#태성에스엔이 #CAE #컨퍼런스 구조/유동/열 해석부터 AI 연계까지 | TSTS 2026 기술 컨퍼런스 안내      이 내용이 제대로 보이지 않으면 행사 상세 페이지에서 확인하시기 바랍니다. 엔지니어링 경쟁력은 더 이상 기술의 보유 여부가 아니라 얼마나 빠르고 효과적으로 활용하는가에 의해 결정됩니다. 특히 AI와 시뮬레이션의 결합은 제품 개발 속도와 의사결정 방식 전반에 의미 있는 변화를 만들어오고 있습니다. TSTS 2026에서는 다양한 산업의 실제 적용 사례를 통해 엔지니어링 혁신이 어떻게 개발 기간 단축, 비용 절감, 경쟁력 강화로 이어지는지를 확인하실 수 있습니다. - 개발 리드타임 단축 및 비용 절감 사례 - 데이터 기반 설계 의사결정 고도화 전략 - 기업 경쟁력 강화를 위한 기술 활용 방향 이번 행사를 통해 귀사의 엔지니어링 전략을 점검하고, 실질적인 성과로 이어질 수 있는 방향을 확인하시기 바랍니다. 출장공문 다운로드 ■ AGENDA 기조연설 : 10:00 ~ 11:20 르웨스트홀 A 10:00 – 10:30  |  #Ai 반도체 Agentic AI 인공지능을 위한 HBM-HBF 메모리 구조의 혁신 Physical AI 시대로의 진입에 따라 AI의 성능은 이제 GPU가 아닌 '메모리 대역폭과 용량'에 의해 결정됩니다. 본 강연에서는 초거대 AI 데이터 센터의 핵심 전략이 될 HBM-HBF 최적화 구조를 제안합니다. 차세대 기술인 HBDF와 3차원 통합 구조를 통해 미래 AI 서비스를 위한 메모리 기술 혁신의 방향성을 확인하시기 바랍니다. 김정호 교수  KAIST 10:30 – 11:00  |  #방산/구조해석 고밀도 AESA 레이더 시스템을 위한 구조해석 기반 수냉식 냉각판 설계와 검증: 내압 성능 예측부터 헬륨 기밀시험을 통한 프로토타입 검증까지 근접방어무기체계(CIWS)의 핵심인 AESA 레이더는 고밀도 발열 소자를 포함한 TRM의 안정적 냉각이 운용 신뢰성을 좌우합니다. 본 발표에서는 복잡한 냉각 유로를 내장한 수냉식 냉각판의 설계 단계에서 구조해석을 통해 내압 성능과 최대 변위를 사전 검증한 과정을 소개합니다. 제작 공정 안정화를 거쳐 완성된 프로토타입에 대한 헬륨 기체 내압시험 결과를 통해 설계 기준 충족 여부를 확인하시기 바랍니다. 신동준 수석연구원  LIG D&A 11:00 – 11:20  |  #Ai+Ansys From Physics to AI: The Evolution of Simulation with Ansys and Tae Sung S&E AI의 기능 확대에 따라, 공학 시뮬레이션 분야에서도 '정확한 물리 해석'을 유지하면서 '속도와 자동화'를 극대화할 수 있는 도구로서의 개발이 활발히 진행되고 있습니다. 본 세션에서는 Ansys의 AI의 기술개발 현황과 함께 이의 올바른 적용을 위한 태성에스엔이의 서비스를 설명합니다. 윤진환 본부장  태성에스엔이 Lunch Break 11:30 - 12:50 산업군 트랙 : 12:50 ~ 17:00 르웨스트홀 4F 각 세션장 전기/전자/ 반도체 자동차/ 모빌리티 항공우주/ 방산 에너지/중공업/ 플랜트 헬스케어  Agenda 한 눈에 보기 ■ 사전등록 안내 기간 : 2026.04.01.~05.08. 한정된 좌석으로 인하여 조기 마감 될 수 있습니다. 혜택 1 사전등록 후 현장참여 선착순 300분께 태성에스엔이의 키링을 제공합니다.   혜택 2 사전등록 후 현장참여 선착순 500분께 점심식사를 제공합니다.   ＊ 행사 종료 후 진행되는 설문조사에 참여해 주세요. 소중한 의견을 주신 분들께 깜짝 기념품을 드립니다. 사전신청 바로가기 Sponsor Platinum Gold Silver

델 워크스테이션 이벤트 상담, 자료요청시 스타벅스 라떼 드립니다. 상담, 자료 요청하기 Intel, 인텔, Intel로고, Xeon 로고는 미국 및 기타 국가에서의 Intel Corporation 또는 그 자회사의 상표 또는 등록상표입니다. 델인터내셔널 주식회사 | 대표자: 김 경 진 사업장 소재지: 서울특별시 강남구 테헤란로 152, 18층 (역삼동, 강남파이낸스센터) 사업자등록번호: 102-81-38311 | 통신판매업 신고번호: 제 2013-서울강남-01040 호 대표번호: 02-6147-1919 | 홈페이지: Dell.com | 이메일: privacy@dell.com Dell Technologies 글로벌 본사 주소는 One Dell Way, Round Rock, TX, 78682 입니다. Copyright © 2026 Dell Inc. or its subsidiaries. All Rights Reserved. Dell Technologies, Dell 및 기타 상표는 Dell Inc. 또는 해당 자회사의 상표입니다. 기타 모든 상표는 해당 소유주의 상표일 수 있습니다.

[자료] LH 건설사업관리 업무 실무매뉴얼 발행 : 2025. 12. 형식 : PDF 94 page 제작 : 한국토지주택공사 단지품질안전처    

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.

산업을 위한 AI와 버추얼 트윈 기술 (2)   이번 호에서는 다쏘시스템의 LBM 기반 CFD 설루션인 파워플로(PowerFLOW)를 활용하여, 하중 및 회전에 의해 변형되는 트레드 타이어를 반영한 정밀 유동 예측 워크플로를 제시한다. 드라이브에어(DrivAer) 모델 적용을 통해 접지면과 사이드월 돌출부 형상 변화가 차량 항력 및 후류 구조에 미치는 영향을 분석하고, 실제 주행 조건을 고려한 차세대 공력 최적화 설계 프로세스의 방향성을 제안한다.   ■ 고석원 다쏘시스템의 유동해석 컨설턴트로, 국내 완성차 업체의 공력 및 공력소음 분야 CFD 프로젝트 수행 및 기술 지원을 담당하고 있다. 홈페이지 | www.3ds.com/ko   EV(전기자동차) 시대에 접어들면서 공력 성능은 단순한 항력 계수(Cd : Drag Coefficient) 저감의 문제가 아니라, 에너지 효율과 주행거리 경쟁력을 결정하는 핵심 설계 변수로 자리잡았다. 특히 고속 주행 영역에서는 타이어 주변에서 형성되는 복잡한 와류 구조가 전체 항력에 상당한 영향을 미친다. 그러나 현재까지 많은 외부 유동해석은 계산 효율과 모델 단순화를 이유로 강체 타이어 형상을 가정해왔다. 실제 주행 조건에서는 차량 하중과 회전에 의해 타이어 접지면이 평탄화되고, 트레드 패턴이 국부적으로 변형된다. 이러한 기하학적 변화는 경계층 발달과 박리 위치, 그리고 후류 구조에 직접적인 영향을 미친다. 그럼에도 불구하고 설계 단계에서 이러한 변형 효과는 충분히 반영되지 못하는 경우가 많다. 이 간극은 단순한 수치 오차를 넘어, 설계 의사 결정의 신뢰성 문제로 이어질 수 있다. 기존의 전산유체역학(CFD : Computational Fluid Dynamics) 접근에서는 회전 조건을 MRF(Moving Reference Frame) 혹은 LRF(Local Reference Frame) 기법을 구현하고, 접지부는 이상적인 평면 조건으로 단순화한다. 이 방식은 빠른 비교 분석에는 적합하지만, 접지부 인근의 비대칭 유동 구조와 시간에 따라 변화하는 와류 변동을 충분히 재현하기 어렵다. 특히 하중에 의해 형성되는 접지부 형상 변화는 타이어 하부 압력 분포를 바꾸고, 이는 차체 하부 유동과 상호작용하며 항력 특성에 영향을 미친다. 고속 주행 시에는 원심력에 의한 외경 변화까지 더해져 형상 변형이 복합적으로 발생한다. 따라서 현실 기반 공력 예측을 위해서는 타이어 변형을 포함한 해석 전략이 요구된다.   파워플로 기반 정밀 유동 예측 방법론 이번 호에서는 LBM(Lattice Boltzmann Method) 기반 CFD 설루션인 파워플로를 활용하여 하중 및 회전 변형을 반영한 해석 환경을 구축하였다. 차량 모델은 <그림 1>과 같이, 오픈소스 표준 차체 형상인 드라이브에어 모델을 적용하였다. 타이어 형상은 단순 강체 모델과 실제 하중 조건을 반영한 변형 트레드 타이어 모델을 사용하였다. 변형 형상은 파워플로의 전처리 모듈인 파워델타(PowerDELTA)를 통해 구현되었으며, <그림 2>와 같이 정적 하중에 의해 형성되는 접지면(contact patch)과 사이드월 돌출부(bulge)를 기하학적으로 재현하였다. 수치해석 방법에는 회전하는 타이어에 IBM(Immersed Boundary Method)을 적용하여 타이어 인근에서 시간에 따라 변화하는 유동 구조와 후류 거동을 정밀하게 분석하였다.   그림 1. 드라이브에어 차량 형상   그림 2. 접촉면과 돌출부의 형상(왼쪽 : 접촉면, 오른쪽 : 돌출부)   해석 케이스 구성 해석 케이스는 변형 타이어의 적용 유무와 <그림 3>에 나타낸 바와 같이, 타이어 변형 효과를 체계적으로 비교하기 위해 다음 세 가지 인자를 독립적으로 변화시켰다. 사이드월 돌출부(bulge, B) 횡방향 삽입각(slip angle, α) 접지면 폭(contact patch width, W)   그림 3. 변형 타이어 인자 변화 조건   각 변수 변화에 따른 항력 특성 및 후류 구조 변화를 비교함으로써, 설계 관점에서 지배적인 인자를 도출하고자 하였다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (9)   크레오 플로 어낼리시스(Creo Flow Analysis)는 설계자가 CAD 환경 내에서 직접 유체 흐름과 열 전달을 시뮬레이션하여 제품의 성능을 즉각적으로 검증하고 최적화할 수 있게 돕는 통합 CFD 설루션이다. 크레오 플로 어낼리시스는 별도의 데이터 변환 없이 크레오 모델에서 직접 해석을 수행하므로, 설계를 수정하면 해석 모델도 즉시 업데이트된다. 그리고 전문가가 아니더라도 마법사 방식의 설정을 통해 메시(mesh) 생성부터 결과까지 단계별로 진행할 수 있으며, 독자적인 알고리즘을 통해 복잡한 형상에 대해서도 비교적 빠른 계산 결과를 제공한다. 크레오 플로 어낼리시스는 내·외부 유동 분석을 통한 압력 강하 및 속도 분포 확인은 물론, 전도·대류·복사를 모두 고려한 정밀한 열전달 해석 기능을 제공한다. 특히 최신 크레오 12.0에서는 전기장 및 음향 해석 기능까지 추가되어, 더욱 폭넓은 물리적 현상을 하나의 환경에서 통합적으로 검증할 수 있다.   ■ 김주현 디지테크 기술지원팀의 차장으로 크레오 전 제품의 기술지원 및 교육을 담당하고 있다. 홈페이지 | www.digiteki.com   이번 호에서는 인버터 어셈블리의 예를 통해 유체 도메인 생성부터 열, 유동해석을 진행해보자. 먼저 어셈블리를 열고 각 부품의 필요한 재료를 모두 설정한다.     유동해석을 위해 메뉴에서 응용 프로그램 → Flow Analysis를 클릭한다.     새 프로젝트를 생성하여 이름 및 어셈블리 단순화 표현을 선택한다.     프로젝트를 생성하면 그림과 같이 해석 트리가 생성된다.     해석을 위해 유체 도메인을 생성한다.     크레오 플로 어낼리시스는 설계 형상에서 유체 영역을 자동으로 추출하고 설계 변경 시 실시간으로 업데이트하여, 번거로운 모델링 작업 없이 유체 도메인을 생성할 수 있다. ‘오프닝’을 클릭하여 공기가 유입되고 나가는 두 면을 Ctrl 키를 누르고 선택한다.     두 면을 모두 선택하고 ‘확인’을 클릭하면 그림과 같이 자동으로 구멍이 모두 선택된다.     구멍을 모두 확인한 후 ‘확인’을 클릭한다. 모델 트리를 보면 그림과 같이 두 부품이 추가된 것을 볼 수 있다.     이제 시뮬레이션 도메인 선택 아이콘을 클릭하여 각 영역을 지정한다.     ‘유체 도메인 추가’를 클릭한 후 모델 트리에서 ‘INVERTER_ FLUID_1.PRT’를 클릭한다.       ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   일반적으로 모델의 특성을 해석할 때 전자기, 구조, 유동 등 각 물리 영역만 해석하는 방법을 사용해왔다. 하지만 실제 모델이 동작함에 따라 하나의 물리 영역으로만 해석한 결과와 실제 결과가 상이한 부분이 있고, 이를 해결하기 위하여 다중 물리 해석을 하고 있다. 이번 호에서는 전자기와 구조의 양방향 연성해석(다중 물리 해석)에 대하여 소개하고자 한다. 전자기(Ansys HFSS)에서 해석한 결과(EM loss)를 구조(Ansys Mechanical) 영역으로 전달하고, 이 데이터를 기반으로 구조에서 열과 열 변형을 확인하게 된다. 이때 단순히 전자기에서 구조로 전달만 한다면 단방향(1-way) 해석이라 하며, 구조에서 열 변형된 정보가 다시 전자기로 적용되어 전자기 특성 해석을 한다면 양방향(2-way) 해석이라 칭한다. 앤시스 워크벤치(Ansys Workbench)를 이용하여 HFSS to Ansys Mechanical Simulation을 사용한 연성해석 사례를 통하여 알아보자.   ■ 박장순 태성에스엔이 ES2팀의 매니저이며, SI/PI/ EMI/RF 해석 엔지니어로 근무하고 있다. 홈페이지 | www.tsne.co.kr   HFSS to Mechanical 양방향 해석 오버뷰 HFSS to Mechanical 양방향 해석에 대한 오버뷰(overview)와 유의사항에 대해서 미리 살펴보고자 한다. 양방향 해석은 앤시스 워크벤치에 HFSS, Steady-State Thermal, Static Structural tool을 이용하여 진행한다. <그림 1>은 이번 호의 최종 결과이다. 왼쪽 그림은 다이플렉서(diplexer)를 HFSS에서 본 모습이고, 오른쪽 그림은 앤시스 메커니컬(Ansys Mechanical)의 열 변형 결과를 HFSS로 불러온 모습이다. 여기서 보이는 작은 삼각형들이 컴퓨터가 3D 모델을 해석하기 위해 만드는 사면체 구조로 메시(mesh)라고 부른다. 불러온 메시를 기준으로 HFSS에서 다시 해석을 진행하며 이때 나온 해석 결과가 열 변형이 적용된 결과이다.   그림 1. 다이플렉서 모델과 최종 결과   <그림 2>는 워크벤치에서 HFSS, Steady-State Thermal, Static Structural tool을 연결한 것이다. <그림 2>의 위쪽을 보면 번개 모양이나 물음표 등 일부 체크가 되어 있지 않은 모습을 볼 수 있다. 이는 워크벤치를 사용하면서 가장 유의해야 할 부분이다. <그림 2>의 아래쪽과 같이 모든 항목이 초록색 체크 표시가 되도록 설정을 진행하며 업데이트 확인은 필수이다.   그림 2. 앤시스 워크벤치에서 HFSS to Mechanical 연결   HFSS 설정 <그림 3>은 다이플렉서 해석 파일을 워크벤치에 넣는 방법이다. 만들어 놓은 AEDT 파일을 프로젝트 스키매틱(Project Schematic)에 끌어다 놓으면 활성화되며, ‘Solution’에서 ‘Edit’를 누르면 HFSS가 실행된다.   그림 3. 앤시스 워크벤치에 HFSS 인서트 및 실행 방법   <그림 4>는 HFSS에서 필요한 설정이다. Design명에서 마우스 우클릭해서 Object의 Temperature와 Deformation을 그림과 같이 설정해주고 HFSS를 종료한다. HFSS를 종료한 후 Solution에서 마우스 우클릭 후 ‘Update’를 선택해서 항목 모두 초록색 체크 표시가 되게 해 준다. 이 화면에서 ‘Enable Feedback’을 체크하지 않는다면 앤시스 메커니컬의 정보를 불러올 수 없으니 유의하도록 한다.   그림 4. Temperature & Deformation 설정     ■ 자세한 기사 내용은 PDF로 제공됩니다.

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.

BIM 칼럼니스트 강태욱의 이슈 & 토크   최근 인공지능 분야의 주요 화두는 단연 ‘공간 지능(spatial intelligence)’의 구현이다. 단순 2D 이미지나 단일 3D 객체(object) 생성에 머물렀던 기존의 기술적 한계를 넘어, 물리적 환경의 기하학적 구조와 상호작용을 포괄적으로 이해하는 거대 월드 모델(LWM : Large World Models)이 새로운 대안으로 부상하고 있다. 특히, 페이페이 리(Fei-Fei Li) 교수가 이끄는 월드랩스(World Labs)의 ‘마블(Marble)’ 출시는 이러한 패러다임 전환을 알리는 핵심 마일스톤이다. 이번 호에서는 최근 오토데스크와 월드랩스의 대규모 전략적 파트너십을 중심으로, 마블의 기술적 아키텍처와 통합 파이프라인, 그리고 이에 대응하는 오픈소스 3D 생성 모델의 발전 동향을 기술적 관점에서 분석하고자 한다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/ GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   그림 1. 월드랩스가 개발한 오토데스크의 마블 서비스   그림 2. 월드랩스가 개발한 오토데스크의 마블 서비스   오토데스크 마블의 기술적 배경 마블은 오토데스크가 직접 개발한 제품이 아니다. 이 모델은 ‘AI의 대모’라 불리는 페이페이 리 교수가 설립한 AI 스타트업 월드랩스가 개발한 핵심 생성형 3D 월드 모델이다. 오토데스크는 2026년 2월 월드랩스에 대규모 전략적 투자를 단행하며, 자사 소프트웨어와의 통합 파트너십을 발표했다.   그림 3. 페이페이 리 교수의 월드랩 연구실 멤버들(출처 : techfundingnews)   마블의 구체적인 첫 코드 작성일이 공식적으로 공개되지는 않았으나, 회사의 설립과 주요 제품 마일스톤을 통해 개발 타임라인을 추론할 수 있다. 초기 R&D 및 시작(2024년 1월) : 페이페이 리 교수를 비롯한 최고 수준의 AI 연구진이 3D 환경 생성과 실시간 시뮬레이션을 목표로 2024년 1월에 월드랩스를 공동 창립했다. 마블의 근간이 되는 ‘공간 지능’ 연구와 코어 모델 개발은 이때 본격적으로 시작되었을 것으로 분석된다.을 거쳐, 마블의 첫 번째 제한적 베타 버전이 공개되었다. 프로토타입 및 베타(2025년 9월) : 약 1년 8개월의 딥테크 연구 기간 정식 출시(2025년 11월 12일) : 텍스트, 이미지, 비디오 등을 입력받아 상호작용 가능한 3D 환경을 즉석에서 구축하는 마블 프론티어 모델이 일반 대중에게 정식 론칭되었다.   마블의 핵심 기술 스택 마블은 단순히 2D 이미지를 이어 붙이는 비디오 생성 AI가 아니라, 물리적 공간의 3차원 구조를 완벽히 이해하는 거대 월드 모델(LWM) 아키텍처를 채택하고 있다. 3D 표현 포맷(3D Gaussian Splatting) : 시점이 변하면 형태가 무너지는 기존 생성 모델의 한계를 극복하고, 변형 없이 영구적으로 보존되는 3D 환경을 생성한다. 결과물은 3D 가우시안 스플랫이나 메시(mesh) 형태로 다운로드하여 언리얼, 유니티 등 다른 게임 엔진으로 내보낼 수 있다. 실시간 프레임 모델(RTFM : Real-Time Frame Model) : 2025년 10월에 도입된 핵심 렌더링 기술이다. 단일 GPU 환경에서도 실시간으로 월드를 생성하고 상호작용할 수 있도록, 기존 프레임들을 일종의    ‘공간 메모리’로 활용해 높은 디테일을 유지한다. 웹 렌더링 엔진(SparkJS.dev) : 별도의 무거운 클라이언트 없이 웹 브라우저 환경에서 매끄러운 3D 렌더링을 구현하기 위해 Three.js를 기반으로 한 독자 렌더러 ‘SparkJS.dev’를 사용한다. 이는 가우시안 스플랫과 전통적인 WebGL 애셋(glTF 모델 등)을 자연스럽게 혼합한다. 공간 편집 도구(Chisel) : 사용자가 직접 상자나 평면 같은 단순한 원시 도형(primitive)으로 3D 뼈대를 잡으면, AI가 맥락을 파악해 시각적 디테일과 텍스처를 입히는 하이브리드 3D 편집을 지원한다.   오토데스크 생태계와의 결합 전략 기존 스테이블 디퓨전 기반 3D 생성이 단일 객체를 깎아내는 데 집중했다면, 마블은 단일 이미지나 텍스트에서 거대한 3D 가상 세계 전체를 생성한다. 이를 오토데스크의 생태계와 결합하는 것이 이번 협업의 핵심이다. 백본 모델(backbone models) : 단순 2D 픽셀 패턴 모방을 넘어 3D 공간의 기하학(geometry), 재질, 빛의 반사, 물리 법칙을 추론하는 거대 세계 모델(LWM)을 백본으로 사용한다. 월드랩스의 핵심 개발진(NeRF 창시자 등)의 배경을 고려할 때, NeRF 및 차세대 뉴럴 렌더링 기술이 결합되어 시점 변화에 완벽히 대응하는 일관된 3D 신(scene)을 연산한다. 학습 데이터 종류(training data) : 일반적인 2D 이미지 쌍을 넘어 3D 레이아웃, 공간 깊이(depth) 데이터, 카메라 트래킹(pose)이 포함된 다중 시점 영상, 그리고 오토데스크가 강점을 가진 기하학적/물리적 CAD 시뮬레이션 데이터 등 복합적인 고차원 데이터로 학습된다. 오토데스크와의 통합 파이프라인(integration workflow) 편집 가능한 3D 신 : 비디오 영상(예 : 오픈AI 소라)이 아닌, 구조화되고 상호작용 가능한 3D 환경 자체를 출력한다. 라스트 마일 편집(last-mile editing) 생태계 : 마블이 프롬프트로 전체 공간의 초안을 생성하면, 이를 오토데스크의 마야, 3ds 맥스, 레빗 같은 전통적인 소프트웨어로 넘긴다. 이후 아티스트나 엔지니어가 직접 폴리곤 토폴로지, 리깅, 정밀한 재질 수정을 거쳐 최종 결과물을 완성한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.