반영되어 진화(성장)된 트윈으로 볼 수 있다. 3. 디지털 트윈 구축 목적 디지털 트윈의 구축 목적은 대상 실 체계와 디지털 트윈을 연동 운용함으로써 실 체계 관련 이해 당사자에게 지혜 수준의 혁신적 서비스를 제공할 수 있는 핵심 도구/수단으로 활용하기 위함이다. 데이터 기반 서비스 관점에서의 디지털 트윈의 역할은 실 체계에서 수집한 실제 데이터와 디지털 트윈 시뮬레이션으로 얻어진 가상 데이터의 융합을 통하여 실제 시스템 관련 문제 해결에 유용한 빅 데이터 생성이라 할 수 있다. 융합 빅 데이터는 AI-통계/공학 분석도구들을 이용하여 실 세계의 구성요소인 자산, 사람, 운용 프로세스들의 다양한 결합에 대한 분석/예측 및 체계 운용 최적 대안(최적화)을 찾는데 활용될 수 있다. 아울러, 융합 빅 데이터는 실 세계를 가상 환경에서 현실감 있게 표출할 수 있는 다양한 장비/장치와 VR/AR/XR/메타버스 관련 ICT 기술과의 융합 인터페이스를 통해 오락, 관광, 교육 훈련, 체험 등에 활용될 수 있다.     디지털 트윈의 복제 대상은 실 체계의 운용 데이터, 공간/형상 정보 및 실 체계에 포함된 객체들의 행위 모델 등 3가지이다. 운용 데이터는 실 체계에 설치된 IOT 장비로부터 획득이 가능하다. 공간/형상 정보는 서비스 목적에 따라 GIS, BIM 혹은 3D CAD 중 한 가지 이상을 결합하여 사용한다. 객체 행위 모델은 다양한 시나리오를 가상 실험하기 위한 시뮬레이션 모델을 사용하지만 서비스 목적에 따라서는 운용 데이터를 학습한 데이터 모델을 사용할 수도 있다. 구성요소 중 일부만을 사용한 디지털 트윈은 나머지 구성요소를 사용하지 않음으로 인한 한계점에 봉착하게 된다. 예를 들면, 실 체계 운용 데이터 복제만으로 구성된 IOT 기반 디지털 트윈은 수집된 데이터를 분석할 수는 있지만, 실 체계를 시각화한 지형/공간 상에 데이터를 표출할 수 없을 뿐만 아니라 실 체계와는 다른 가상 데이터를 입력한 시뮬레이션을 수행할 수 없다. 마찬가지로, 지형/공간 정보 만으로 구성된 디지털 트윈은 실 체계에서 일어나는 지형/공간 정보의 변화를 실 시간으로 반영할 수 없으며 시뮬레이션을 통한 실 체계의 현상 분석 및 미래 예측이 불가능 하다.      디지털 트윈의 효율적인 활용을 위해서는 위의 세 가지 구성요소 모두를 개발 및 운용할 수 있는 통합 플랫폼이 바람직하지만 국내외적으로 표준화된 디지털 트윈 플랫폼은 존재하지 않는다. 디지털 트윈의 특성 상 3가지의 디지털 트윈 구성요소 각각을 개발하는 독립적인 플랫폼을 사용하여 구성요소를 개발한 후 이들을 연동하여 운용하는 것이 효율적이다.  구체적으로는, 먼저, 디지털 트윈 개발 목적에 맞게 운용 데이터를 수집하는 IOT 플랫폼, 지형/공간 정보를 구축하는 지형/공간정보 플랫폼 및 모델링 시뮬레이션 플랫폼들을 이용하여 각 구성요소를 개발한다. 다음으로, 개발된 세 가지 구성요소를 실행하는 플랫폼들을 연동 운용하는 PoP(Platform of Platforms) 구조를 사용할 수 있다. PoP 구조는 디지털트윈의 목적에 부합되는 모든 디지털트윈을 개발/운용할 수 있는 플랫폼으로써 신뢰성 및 경제성(개발 기간 및 비용) 면에서 효율적인 구조이다. PoP 구조를 사용할 경우 플랫폼들 사이의 연동을 위한 데이터 모델과 API의 국제적인 표준화가 요구되며 데이터 모델의 표준은 대상 시스템에 따라 달라질 수 있다.  디지털 트윈을 실제 시스템에 대한 문제 해결 목적으로 사용하기 위해서는 대상 시스템에 대한 다양한 질문의 답을 디지털 트윈을 통해서 얻을 수 있는 서비스가 제공되어야 한다. OR 이론의 창시자 중 한 명으로 경영 과학 이론가인 R.L.Ackoff 교수는 사람이 생각하는 내용을 데이터, 정보. 지식, 지혜 등 4가지로 분류하였다. 데이터는 단순한 심벌(숫자나 문자)을 말하지만 정보는 ‘who’, ‘what’, ‘where’, ‘when’을 답할 수 있고, 지식은 ‘how’를 답할 수 있고, 지혜는 ‘why’를 답할 수 있어야 한다고 정의하였다. 디지털 트윈의 서비스 수준을 Ackhoff 교수의 분류법에 매핑 시킨다면 정보 수준 서비스는 시스템 분석(현상, 기능 등), 지식 수준 서비스는 시스템 예측(행위, 성능 등) 그리고 지혜 수준 서비스는 시스템 최적화(운용 최적화 등) 및 진단(수명 진단 등)에 해당한다. 예를 들어, 교통 시스템에 대한 다양한 질문을 답하기 위해 교통 디지털 트윈을 만들었다고 하자. 정보 서비스의 예는 현재 교통 시스템의 현상을 분석하는 것으로 어느 위치의 현재 시간대에 단위 시간당 교차로 통과 차량 대수가 얼마인지에 대한 답을 하는 서비스이다. 지식 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 얼마가 되는지를 예측하는 질문에 대한 답을 하는 서비스이다. 지혜 서비스의 예는 현재 출발지에서 목적지까지의 소요 시간이 최소가 되는 최적화된 경로가 어떤 것인지의 질문에 대한 답을 하는 서비스이다.    4. 디지털 트윈의 구성요소 디지털 트윈의 3 가지 구성요소 중 행위 모델은 목적에 따라 데이터 모델과 시뮬레이션 모델로 대별된다. 데이터 모델은 실 체계에서 수집된 데이터들 사이의 상관관계를 기계학습하여 얻어진 모델(예: 인공신경망)로서 지식 서비스를 위한 시스템 행위 예측에 한계점을 가지고 있다. 구체적으로, 데이터 모델은 학습된 데이터 영역에서는 미래 예측이 가능하지만 학습된 영역 밖의 데이터에 대한 예측은 불가능 하다. 뿐만 아니라 학습 시와 예측 시의 시스템 운용 조건이 달라질 경우에도 예측이 불가능하다. 앞서 예시한 교통 디지털 트윈으로 데이터 모델을 사용할 경우 학습 시 도로 상황(운행 시간, 사고 발생 유무 등)이 예측 시 도로 상황과 동일하지 않으면 소요 시간 예측의 정확도가 보장되지 않는다. 더욱이, 시스템 변수 사이의 상관 관계로 표현된 데이터 모델은 변수 사이의 인과 관계가 필요한 시스템의 최적화 및 고장 진단 등에는 활용할 수 없다. 이러한 데이터 모델의 서비스 한계를 극복하기 위해서는 시뮬레이션 모델을 사용할 수 있다. 시뮬레이션 모델은 구축은 대상 시스템에 대한 도메인 지식과 이를 표현하는 지배 법칙에 대한 수학적/논리적 표현 방법을 이해해야 하므로 데이터 모델에 비해 고 비용이 요구된다. 따라서, 디지털 트윈의 행위 모델은 대상 시스템의 서비스 목적과 수준에 따라 다르게 선택될 수 있다.    5. 디지털 트윈의 발전 전망  디지털 트윈의 향후 발전 전망은 문제 해결과 가상 체험 및 빅 데이터 분야로 대별할 수 있다. 문제 해결 분야에서 디지털 트윈의 대상은 분석, 예측, 최적화/진단 대상이 되는 모든 시스템 분야로서 산업(제조, 생산, 물류, 식물공장 등), 공공(교통, 환경, 금융 등), 의료(진단, 인공장기, 가상수술 등), 재난안전(안전점검, 피해분석, 대피훈련 등), 국방(군사훈련, 국방분석, 무기체계 획득 등)등을 포함한다.  현재 디지털 트윈 활용은 안정성에 부담이 적고 신속/가시적 성공사례 확보가 가능한 스마트시티, 스마트 팩토리, 스마트SOC(도로, 철도, 항만, 공항, 등) 등이 대상이지만 기술성숙도가 높아지고 안정성이 보장됨에 따라 자율주행, 의료/인공장기, 식물공장 등으로 확대될 전망이다.  가상 체험 분야는 디지털 트윈이 실 세계 혹은 가상 세계를 움직이는 다양한 시나리오를 정형화한 지배 법칙(모델)을 실행(시뮬레이션)하는 수단으로 활용될 전망이다. 이러한 지배법칙 실행은 실제 세계와 가상 세계의 구별 없는 가상 체험을 목표로 하는 메타버스의 서비스 콘텐츠를 제공한다. 따라서, 메타버스 발전을 위해서 메타버스의 서비스 컨텐츠를 제공하는 디지털 트윈 발전이 필수적으로 향후 메타버스와 디지털 트윈은 동시에 발전할 전망이다.  빅 데이터 분야에서는 디지털 트윈의 가상 실험을 통해 실 체계에서는 물리적/경제적 이유로 수집 불가능한 다양한 빅 데이터를 생성하는데 활용될 전망이다. 유의미한 빅 데이터 생성을 위해서는 실 체계에서 수집 가능한 데이터를 사용하여 디지털 트윈 모델의 검증이 선행된 후 실 체계에서 수집 불가능한 데이터 생성을 위한 가상 실험이 설계되어야 한다. 디지털 트윈을 사용한 빅 데이터 생성은 시스템 기능 검증, 예지 진단 및 기계학습 등과 같은 부가가치가 높은 데이터 생성에 집중되어 미래 데이터 구독 시장 활성화에 기여할 전망이다.   김탁곤 명예교수  KAIST 전기전자공학부  

주요 디지털 트윈 소프트웨어 디지털 트윈 모델 생성 및 배포 솔루션, Ansys Twin Builder 개발 : Ansys, www.ansys.com 자료 제공 : Ansys Korea, 02-6009-0500, www.ansys.com   Ansys Twin Builder는 디지털 트윈(Digital Twin) 기술을 활용하여 실제 물리 시스템을 가상 환경에서 시뮬레이션하고 최적화할 수 있는 솔루션이다. 멀티피직스 시뮬레이션 기술을 기반으로 물리 모델과 실시간 센서 데이터를 결합하여 예측 유지보수 및 성능 최적화를 지원한다. 제조, 자동차, 항공우주, 전자, 에너지, 의료 등 다양한 산업에서 활용된다.   1. 주요 특징 (1) Physics 기반의 디지털 트윈 구축 IOT 데이터 및 시뮬레이션 모델을 결합하여 정밀한 디지털 트윈 모델 생성 (2) 실시간 시뮬레이션 및 예측 유지보수 지원  센서 데이터를 활용하여 장비의 고장 가능성 예측 및 유지보수 최적화 (3) 멀티피직스 통합 분석  전자기, 유체, 구조, 열 해석을 통합하여 복잡한 시스템 성능 분석 가능 (4) AI 및 머신러닝 연계 가능  OptiSLang을 활용한 AI 기반 최적화 및 데이터 분석 지원 (5) IOT 및 클라우드 플랫폼과 연계  AWS, Microsoft Azure, PTC ThingWorx 등 다양한 IOT 플랫폼과의 호환성 제공 2. 주요 기능 (1) 디지털 트윈 생성 및 실행  시뮬레이션 모델을 물리 데이터와 연결하여 실시간 가상 시뮬레이션 수행 (2) Model-Based Systems Engineering(MBSE) 지원  시스템 레벨 설계를 위한 MBSE 기반 시뮬레이션 제공 (3) 고급 시뮬레이션 및 자동화  MATLAB, Simulink, FMI 모델과 통합 가능하여 복잡한 시스템 해석 (4) PLM 및 데이터 관리 통합  Siemens Teamcenter, PTC Windchill 등 주요 PLM 시스템과 연계하여 제품 수명주기 관리 지원 (5) Predictive Maintenance 기능 내장  실시간 데이터 분석을 통해 유지보수 전략 개선 3. 도입 효과 ■ 설비 가동률 향상: 디지털 트윈을 활용한 사전 예측 유지보수로 시스템 다운타임 감소 ■ 제품 개발 기간 단축: 프로토타입 제작 없이 가상 환경에서 제품 설계 검증 가능 ■ 운영 비용 절감: 최적화된 유지보수 전략을 통해 운영 및 유지보수 비용 절감 ■ 설계 품질 향상: 실제 운영 데이터를 기반으로 제품 설계 개선 및 성능 최적화 4. 주요 고객 사이트 ■ 제조업: 두산 그룹, POSCO  ■ 자동차: 현대자동차그룹, LS AutomOTive Technologies, HL Mando ■ 항공우주: Korea Aerospace Industries (KAI), Hanwha Aerospace ■ 반도체/전자: Samsung Electronics, SK Hynix, LG Electronics, Samsung Electro-Mechanics, Samsung Display, LG Display, LG InnOTek, LX Semicon ■ 에너지: LG Energy Solution, SK On, Samsung SDI, Hyundai Electric & Energy Systems, Doosan Enerbility, Hanwha Solutions   상세 내용은 <디지털 트윈 가이드>에서 확인할 수 있습니다. 상세 내용 보러가기

최적화 문제를 통찰하기 위한 심센터 히즈 (3)   이번 호에서는 심센터 히즈(Simcenter HEEDS)를 사용하여 수집된 외부 데이터를 시각화하고 분석하는 데 초점을 맞추고, 데이터 시각화의 중요성과 분석 기법의 활용 방안을 살펴본다.   ■ 연재순서 제1회 AI 학습 데이터 생성을 위한 어댑티브 샘플링과 SHERPA의 활용 제2회 근사모델 기반의 최적화 vs. 직접 검색 기반의 최적화 제3회 수집 또는 측정된 외부 데이터의 시각화 및 데이터 분석 제4회 산포특성을 가지는 매개변수의 상관성 및 신뢰성 분석 제5회 실험 측정과 해석 결과 간의 오차 감소를 위한 캘리브레이션 분석 제6회 프로세스 자동화 Ⅰ – 구조 설계 최적화 및 사례 제7회 프로세스 자동화 Ⅱ – 모터 설계 최적화 및 사례 제8회 프로세스 자동화 Ⅲ – 유로 형상 설계 최적화 및 사례 제9회 프로세스 자동화 Ⅳ – 다물리 시스템 최적화 및 사례 제10회 프로세스 자동화 Ⅴ – 제조 공정 효율성 최적화 및 사례   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 히즈를 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   데이터 분석의 중요성 오늘날 데이터는 우리의 일상과 비즈니스 운영에서 점점 더 중요한 역할을 하고 있다. 수집되고 측정된 데이터의 양이 증가하면서 이를 효과적으로 처리하고 분석하는 방법은 더욱 필요해지고 있다. 이러한 변화 속에서, 지멘스의 심센터 히즈는 강력한 데이터 분석 및 시각화 기능을 제공하여 다양한 산업 분야에서 최적의 해결책을 찾는 데 기여하고 있다. 이번 호에서는 히즈의 기능을 효과적으로 활용하여 어떻게 복잡한 데이터를 이해하고 의미 있는 인사이트를 얻을 수 있는지 살펴볼 것이다.   히즈의 데이터 분석 기능 히즈의 Discover(디스커버) 탭은 사용자가 데이터 사이의 관계 및 최적화 가능성을 탐구할 수 있도록 다양한 도구를 제공한다. Discover 기능은 주요한 데이터 분석 및 이해를 도와주는 여러 방법을 포함하고 있다.    그림 1   다음은 각각의 기능에 대한 설명이다.  Closest : 특정 데이터 포인트에 가장 가까운 변화를 식별한다. 이를 통해 최적화 과정에서의 데이터 민감성을 이해하고 결정에 도움을 줄 수 있다.  Similar : 사용자가 선택한 기준에 따라 유사한 데이터 집합을 찾는 기능이다. 이는 집합의 규칙 또는 모델을 파악하는 데 유용하다. Clusters : 데이터 세트를 서로 연관된 그룹으로 분류한다. 군집화 기법을 통해 데이터의 패턴을 식별하고 알고리즘에 의한 데이터 이해를 개선할 수 있다.  Trade-offs : 다수의 설계 목표 간의 상충 관계를 분석한다. 이를 통해 각각의 설계 대안이 어떻게 특정 목표를 달성하는지에 대해 명확하게 이해할 수 있다.  Patterns : 데이터 내의 반복되는 경향이나 구조를 발견하여 예측 및 모델링에 도움을 주는 기능이다. 패턴 인식은 정보의 신뢰도를 높이는 데 중요하다.  Preview History : 사용자가 수행한 변경이나 실행의 기록을 미리 보면서 데이터 분석의 이력을 관리할 수 있다.  Design Set : 여러 디자인 시나리오를 만들고 비교하여 최적의 설계를 도출하는 데 도움을 준다.  Performance & PlOT : 데이터의 성능을 평가하고 시각적으로 플롯하여 분석 결과를 명확하게 표현한다.  Discover 탭의 이러한 기능은 히즈 사용자가 데이터를 깊이 이해하고 시뮬레이션 최적화 과정에서 효과적인 의사 결정을 내리도록 돕는다. 이를 바탕으로 보다 정확하고 신뢰성 있는 설계와 분석 결과를 도출할 수 있다.   데이터 분석을 위한 예제   그림 2    목적함수 외팔보 H빔의 체적을 최소화 제약 조건 최대 굽힘 응력(σ) ≤ 200 MPa  최대 끝단 처짐(δ) ≤ 2 mm  설계 변수 Length : 5,000 mm  Load P : 6,500 N  E : 200 MPa  H : 50 mm ≤ H ≤ 100 mm  h1 : 5 mm ≤ h1 ≤ 30 mm  b1 : 50 mm ≤ b1 ≤ 100 mm  b2 : 5 mm ≤ b2 ≤ 50 mm 히즈의 Discovery Method를 사용하여 분석할 데이터는 우리가 지금까지 계속 예제로 사용한 외팔보의 처짐 문제를 기반으로 Adaptive Sampling Study(어댑티브 샘플링 스터디)에서 500개의 데이터를 생성하여 사용할 것이다. 아니면 독자들이 가지고 있는 데이터를 사용해도 괜찮다.   그림 3     ■ 자세한 기사 내용은 PDF로 제공됩니다.

AI 크리에이터 시대 : 영상 제작의 새로운 패러다임 (2)   영상 제작은 수작업 중심의 접근 방식에서 디지털화와 함께 컴퓨터 기반의 자동화된 워크플로까지 변화했다. 최근에는 AI 기술과 멀티모달 제작 방식이 결합되어 콘텐츠 제작의 효율과 창의성을 극대화하고 있다.   ■ 연재순서 제1회 AI 영상 제작 생태계의 현재와 미래 제2회 AI 기반 크리에이티브 워크플로 혁신 제3회 소셜 미디어 최적화 AI 영상 제작 전략 제4회 AI 특수효과 및 후반작업 마스터하기 제5회 AI 기반 몰입형 사운드 디자인   ■ 최석영 AI프로덕션 감성놀이터의 대표이며, 국제고양이AI필름페스티벌 총감독이다. AI 칼럼니스트로도 활동하고 있다.    이미지와 영상 제작을 위한 기존의 제작 방식   그림 1. ‘달리는 열차(Arrival of a Train at La CiOTat)’, 뤼미에르 형제, 1896   아날로그 제작 방식 : 개념과 흐름 디지털 도구가 도입되기 전에, 이미지와 영상 제작은 사전 기획과 여러 단계에 걸친 수작업 과정을 기반으로 한 접근 방식을 따랐다. 이 과정에서 기획자는 제작자와 협력하여 구체적인 제작을 위한 기획 단계를 만들어 낸다. 모든 작업은 계획적으로 이루어지며, 각 단계에서 창작자의 직접적인 개입과 섬세한 조정이 이루어진다. 디지털 도구가 상용화되기 전에는 스토리보드 작성, 레이아웃 결정, 시나리오 등이 기획 단계에서 만들어졌다. 영화용 카메라로 장면을 촬영하고, 촬영 감독과 조명 팀이 각종 기기를 수동으로 조작하며 원하는 장면을 구현한다. 후반 작업에서는 필름을 절단하고 이어 붙여 편집하며, 음향은 따로 녹음하여 영상을 보완한다. 이러한 방식은 기술적인 장치뿐만 아니라 창작자의 기술과 창의성에 크게 의존하며, 디지털화가 이루어지기 전까지 오랜 시간 이어져 온 기본적인 영상 제작 방식이다.   그림 2. ‘달나라 여행(Le Voyage dans la Lune)’, 1902   ‘달나라 여행’ 작품은 아이디어가 스토리보드화되어 영상화되는 전형적인 제작 과정으로 만들어졌다. 영상 제작 과정을 3단계로 보통 나누어지는데, 좀 더 자세히 5단계로 구조화하여 설명한다.  기획 단계 디자인 및 촬영 준비 제작 단계 후반 작업 단계 배포 및 관리 기존의 제작 방식은 오랜 기간 창작자의 창의적 역량을 극대화하고, 하나의 결과물을 정교하게 다듬는 데 중점을 둔 체계적인 접근법이었다. 하지만 이 과정은 기술적 도구와 인력이 많이 요구되며, 비용과 시간이 많이 들었다. 이러한 점에서 기존 제작 방식은 디지털화를 통해 새로운 워크플로로 발전하게 되었다.   디지털 도구의 도입과 디지털화된 제작 방식   그림 3. The iconic ship &middOT; ‘스타워즈’의 특수 효과,1977   디지털 도구의 도입 이후, 이미지와 영상 제작은 큰 변화를 겪으며 효율성과 창의성을 동시에 향상시킬 수 있는 새로운 접근 방식을 채택하게 되었다. 디지털화된 제작 방식은 전통적인 수작업 기반 방식에서 벗어나, 컴퓨터와 소프트웨어를 활용한 자동화 및 고도화된 기술을 중심으로 이루어진다.  이 과정은 기획, 디자인 및 촬영 준비, 제작 단계, 후반 제작 단계, 배포 및 관리 등 여러 단계로 나뉘며, 각 단계마다 디지털 기술이 어떻게 적용되는지 구체적으로 살펴볼 수 있다.    그림 4. ‘아바타’의 제임스 카메론 감독   필자가 영화를 공부하던 1997년에는 전통적인 아날로그 제작 방식을 공부하면서 비디오 캠코더가 나왔으며, 촬영과 후반 제작 과정에서 디지털화가 가속화되었다. 컴퓨터의 발전과 응용 프로그램의 향상에 힘입어, ‘스타워즈’가 아날로그 촬영을 디지털화하고 CG를 추가하여 다시 상영하였다. 아날로그 제작 방식과 디지털 제작 방식 믹스되는 부분이 있었으며, 2000년대 이후 점차 디지털화되어 갔다. 현재의 방식은  촬영, 편집, 후반 제작 과정 모두 디지털화(데이터로 저장)하여 제작되고 있다. 디지털화된 제작 방식에 모션 캡처나 리얼타임 엔진을 활용한 가상 프로덕션 등 새로운 기술이 적용되고 있다. 대표적인 예로 영화 ‘아바타’의 혁신을 말할 수 있다. ‘아바타’는 디지털 기술과 혁신된 모션 캡처 방식을 활용하여 영화 제작 방식을 혁신적으로 변화시켰다. 특히, 3D 촬영 기술과 모션 캡처 기술을 통해 캐릭터와 환경을 사실감 있게 재현하며 영화의 몰입감을 극대화했다. 이러한 시각적 혁신은 3D 영화의 새로운 가능성을 열었고, 3D 영화의 인기를 끌어올리는 데 큰 역할을 했다. 또한, 디지털 환경 디자인과 가상 세트를 활용하여 판도라라는 상상의 세계를 창조했으며, 이는 다른 영화가 디지털 가상 세트를 활용하는 데 영향을 미쳤다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

오토캐드 2026의 새로운 기능과 개선사항   이번 호에서는 지난 3월 출시된 오토캐드(AutoCAD)의 40번째 제품인 ‘오토캐드 2026(코드네임 Watt)’에서 새로 추가된 기능과 변경 및 개선된 사항을 살펴보도록 하자.   ■ 양승규 캐드앤그래픽스 전문 필진으로, MOT를 공부하며 엔지니어와 직장인으로 살아가는 방법에 대해 탐구한다. 건축과 CAD를 좋아한다. 홈페이지 | yangkoon.com    시작 오토캐드 2026의 스플래시 이미지(Splash image)는 이전 버전과 달리 완전히 새롭게 디자인되었다. 2026 버전은 오토데스크의 40주년을 기념하여 특별한 스플래시 이미지와 함께 시작된다.   그림 1   최초 실행 시 시작 탭이 활성화되며, 아래쪽의 메뉴를 선택하여 ‘학습(LEARN)’, ‘작업(CREATE)’ 화면으로 이동할 수 있다. 학습 화면에는 새로워진 사항에 대한 동영상 도움말, 시작하기 비디오, 기능 비디오, 학습 팁, 온라인 지원 메뉴가 표시되며, 작업 화면에서는 시작하기, 최근 문서, 알림, 오토데스크 독스(Autodesk Docs) 연결 메뉴가 표시된다.   그림 2   성능 향상 오토캐드 2026은 이전 버전에 비해 놀라운 성능 향상을 제공한다.  파일 열기 속도 : 최대 11배 향상 애플리케이션 시작 속도 : 4배 향상 대용량 도면 처리 : 50% 더 빠른 렌더링 및 처리 네트워크 환경 : LAN/네트워크 환경에서 DWG 파일 작업 시 특히 더 빠른 속도   DWG 파일 포맷 오토캐드 2026은 오토캐드 2025와 동일한 DWG 파일 포맷인 ‘AutoCAD 2018 Drawing’을 사용한다. DWG 버전 2018 이후에는 계속 같은 포맷을 유지 중이다.    DWG 버전 코드 AC1032 : AutoCAD 2018-2026  AC1027 : AutoCAD 2013/2014/2015/2016/2017  AC1024 : AutoCAD 2010/2011/2012  AC1021 : AutoCAD 2007/2008/2009  AC1018 : AutoCAD 2004/2005/2006  AC1015 : AutoCAD 2000/2000i/2002    AI 기반 기능 오토캐드 2026에는 설계 프로세스를 혁신적으로 변화시키는 여러 AI 기반 기능이 추가되었다.   오토데스크 어시스턴트   그림 3   그림 4   오토데스크 어시스턴트(Autodesk Assistant)는 대화형 AI 기반 디지털 어시스턴트로, 오토캐드 작업 중 발생하는 질문에 자연어로 응답한다. 이전 버전보다 더 정확하고 맥락을 이해하는 응답을 제공한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업 디지털 전환을 가속화하는 버추얼 트윈 (2)   이번 호에서는 VMU(가상 목업)의 개념과 기술적 특성, 주요 산업 사례, 그리고 VMU의 혁신적 가치와 향후 확장 가능성에 대해 살펴본다.    ■ 최윤정 다쏘시스템의 기술 컨설턴트로 디자인&엔지니어링 팀에서 3DEXPERIENCE CATIA 제품을 담당하고 있다. 자동차 산업을 위한 고급 서피스 모델링 및 가상 검증 영역을 전문으로 하고 있으며, 제조업의 VMU 도입 효과성 관련 학술연구 또한 수행 중에 있다. 홈페이지 | www.3ds.com/ko   가상 시뮬레이션 기술이 점차 고도화됨에 따라, 제품 개발 전 과정에서 디지털 모델을 활용하여 제품 품질과 개발 효율성을 높이려는 시도가 활발하게 이루어지고 있다. VMU(Virtual Mock-Up, 가상 목업) 기술은 3D익스피리언스 카티아(3DEXPERIENCE CATIA)에 기반한 가상 검증 프로세스로, 설계 오류와 품질 상의 문제점을 조기에 식별&middOT;개선하고 개발 비용과 시간을 절감하는 혁신적 방식으로 주목받고 있다. 제품의 실물을 제작하지 않고도 고품질 렌더링을 통해 시각적&middOT;감성적 요소를 평가할 수 있기 때문에, 다양한 산업 분야에서 VMU의 필요성이 커지고 있다.   그림 1. 카티아 설계 데이터 화면   그림 2. 카티아에서 재질을 적용한 설계 데이터 화면   VMU의 개념과 기술적 특징 VMU는 고품질 렌더링 기술을 활용해 설계 데이터를 가상 환경에서 실물과 유사하게 재현하여, 설계 오류와 품질 상의 문제점을 조기에 식별&middOT;개선하는 기술이다. 이 프로세스는 실물 목업을 제작하지 않고도 제품 외관을 정확히 시뮬레이션함으로써 제품 개발 시간과 비용을 단축한다. 기존의 DMU(Digital Mock-up, 디지털 목업)는 주로 설계 과정에서 형상과 구조 검증에 초점을 둔다. 즉, 3D 설계 데이터 상에서 간섭 검사, 조립 순서&middOT;공정 시뮬레이션, 각 부품의 형상 적합성 등을 확인하는 용도로 사용된다. 한편, VMU는 DMU에서 한발 더 나아가, 광학 특성(반사&middOT;굴절), 질감, 점등 이미지 등 외관 품질을 실사 수준으로 구현하며, 인체공학 기반의 휴먼 모델(human model)을 연계해 실제 사용 환경에서의 조작성, 시야 확보성 등을 종합적으로 검토할 수 있다. XR(확장현실) 기술과의 융합을 통해 몰입형 품평 환경도 제공된다. 자동차 외장 램프처럼 미세한 빛의 반사&middOT;굴절을 예측 및 검증해야 하는 제품은 VMU를 활용할 경우 실물 목업 없이 외관 이미지를 높은 정확도로 검토함으로써 개발 리스크를 크게 줄일 수 있다. 기존에 카티아를 기반으로 제품 설계를 하고 있는 다양한 산업군에서 VMU는 이미 필수 프로세스로 자리매김하고 있다. 설계, 렌더링, 검증 및 품평을 하나의 일관된 프로세스로 결합함으로써 제품 개발 방식에 혁신적인 변화를 가져올 수 있다. 데이터 변환이나 별도 인터페이스가 필요 없이 동일 플랫폼에서 모든 단계가 이뤄지므로, 데이터 손실이나 형상 왜곡을 최소화하고 기존에 없던 빠르고 유연한 협업 환경을 구축할 수 있다. 이를 통해 제품의 완성도와 품질을 높이는 긍정적 효과가 입증되었다.    표 1. 실물 목업 및 기존 렌더링 툴과의 비교   3D익스피리언스 카티아 기반의 VMU 프로세스 적용 사례 자동차 외장 램프 품질 검증 사례 자동차 외장 램프는 외관과 점등 이미지가 모두 중요하여, 시각적 품질 검증이 설계 단계에서 핵심 과제로 부각된다. 기존에는 정확도를 높이기 위해 실물 금형과 목업을 제작했으나, 이 방식은 과도한 시간과 비용 투자를 요구했다. 대체 방법으로 3D 프린팅 등의 기술을 이용하기도 했지만, 정밀도가 부족하다는 한계가 있었다. 이 문제를 해결하기 위해 최근 카티아 기반 VMU 프로세스를 적용한 디지털 선행 검증이 주목을 받고 있다. 미세 광학 요소와 복잡한 반사&middOT;굴절 특성을 지닌 램프를 고정밀 시뮬레이션할 수 있어, 점등&middOT;비점등 시의 실제 이미지를 실물 목업 수준으로 재현한다. 특히 스캔을 통해 확보한 시편 데이터의 정확한 물성을 설계 데이터에 적용함으로써 곡률에 따른 왜곡이나 광원으로 인한 반사를 사실적으로 재현하고, 실차에 장착했을 때 예상되는 품질 이슈까지 가상 환경에서 검토할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

제품 개발 혁신을 가속화하는 크레오 파라메트릭 11.0 (12)   이번 호에서는 크레오 파라메트릭 11(Creo Parametric 11)에서 도면 기호를 생성하는 기능에 대해 알아보자.   ■ 박수민 디지테크 기술지원팀의 과장으로 Creo 전 제품의 기술지원 및 교육을 담당하고 있다. 홈페이지 | www.digiteki.com   기호(심벌)는 도면 작업에서 반복적으로 사용하는 형상이나 텍스트를 한 번에 등록해두고 재활용할 수 있다는 점에서 많은 이점을 제공한다. 반복되는 정보를 직접 그릴 필요 없이 기호로 배치하면, 작업 시간을 단축하면서도 도면의 표준화와 일관성을 유지할 수 있다. 또한 매개변수를 이용해 도면 속 정보를 자동으로 연동하면, 설계 변경이 발생하더라도 관련 내용이 신속하고 정확하게 갱신되어 오류 발생을 줄일 수 있다. 특히 기호가 시각적 요소를 간결하게 전달한다는 점은 협업 환경에서 매우 유용하다. 복잡한 어셈블리나 전기 부품도 기호로 정의해두면, 도면을 처음 접하는 사람이라도 해당 요소를 쉽게 파악할 수 있기 때문이다. 결과적으로 기호를 적절히 활용하면 도면의 이해도를 높이고, 작업 효율은 물론 품질 또한 크게 향상시킬 수 있다.   기호(Symbol) 탭 UI 기호(Symbol) 탭은 새로운 기호를 배치하거나, 이미 도면에 배치된 기호를 선택할 때 표시되는 탭이다. 이 탭을 통해 새 기호를 손쉽게 추가하고, 선택한 기호의 속성을 직관적으로 수정할 수 있다.      기호를 배치하거나 이미 배치된 기호를 선택할 때는 여러 가지 옵션을 통해 작업을 보다 직관적이고 효율적으로 진행할 수 있다. 기호 배치 과정에서 사용할 수 있는 주요 기능에 대해 알아보자.   갤러리(Gallery)     기호를 배치할 때 갤러리 아이콘(아래 화살표)을 클릭하면, 최근에 사용한 기호나 고정(Pinned)된 기호, 그리고 사용자 정의&middOT;시스템 정의 기호 목록을 한눈에 확인할 수 있다. 필요에 따라 ‘최근 항목 지우기(Clear Recent Items)’ 또는 ‘고정된 항목 지우기(Clear Pinned Items)’ 기능을 이용해 기호 목록을 정리하거나, 특정 기호만 골라 고정을 해제할 수도 있다. 이를 통해 반복해서 사용하는 기호를 효율적으로 관리하며, 불필요하게 쌓이는 기호를 깔끔하게 정돈할 수 있다.   기호 팔레트(Symbol Palette)     전용 *.dwg 시트(DRAW_SYMBOL_PALETTE) 형태로 구성된 기호 팔레트에서는 자주 사용하는 기호 인스턴스를 저장해 두고 쉽게 재활용할 수 있다. 여러 개의 드로잉 시트를 사용할 수 있을 경우 팔레트를 열면 최근에 사용한 시트가 먼저 표시되고, 화살표 버튼을 눌러 다른 시트로 이동할 수 있다. 이렇게 분류된 시트를 통해 필요한 기호를 빠르게 찾고, 여러 도면에서 일관된 형식으로 기호를 배치할 수 있다.   기호 사용자 지정(Symbol Customization)     ‘기호 사용자 지정’을 클릭하면 그룹화(Grouping), 미리 보기(Preview), 가변 텍스트(Variable Text) 등으로 구성된 대화 상자가 열려 기호의 세부 속성을 설정할 수 있다. 그룹화 옵션을 통해 기호에 적용된 그룹화 방식을 확인&middOT;수정하고, 미리 보기 영역에서 기호의 확대&middOT;축소나 텍스트 변경 사항을 즉시 확인할 수 있다. 또한 사용자 정의(Customization) 메뉴에서는 기호 정의 이름을 복사해, 메모 콜아웃 등에 편리하게 활용할 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BPMN을 활용하여 제품 개발의 소통과 협업 극대화하기 (3)   지난 호에서는 BPMN(Business Process Modeling NOTation)의 구성 요소를 살펴보고, 간단한 예제를 통해 주요 기능과 특징을 개괄적으로 파악해 보았다. 이번 호에서는 BPMN을 작성하기 위한 모델링 툴을 살펴보고, 이를 활용하여 비교적 간단한 비즈니스 프로세스 모델을 작성하는 방법을 소개하도록 하겠다.   ■ 연재순서 제1회 비즈니스 프로세스 모델링이 필요한 이유 제2회 BPMN은 무엇일까? 제3회 비즈니스 프로세스 모델링을 배워보자 제4회 간단한 제품 개발 프로세스를 디자인해보기 제5회 클라우드 서버 환경에서 BPMN을 연결하는 설루션 탐구   ■ 윤경렬 현대자동차 연구개발본부 책임연구원 ■ 가브리엘 데그라시 이탈리아 Esteco사의 프로젝트 매니저   우리는 지난 호에서 BPMN이 무엇인지에 대해 알아보았다. 우선 BPMN의 구성 요소를 살펴보았고 아주 간단한 BPMN 예제를 통해 주요 기능과 특징을 개괄적으로 파악해 보았다. 또한 BPMN을 활용하여 리프 스프링 개발 프로세스를 모델링하는 사례를 통해, 일반적인 WBS와 비교해 보았을 때 개발에 참여한 이해관계자들이 어떻게 협업을 해야 하는지 명확하게 파악할 수 있다는 것을 알게 되었다.   BPMN 웹사이트에서 모델러 확인 및 다운로드받기 BPMN을 작성하기 위한 모델링 툴을 알아보기에 앞서, 지난 호에서 소개한 바 있는 OMG 그룹에서 운영하고 있는 BPMN 웹사이트를 우선 찾아가 보도록 하겠다. OMG의 웹사이트(www.bpmn.org)에서는 기본적인 BPMN 개념 정의부터 새로운 BPMN 표준에 대한 연구까지 자세하게 소개하고 있으며, BPMN의 개념, 문서, 예제, 표준화 진행 등에 대한 내용이 자세하게 기술되어 있어서 BPMN을 이해하고 활용하는데 많은 도움을 받을 수 있다.   그림 1. OMG 그룹에서 운영하는 BPMN 웹사이트   우리는 여기서 세 가지 정도를 간단하게 살펴보고자 한다. 우선 ‘Examples’에는 BPMN을 보다 쉽게 이해할 수 있도록 다양한 분야의 예제를 템플릿 형태로 제공하고 있어, 사용자가 이를 활용하여 빠르게 BPMN을 적용해 볼 수 있도록 도움을 주고 있다. 다음은 ‘Implementers’로 현재 BPMN을 지원하고 활용하는 산업과 사례를 소개하고 있는데, 생각보다 다양하고 유명한 회사에서 어떻게 활용되고 있는지 확인할 수 있다.   그림 2. 다양한 예제를 보여주는 Examples   그림 3. 사례를 보여주는 Implementers   마지막으로 ‘BPMN MIWG’에서는 BPMN 표준을 준수하고 상호 모델을 교환하고 위한 목적으로 다양한 툴(소프트웨어)을 소개하고 비교 분석을 수행하고 있다. 우리가 여기서 관심 있게 살펴보려고 하는 것은 ‘View current test results on various tools’의 내용이다. 개인적 취향 및 선호도에 따라 모델링을 하기 위한 툴을 선택할 수 있지만, 대부분 표준을 잘 준수하고 있어서 표준 모델링의 경우 선택의 차이는 크지 않을 것으로 생각된다. 그래서 BPMN 모델을 작성하기 위해 우리는 상대적인 차이가 크지 않지만 인지도가 높은 ‘Camunda Modeler’를 선택하였다.   그림 4. 다양한 모델러에 대한 표준 및 상호 모델 교환 수준에 대한 정리     ■ 자세한 기사 내용은 PDF로 제공됩니다.