[자료] 2024 원가계산 실무매뉴얼 발행 : 2024. 4. 형식 : pdf 124 page 제작 : 강동구청 https://www.gangdong.go.kr/web/newportal/bbs/b_068/144229   계약업무에 필요한 원가산정 방법 및 관련 정보를 수록한 ‘2024 원가계산 실무 매뉴얼'을 제작해 배포하오니 참고하시기 바랍니다.   CONTENTS 공공계약의 개념 1.1 개요 1.2 공공계약 절차- 1.3 공공계약 종류 1.4 요학 정리 공공계약 단계별 절차 2.1 1단계: 계획수림 및 예산확보· 2.2 2단계: 발주 전 사전절차 2.3 3단게: 계악방범 결정 2.4 4단계: 예정가격 결정 2.5 5단게: 임찰 및 계약 2.6 요약 정리 -- 예정가격 작성 요령 3.1 개요 3.2 원가 작성 요령 3.3 경비 세비목 분류 3.4 요약 정리 원가계산서 작성 요령 4.1 공사분야 4.2 용역분야 4.3 물품분야… 4.4 설계변경 분야 4.5 민간위닥 분야 4.6 요액 정리 부록 5.1 질의 · 용담 5.2 강동구 계각심사 업무 처리 규칙 5.3 참고 자료  

알테어가 항공우주 분야에 특화된 전산유체역학(CFD) 소프트웨어 제조사인 리서치인플라이트(Research in Flight)를 인수했다고 밝혔다. 이번 인수로 알테어는 항공우주 및 방위 산업에서의 입지를 더욱 강화할 수 있을 것으로 보고 있다.   리서치인플라이트의 대표 제품인 ‘플라이트스트림(FlightStream)’은 높은 정확도와 사용 편의성을 내세운 전산유체역학 소프트웨어로 미 공군, 미 육군, 나사(NASA) 에임스 연구센터에서 사용 중이다. 주로 항공기 설계 및 해석에 활용되며 초음속 비행체 개발에도 쓰인다.   알테어는 플라이트스트림의 빠른 계산 속도와 낮은 하드웨어 사양에 주목했다고 밝혔다. 이를 통해 많은 엔지니어와 설계자가 개발 초기에 수많은 설계안의 공기 역학적 특성을 심층적으로 분석할 수 있다는 것이다. 알테어는 플라이트스트림의 기술이 고비용의 실물 테스트 횟수를 줄일 수 있어 항공기 개발 비용과 시간을 절감할 수 있을 것으로 기대하고 있다.   플라이트스트림의 또 다른 장점은 복잡한 공기역학 현상 해석 능력이다. 플라이트스트림은 아음속부터 초음속에 이르기까지 광범위한 비행 조건에서의 공기 흐름을 정밀하게 예측할 수 있어 최근 개발이 한창인 도심항공교통(UAM)이나 전기 수직이착륙기(eVTOL) 설계에 용이할 것으로 보인다. 또한 경계층에서의 유동 박리현상, 점성 효과 등 공기역학적 현상을 세부적으로 분석해 항공기의 안정성과 성능 확보를 지원한다.     리서치인플라이트의 플라이트스트림은 알테어의 설계 및 시뮬레이션 플랫폼인 하이퍼웍스에 추가될 예정이다. 알테어 유닛 라이선스 시스템을 통해 플라이트스트림을 제공함으로써, 사용자는 개별 제품을 구매하지 않고 여러 제품을 경제적으로 사용할 수 있게 된다. 리서치인플라이트의 비벡 아후자 공동창립자는 “이번 인수를 통해 리서치인플라이트의 CFD 솔루션이 알테어의 기술 포트폴리오에 추가됨으로써 더 많은 사용자들이 사용하고, 이를 통해 항공우주 분야에서 입지를 넓힐 수 있길 바란다”고 전했다.   알테어의 짐 스카파 CEO는 “리서치인플라이트 인수를 통해 항공우주 및 방위 분야 기술력을 더욱 강화하게 되었다. 특히 항공기의 다양한 운용 상태에 대한 공기 역학적 특성을 신속하게 평가하고 최적화할 수 있어 UAM, eVTOL 등 새로운 항공 기술 개발에 큰 도움이 될 것으로 기대된다”고 밝혔다.

문화유산 분야의 이미지 데이터베이스와 활용 사례 (5)   지난 호에서는 우리의 소중한 문화유산인 전통 한지에 관한 데이터베이스 구축의 중요성과 문화유산 분야에서의 활용 사례에 관하여 살펴보았다. 데이터베이스에 어떠한 정보가 유용한 정보인지를 판단하기 위하여 종이의 역사와 동아시아 전통 종이의 차이를 정리하였다. 한지 제지 공정, 한지의 다양한 명칭, 한지의 특징, 한지의 원료, 한지의 색상 및 빛의 투과 특성, 전통한지의 우수성과 전통 계승 및 보존의 중요성에 관해서 살펴보았다.  이번 호에서는 국내외의 고지도를 소개하고 고지도에서 얻을 수 있는 다양한 지리 및 역사 정보에 관하여 살펴본다. 근대의 측량 기술이 도입되기 전에 제작된 고지도의 한계와 수록된 정보의 해석에 있어서의 주의점에 관해서도 생각해 보고자 한다. 고지도 데이터베이스의 중요성과 문화유산, 역사, 인문학 분야에서의 해석 및 활용 사례에 관하여 살펴보도록 한다.   ■ 연재순서 제1회 이미지 데이터와 데이터베이스의 중요성 제2회 서화, 낙관, 탁본 데이터베이스 제3회 옛 사진 데이터베이스 제4회 한지 데이터베이스 제5회 고지도 데이터베이스  제6회 고서 자형 데이터베이스 제7회 필사본 고서 데이터베이스  제8회 목판본 고서 데이터베이스  제9회 금속활자본 고서 데이터베이스  제10회 근대 서지 데이터베이스  제11회 도자기 데이터베이스 제12회 안료 데이터베이스   ■ 유우식 웨이퍼마스터스의 사장 겸 CTO이다. 동국대학교 전자공학과, 일본 교토대학 대학원과 미국 브라운대학교를 거쳐 미국 내 다수의 반도체 재료 및 생산설비분야 기업에서 반도체를 포함한 전자재료, 공정, 물성, 소재분석, 이미지 해석 및 프로그램 개발과 관련한 연구를 진행하고 있다. 경북대학교 인문학술원 객원연구원, 국민대학교 산림과학연구소 상임연구위원, 문화유산회복재단 학술위원이다. 이메일 | woosik.yoo@wafermasters.com  홈페이지 | www.wafermasters.com   그림 1. 대동여지도와 대한민국전도의 유사도와 축척 비교(10리를 4km로 계산하면 대동여지도는 실제의 크기보다 약 25% 크게 그려져 있다.)   우리나라의 지도 국어사전에서는 지도(地圖)를  ‘지구 표면의 상태를 일정한 비율로 줄여, 이를 약속된 기호로 평면에 나타낸 그림’으로 설명하고 있다. 근대 이후에 제작된 지도를 바탕으로 한 설명이라고 볼 수 있다. 현대에는 수치 정보를 바탕으로 한 지리 정보 시스템(GIS : Geographic Information System)과 GPS(Global Positioning System)를 사용하여 항공기, 선박, 자동차 및 보행자의 위치를 무선으로 안내하는 시스템이 사용되고 있다. 지도의 수치 정보와 자신의 위치 정보는 컴퓨터에서 처리되며 화면에 표시된다. 물론 전통적인 방법으로 종이에 인쇄하여 사용하는 것도 가능하다. 우리나라 지도 제작의 역사는 삼국시대 이전으로 거슬러 올라갈 것으로 추정된다. 삼국시대 이전에도 외부와 교류가 활발했고 기록 활동도 있었으므로, 어떠한 형태로든 지도가 만들어졌을 것으로 보인다. 필사에 의한 간단한 약도부터 초기 형태의 지도가 만들어져 활용되었을 것이다. 그러나 현재는 조선 시대 이후의 것들만 전해지고 있다. 현존하는 고지도 가운데 가장 오래된 지도는 조선 초기인 1402년(태종 2년)에 제작된 ‘혼일강리역대국도지도’이다. 이 지도는 당시 제작된 세계 지도로는 세계적으로도 가장 뛰어난 지도 중의 하나로 인정되고 있으나 원본은 전하지 않는다. 필사본은 일본 류코쿠대학이 소장하고 있다. 일본 텐리대학과 서울대학교 규장각에는 필사 모사본이 있다.  조선 전기에는 국토의 측량을 기초로 우리나라 영토의 부분부분을 그린 지도가 활발하게 만들어졌다. 조선 전기의 대표적인 전도(全圖)로는 1530년(중종 25년)에 간행된 ‘신증동국여지승람’에 수록된 ‘팔도총도’를 들 수 있다. 이 전도는 특정 지역의 지역적 성격을 종합적으로 지도와 함께 기록한 지지(地誌)를 보완하는 형태로 부도(附圖)의 형식을 영토의 전체적인 모양을 두 면에 수록하였으며 대표적인 산, 강, 고을의 이름이 간략하게 적혀 있다.    대동여지도 개항 이전인 1876년(고종 13년), 근대적 측량이 이루어지기 전에 제작된 한반도의 지도 중 가장 정확한 지도로 꼽히는 것이 ‘대동여지도’이다. 김정호가 1861년(철종 12년)에 지도첩의 형태로 제작한 한반도의 지도이다. 접었을 때의 책의 크기는 가로 20cm, 세로 30cm로 보관과 운반이 용이하게 만들어졌다. 지도는 가로 19판, 세로 22층(또는 22첩)으로 이루어졌다. 지도의 축척을 나타내는 방안(方眼)에 의하면 지도의 한 면은 가로 80리, 세로 120리에 해당하며 지도의 두 면이 한 장의 목판으로 인쇄되었다. 지도를 펼치면 가로 약 3.8m, 세로 약 6.7m에 이른다. 현재 세 건이 대한민국의 보물로 지정되어 있으며, 대동여지도의 인쇄에 사용된 목판이 2008년에 대한민국 보물로 지정되었다. <그림 1>에서 보는 바와 같이 현재의 한반도 지도의 윤곽과 비교해도 손색이 없다. 1834년(순조 34년)에 제작하고 1840년대까지 3차례에 걸쳐 개정한 ‘청구도’와 1530년에 편찬한 ‘신증동국여지승람’ 등을 참고하여 만들어진 것으로 여겨지고 있다.  대동여지도의 백두산 부분을 살펴보면 단순한 지리 정보 뿐만 아니라 청나라와의 국경을 정한 내용, 청나라와 조선의 담당자, 비석을 세운 날짜 등을 기록하여 세운 비석인  정계비(定界碑)의 위치까지 표시되어 있다.(그림 2) 정계비를 세운 날짜는 강희 51년 5월 15일로 1712년(숙종 38년)의 일이다. ‘강희임진정계(康熙壬辰定界)’라고 적혀 있어 청나라 강희제의 임진년인 1712년에 청나라와 조선의 경계를 정해서 비석을 세운 것임도 기록해 두었다. 대동여지도가 1861년에 만들어진 것이므로 149년 전의 역사적 사실을 기록한 셈이다. 이처럼 고지도에는 단순한 지리 정보뿐만 아니라 역사 정보도 기록되어 있는 경우가 많아, 귀중한 역사 연구자료로서의 가치도 매우 높다.    그림 2. 대동여지도에 그려진 백두산 부분.조선과 청나라의 국경을 표시하기 위하여 1712년 5월 15일에 세워진 백두산정계비의 위치가 표시되어 있다.    대동여지도는 100리(里)를 1척(尺)으로, 10리를 1촌(寸)으로 한 백리척(百里尺) 축척의 지도이나 당시의 10리를 현재의 길이 단위로 정확히는 알 수 없다. 조선 시대의 10리를 오늘날과 마찬가지인 4km로 계산하면 축척은 1 : 16만으로 계산된다. ‘대동지지’와 ‘속대전’의 기록인 “주척(周尺)을 쓰되 6척은 1보(步)이고 360보는 1리(里)이며 3600보는 10리로 된다”라는 내용을 기준으로 축척을 추정하면 1 : 21만 6000이다. 그러나 필자가 현대에 만들어진 지도와 크기가 유사하게 조정하여 대동여지도의 축척을 계산하면 약 1 : 12만 8000이었다. 문헌상의 기록을 바탕으로 추정한 축척과는 25% 또는 69%의 차이가 발생한다. 대동여지도에서는 실제 거리로 약 1280m(=1.28km)에 해당하는 직선 거리가 1cm로 표시된 셈이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공사례   파이앤시스(PyAnsys)는 파이썬(Python)을 활용하여 앤시스(Ansys) 제품을 사용할 수 있는 라이브러리를 뜻한다. 파이앤시스는 구조해석과 관련한 PyMAPDL, PyMechanical과 전처리 및 후처리에 대한 PyDPF가 있다. 이와 같은 라이브러리를 이용하면 파이썬 내에 있는 패키지와 함께 다양한 작업이 가능해진다. 이번 호에서는 파이앤시스 중에서도 PyMAPDL에 대한 사용 방법과 활용 예시를 소개하고자 한다.   ■ 노은솔 태성에스엔이 구조 3팀 매니저로 구조해석 및 자동화 프로그램에 대한 기술 지원을 담당하고 있다. 이메일 | esnoh@tsne.co.kr 홈페이지 | www.tsne.co.kr   앤시스에서 구조, 열, 음향 등 다양한 해석에 사용되는 유한요소 솔버 중 하나인 Mechanical APDL은 명령어를 기반으로 구동된다. 복잡한 연산이나 매개변수 설정 및 자동화 기능이 가능하기 때문에 여전히 많이 사용되고 있다. 하지만 앤시스 워크벤치(Ansys Workbench)의 제한적인 기능을 활용할 경우, 추가적으로 APDL 명령어를 사용해야 한다. 말하자면 APDL 명령어로 여러 기능을 구현할 수 있지만, 넓은 범위에서 적용하기에는 한계가 있는 것이다. 예로 머신러닝이나 딥러닝과 관련한 라이브러리인 텐서플로(TensorFlow)나 케라스(Keras) 등은 APDL 명령어 내에서는 사용할 수 없으며, 파이썬과 APDL 연동에도 한계가 있다.  이 때 PyMAPDL 라이브러리를 사용하면 파이썬 내에서 APDL을 사용하기 때문에 활용도가 넓어진다. 이번 호에서는 PyMAPDL의 사용 방법과 활용 예시를 다뤄보고자 한다.    PyMAPDL 사용 방법 PyMAPDL은 파이썬에서 사용될 때 gRPC(Google Remote Procedure Call)를 기반으로 파이썬 명령어를 APDL 명령어로 변환하여 MAPDL 인스턴스(Instance)에 전송하고, 결과를 파이썬으로 다시 반환한다. 이러한 작업 과정 때문에 파이썬과 MAPDL 간 원활한 데이터 통신이 가능해지며, 다수의 MAPDL 인스턴스를 생성하여 다른 명령으로 동시 작업 또한 가능하다.   그림 1. PyMAPDL gRPC   먼저 PyMAPDL을 사용하기 위해서 앤시스 메커니컬(Ansys Mechanical)이 설치되어 있어야 하며, 관련 라이선스를 보유하고 있어야 한다. 현재 파이앤시스 홈페이지에 따르면 파이썬 3.8 이상 버전을 지원하고 있으며, gRPC 기반으로 사용하기 위해서 앤시스 2021 R1 이상을 권장한다. 파이썬과 앤시스 모두 설치되어 있는 환경이라면 추가적으로 PyMAPDL 라이브러리를 설치해야 한다. 터미널 창에 ‘pip install ansys-mapdl-core’ 한 줄의 입력으로 쉽게 설치되며, 버전을 따로 지정하지 않을 경우 최신 버전으로 설치된다. PyMAPDL은 <그림 2>와 같이 ‘launch_mapdl’ 함수를 호출하여 사용한다. 이는 Mechanical APDL Product Launcher를 실행하는 것과 유사하다. 해당 함수를 활용할 때 입력 가능한 주요 인자들을 입력하여 작업 폴더 위치나 파일 이름, 계산 방식 및 라이선스 등을 지정할 수 있다.    그림 2. PyMAPDL 실행 명령어   기존에 APDL에서 육면체 형상을 모델링하여 요소를 생성하는 과정은 <그림 3>과 같이 작성되고, 동일한 작업을 PyMAPDL로는 <그림 4>와 같이 구성할 수 있다. 작성된 APDL과 PyMAPDL 명령어를 비교하면 형태가 매우 유사한 것을 볼 수 있다. 이 때 PyMAPDL은 파이썬에서 두 가지 방식으로 사용된다. 첫 번째는 ‘run’ 명령어를 활용하여 APDL 명령어를 스트링(string)으로 입력해 직접 실행하는 방법이며, 두 번째는 파이썬 명령어로 변환해서 처리하는 방법이다.   그림 3. MAPDL 모델링 및 요소 생성 예시   그림 4. PyMAPDL 모델링 및 요소 생성 예시     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업 디지털 전환을 위한 버추얼 트윈 (1)   이번 호부터 산업 분야에서 버추얼 트윈(virtual twin)을 구축하고 활용하기 위한 다쏘시스템의 솔루션을 살펴본다. 첫 번째로 소개하는 다이몰라(CATIA Dymola)는 모델 기반 시스템 설계와 시뮬레이션을 위한 툴이다. 다이몰라는 다양한 산업 분야에서 사용되며, 기계, 전기, 열, 유체, 제어 시스템 등 다양한 시스템의 거동(behavior)을 모델링 및 시뮬레이션할 수 있다. 다이몰라를 알기 위해서는 우선 모델리카(Modelica)에 대해 알아야 한다.   ■ 안치우 다쏘시스템코리아의 카티아 인더스트리 프로세스 컨설턴트로 CATIA Dymola를 활용한 1D 시뮬레이션을 담당하고 있다. 관심 분야는 Modelica, FMI, 1D~3D 코시뮬레이션, SysML 기반의 Modelica 모델 개발이며 LG전자, 삼성전자, SK하이닉스 등 다수의 프로젝트 및 제안을 수행하고 있다. 홈페이지 | www.3ds.com/ko   1D 시뮬레이션이란 시간의 흐름에 따라 지배 방정식을 1차원으로 한정지어 계산하는 방법을 의미한다. 예를 들어, 스프링-댐퍼 시스템에서 길이 방향인 하나의 차원에서 수학적 모델링을 통해 빠른 시간 내에 결과를 도출해 검토할 수 있다. 장점으로는 모델 구성 및 검토의 시간이 빠르고, 표현의 제약이 적으며, 시스템간 상호 작용을 효율적으로 검토 가능하다. 단점으로는 시스템의 기능을 수식화하기 위해 도메인(domain)에 대한 높은 이해도가 필요하고, 인풋(input) 정보의 품질에 따라 아웃풋(output)이 민감하게 반응한다.   모델리카는 시스템 모델링을 위한 언어이다. 모델리카(Modelica)는 1996년 모델리카 어소시에이션(Modelica Association)에 의해 개발된 시스템 모델링을 위한 언어이다. 무료로 사용할 수 있고, 여러 개발자 및 전문가에 의해 개발되고 있다. 모델리카는 시스템 모델링을 지원하며, 다쏘시스템에서는 시스템 모델링의 원활한 시뮬레이션을 위한 솔버 알고리즘을 개발하고 있다. 다이몰라에는 모델 시뮬레이션을 위한 다양한 솔버가 내장되어 있다. 사용자는 문제 해결을 위한 미분방정식에 대한 표현을 모델리카 문법에 맞게 표현함으로써 시뮬레이션을 위한 모델링은 끝났다고 볼 수 있으며, 이러한 이유 때문에 모델리카는 C, C++, 포트란(Fortran) 등 타 언어에 비해 코드량이 적다는 것을 알 수 있다. 모델리카의 모델링 방법에는 텍스트 타입으로 방정식을 정의할 수 있고, 또한 유저에게 친근한 GUI(그래픽 사용자 인터페이스)를 활용한 객체 모델링 기반으로 모델을 구성할 수 있다.    모델리카는 비인과적/인과적 해석을 모두 지원한다. 인과적(causal) 모델링과 비인과적(acausal) 모델링은 둘 다 시스템이나 현상을 설명하고 예측하기 위한 방법론이다.   그림 1   비인과적 모델링은 원인과 결과 간의 인과 관계를 명확히 구분하지 않고 시스템의 구성요소 간의 관계를 모델링하는 방법이다. 이 방법은 일반적으로 동적 시스템의 거동을 설명하거나 예측할 때 사용하며, 시스템의 구성 요소와 그들 간의 관계를 수학적 방정식으로 표현하여 시스템의 동작을 설명한다. 각 요소가 다른 요소에 의해 어떻게 영향을 받는지를 보다 전체적으로 이해하는 데에 도움이 된다. 인과적 모델링은 원인과 결과 간의 인과관계를 중심으로 모델을 구성한다. 이 모델링 기법은 일반적으로 인과관계를 고려하여 시스템의 동작을 설명하고 예측한다. 예를 들면 A가 B에 어떻게 영향을 주는지, 또는 어떤 요인이 결과에 어떻게 기여하는지를 분석한다. 주로 원인과 결과 간의 관계를 나타내는 도표나 그래프를 사용해 시각화하며, 시간의 흐름을 고려하여 이전 사건이 이후 사건에 어떻게 영향을 미치는지를 이해한다.  비인과적 모델링은 물리적 시스템의 동작을 설명하는데 유용하다. 예를 들어, 열 전달, 유체 흐름, 전기 회로 등과 같은 시스템에서 원인과 결과 간의 명확한 인과 관계를 파악하기 어려운 경우가 있다. 이러한 시스템은 에너지, 질량 또는 정보의 흐름을 모델링하여 설명할 수 있다.    모델리카는 해석 솔버에 대한 개발이 필요 없다. 실제 모델링 후 유저는 소스코드를 볼 수 있고, 해석 결과를 확인 할 수 있다. 그렇지만 솔버에 대한 구현 방식은 확인할 수 없다. 다이몰라에 솔버가 내장되어 있어 유저는 미분방정식에 대한 표현을 모델리카 문법에 맞게 표현하면, 유저가 모델링한 시스템에 대한 해석 결과를 확인할 수 있다. 이러한 이유로 인해 모델리카의 코드량은 타 언어에 비해 적다. 솔버가 해석 결과를 보여주기 위해 <그림 2>를 참조하면, 모델리카 file(*.mo)를 C 언어로 변환하고 참조할 라이브러리와 함께 컴파일을 수행하기 때문에 유저는 이 과정을 인식하지 못하는 경우가 많다.   그림 2     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (9)   이번 호에서는 다양한 유형의 난류 모델과 사용 시기, 그리고 복잡한 형상을 위한 고충실도 난류 모델링에 있어 케이던스의 밀레니엄 M1 CFD 슈퍼컴퓨터가 어떻게 혁신을 가져오는지에 대해 소개한다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   자동차 산업은 거의 매일 새로운 혁신과 개발이 등장하며 끊임없이 발전하고 있다. 자동차 업계는 전기 구동 차량과 대량 생산이 증가하는 추세에 발맞춰, 보다 지속 가능한 미래를 만들기 위해 노력하고 있다. 2022년 전 세계 자동차 생산량은 5.7% 증가하여 8540만 대를 생산할 것으로 예상된다. 그러나 업계는 여러 디자인 또는 새로운 헤드라이트, 스플리터, 사이드 스커트 추가와 같은 아주 작은 디자인 변경에 대해서도 풍동 테스트 또는 프로토타입 테스트를 수용하면서 연비 기준을 충족해야 하는 과제에 직면해 있다. 그 결과, 항력 계수 등 관심 있는 유동장 정보와 성능 관련 수치를 예측하여 필요한 실험 횟수를 크게 줄일 수 있는 시뮬레이션 기반 접근 방식이 점점 더 인기를 얻고 있다. 유체 흐름의 난류를 이해하고 전산 유체 역학(CFD) 시뮬레이션을 통해 동일한 난류를 재현하려면 다양한 난류 모델을 사용해야 한다. 자동차 애플리케이션과 리소스 가용성에 따라 적합한 난류 모델을 선택하면 설계 주기를 단축하는 데 도움이 될 수 있다.      유체의 난류 모델링 난류는 압력과 속도의 혼란스러운 변화를 특징으로 하는 불규칙한 흐름을 일컫는 용어이다. 우리는 일상 생활에서 난류를 경험하며 공기 역학, 연소, 혼합, 열 전달 등과 같은 다양한 엔지니어링 응용 분야에서 중요한 역할을 한다. 하지만 유체 역학을 지배하는 나비에-스토크스 방정식은 매우 비선형적인 편미분 방정식이며 난류에 대한 이론적 해법은 존재하지 않는다. 난류는 광범위한 공간적, 시간적 규모를 포함하기 때문에 모델링과 시뮬레이션이 어려울 수 있다. 일반적으로 큰 와류는 난기류에 의해 생성된 에너지의 대부분을 전달하고 작은 와류는 이 에너지를 열로 발산한다. 이 현상을 ‘에너지 캐스케이드’라고 한다. 수년에 걸쳐 다양한 난기류 모델링 접근법이 개발되었으며, 가장 일반적인 세 가지 접근법을 간략히 설명하면 다음과 같다.   직접 수치 시뮬레이션(DNS) DNS에서는 모델이나 근사치 없이 미세한 그리드와 매우 작은 시간 단계를 사용하여 모든 규모에서 난기류를 해결한다. DNS의 계산 비용은 엄청나게 높지만 결과는 가장 정확하다. DNS 시뮬레이션은 난류장에 대한 포괄적인 정보를 제공하기 위한 ‘수치 실험’으로 사용된다.   대규모 와류 시뮬레이션(LES) 이름에서 알 수 있듯이 이 난류 모델링 기법은 큰 소용돌이를 해결하고 보편적인 특성을 가진 작은 소용돌이를 모델링한다. LES 시뮬레이션은 최소 길이 스케일을 건너뛰어 계산 비용을 줄이면서도, 시간에 따라 변화하는 난기류의 변동 요소를 자세히 보여준다.   레이놀즈-평균 나비에-스토크스 모델(RANS) RANS 방정식은 나비에-스토크스 방정식의 시간 평균을 취하여 도출되었다. 난기류 효과는 미지의 레이놀즈 응력 항을 추가로 모델링하여 시뮬레이션한다. RANS 시뮬레이션은 평균 흐름을 해결하고 난류 변동을 평균화하므로 다른 두 가지 접근 방식보다 훨씬 비용 효율적이다.   올바른 선택 - DNS, LES 또는 RANS 올바른 난류 모델을 선택하는 것은 모든 시뮬레이션의 중요한 측면이며, 이는 주로 시뮬레이션의 목적, 흐름의 레이놀즈 수, 기하학적 구조 및 사용 가능한 계산 리소스에 따라 달라진다. 학술 연구의 경우 DNS 시뮬레이션은 난류의 근본적인 메커니즘과 구조를 이해하는데 가장 적합한 결과를 제공한다. DNS는 레이놀즈 수가 낮은 경우에 적합하지만, 막대한 시간과 리소스가 필요하기 때문에 대부분의 산업 분야에서는 실용적인 선택이 아니다. 반면에 LES는 일반적으로 레이놀즈 수가 높은 복잡한 형상을 포함하는 산업용 사례를 처리하는데 적합한 옵션이다. LES가 생성하는 고충실도 결과물은 경쟁이 치열한 자동차 시장에서 중요한 한 차원 높은 성능 개선이 가능한 설계를 가능하게 한다. RANS 시뮬레이션은 LES에 비해 근사치의 범위가 넓기 때문에 정확도가 떨어진다. 그러나 정확도와 계산 비용 간의 균형으로 인해 RANS는 계산 리소스와 시뮬레이션 시간이 제한된 업계 사용자에게 일반적인 솔루션이다. 이 방법은 또한 짧은 시간 내에 여러 사례를 분석해야 할 때 널리 사용된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 생성형 AI의 멀티모달 딥러닝 기술 확산의 계기가 된 오픈AI(OpenAI)의 CLIP(Contrastive Language-Image Pre-Training, 2021) 코드 개발 과정을 분석하고, 사용하는 방법을 정리한다.    ■ 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. 이메일 | laputa99999@gmail.com 페이스북 | www.facebook.com/laputa999 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | http://www.facebook.com/groups/digestpodcast CLIP은 구글이 개발한 자연어 번역 목적의 트랜스포머 모델, 비전 데이터 변환에 사용되는 VAE(Variational Autoencoder) 개념을 사용하여 멀티모달 학습 방식을 구현하였다. 이번 호에서는 그 과정을 설명하고 파이토치로 직접 구현하는 과정을 보여준다. CLIP을 이용하면 유튜브, 넷플릭스와 같은 영상에서 자연어로 질의해 해당 장면을 효과적으로 검색할 수 있다. 참고로, CLIP에서는 트랜스포머가 핵심 컴포넌트로 사용되었다. CLIP과 같이 트랜스포머가 자연어 번역 이외에 멀티모달의 핵심 기술이 된 이유는 비정형 데이터를 연산 가능한 차원으로 수치화할 수 있는 임베딩 기술의 발전과 트랜스포머의 Key, Query, Value 입력을 통한 여러 학습 데이터 조합이 가능한 특징이 크게 작용했다.    그림 1. 멀티모달 시작을 알린 오픈AI의 CLIP 모델(Learning Transferable Visual Models From Natural Language Supervision, 2021)   트랜스포머와 VAE를 이용한 멀티모달 CLIP 네트워크를 좀 더 깊게 파헤쳐 보도록 한다. 앞서 설명된 트랜스포머, 임베딩과 관련된 개념에 익숙하다면, CLIP을 이해하고 구현하는 것이 그리 어렵지는 않을 것이다.    CLIP에 대한 이해 오픈AI에서 개발한 CLIP 모델은 공유 임베딩 공간 내에서 이미지 및 텍스트 형식을 통합하는 것을 목표로 했다. 이 개념은 기술과 함께 이미지와 텍스트를 넘어 다른 양식을 수용한다.(멀티모달) 예를 들어, 유튜브 등 비디오 애플리케이션 내에서 텍스트 검색 성능을 개선하기 위해 공통 임베딩 공간에서 비디오 및 텍스트 형식을 결합하여 모델을 학습시켰다. 사실, 임베딩 텐서를 잠재 공간(Latent Space)으로 이기종 데이터를 변환, 계산, 역변환할 수 있다는 아이디어는 VAE 기술, 구글의 트랜스포머 논문(2017)을 통해 개발자들 사이에 암시되어 있었다. 이를 실제로 시도해본 연구가 CLIP이다.  참고로, CLAP(Contrastive Language-Audio Pretraining)은 동일한 임베딩 공간 내에서 텍스트와 오디오 형식을 통합하는 또 다른 모델로, 오디오 애플리케이션 내에서 검색 기능을 개선하는 데 유용하다. CLIP은 다음과 같은 응용에 유용하다. 이미지 분류 및 검색 : CLIP은 이미지를 자연어 설명과 연결하여 이미지 분류 작업에 사용할 수 있다. 사용자가 텍스트 쿼리를 사용하여 이미지를 검색할 수 있는 보다 다양하고 유연한 이미지 검색 시스템을 허용한다. 콘텐츠 조정 : CLIP은 부적절하거나 유해한 콘텐츠를 식별하고 필터링하기 위해 이미지와 함께 제공되는 텍스트를 분석하여, 온라인 플랫폼의 콘텐츠를 조정하는 데 사용할 수 있다. 참고로, 메타 AI(Meta AI)는 최근 이미지, 텍스트, 오디오, 깊이, 열, IMU 데이터 등 6가지 양식에 걸쳐 공동 임베딩을 학습하는 이미지바인드(ImageBind)를 출시했다. 두 가지 모달리티를 수용하는 최초의 대규모 AI 모델인 CLIP은 이미지바인드 및 기타 다중 모달리티 AI 시스템을 이해하기 위한 전제 조건이다. CLIP은 배치 내에서 어떤 N×N(이미지, 텍스트) 쌍이 실제 일치하는지 예측하도록 설계되었다. CLIP은 이미지 인코더와 텍스트 인코더의 공동 학습을 통해 멀티모달 임베딩 공간을 만든다. CLIP 손실은 트랜스포머의 어텐션 모델을 사용하여, 학습 데이터 배치에서 N개 쌍에 대한 이미지와 텍스트 임베딩 간의 코사인 유사성을 최대화하는 것을 목표로 한다.  다음은 이를 설명하는 의사코드이다. 1. img_en = image_encoder(I)   # [n, d_i] 이미지 임베딩 인코딩을 통한 특징 추출  2. txtxt_emdn = textxt_emdncoder(T)    # [n, d_t] 텍스트 임베딩 인코딩을 통한 특징 추출 3. img_emd = l2_normalize(np.dot(img_en, W_i), axis=1)    # I×W 결합(조인트) 멀티모달 임베딩 텐서 계산 4. txt_emd = l2_normalize(np.dot(txtxt_emdn, W_t), axis=1)  # T×W 결합(조인트) 멀티모달 임베딩 텐서 계산 5. logits = np.dot(img_emd, txt_emd.T) * np.exp(t)   # I×T * E^t 함수를 이용한 [n, n]코사인 유사도 계산 6. labels = np.arange(n) 7. loss_i = cross_entropy_loss(logits, labels, axis=0)  # 이미지 참값 logits과 예측된 label간 손실 8. loss_t = cross_entropy_loss(logits, labels, axis=1)  # 텍스트 참값 logits과 예측된 label간 손실 9. loss = (loss_i + loss_t)/2   # 이미지, 텍스트 손실 평균값   실제 오픈AI 논문에는 <그림 2>와 같이 기술되어 있다.(동일하다.)   그림 2     ■ 자세한 기사 내용은 PDF로 제공됩니다.

데스크톱/모바일/클라우드를 지원하는 아레스 캐드 2025 (1)   DWG 호환 CAD인 독일 그래버트(Graebert)의 아레스 캐드(ARES CAD)는 PC 기반의 아레스 커맨더(ARES Commander), 모바일 기반의 아레스 터치(ARES Touch), 클라우드 기반의 아레스 쿠도(ARES Kudo) 모듈로 구성되어 있다. 이 모듈은 상호 간에 동기화되므로 이를 삼위일체형(trinity) CAD라고 부른다. 이번 호에서는 오토캐드와 호환되는 데스크톱 PC 기반의 아레스 커맨더 2025 버전과 아레스 제품군의 새로운 기능을 간단하게 알아보도록 하겠다.   ■ 천벼리 인텔리코리아 3D 솔루션 사업본부 대리로 기술영업 업무를 담당하고 있다.   이메일 | ares@cadian.com 홈페이지 | www.arescad.kr 블로그 | https://blog.naver.com/graebert  유튜브 | www.youtube.com/GraebertTV   오토캐드 호환성 － 전환을 용이하게 하는 개선된 UI 명령어 : OPTIONS     옵션 대화 상자는 모든 설정을 한데 모아 단위 및 사용자 설정을 포함해 쉽게 접근할 수 있다. 검색 기능이 강화되어 필요한 설정을 손쉽게 찾을 수 있게 개선되었다. 또한, 치수 스타일을 더욱 빠르게 조정할 수 있는 새로운 대화 상자가 추가되어 오토캐드처럼 세부 사항을 사용자 맞춤 설정할 수 있다. 검색 도구에는 사용자가 입력하기 시작하면 사라지는 ‘설정 검색’ 힌트 텍스트가 포함된 입력 상자가 있어, 정확하거나 부분적으로 일치하는 설정을 쉽게 찾을 수 있다. 사용자가 제안된 옵션 위로 마우스를 가져가면 해당 선택을 확인할 수 있는 상세 정보가 표시된다.  이번 버전에서는 오토캐드 사용자가 아레스로 부드럽게 전환할 수 있도록 치수 스타일 편집 기능이 오토캐드 인터페이스와 유사하게 개선되어, 사용자 정의가 더욱 직관적이고 간편해졌다.   인공지능 － 아레스 AI 어시스트 명령어 : ARESAIASSIST     오픈AI(OpenAI) 기반의 아레스 AI 어시스트(A3)는 다양한 언어로 아레스 사용자를 지원하는 인공지능이다. 기능 사용 방법 설명, 인터페이스 탐색, 질문 응답, 사용자 인터페이스 맞춤화, 변환 및 계산, 다양한 언어로의 텍스트 번역 등을 수행한다.  A3는 기본적으로 활성화되어 있으며, 필요에 따라 켜거나 끌 수 있다. 모든 사용자에게 유용하며, 특히 새 사용자는 트리니티(Trinity) 협업 기능과 BIM 기능 학습에서 도움을 받을 수 있다.   상호 운용성 － 아레스 커맨더의 시빌 3D 지원     오토데스크 시빌 3D(Civil 3D) 엔티티 지원을 새롭게 도입하여, 아레스 환경 내에서 시빌 3D 엔티티의 시각화를 가능하게 한다. 초기 버전은 제한된 기능을 제공하지만, 향후 릴리스를 통해 이 기능은 지속적으로 발전될 예정이다. 이러한 발전은 아레스 커맨더와 시빌 3D 간의 상호 운용성을 강화하여, 토목 공학 및 인프라 프로젝트의 설계와 문서화에 종합적인 솔루션을 제공할 것이다.   상호 운용성 － DWG에서 DGN으로 내보내기 명령어 : EXPORTDGN(DGNEXPORT)     DWG 파일을 DGN 형식으로 내보낼 수 있는 기능을 제공한다.  이 기능은 특히 벤틀리 시스템즈의 마이크로스테이션(MicroStation) 사용자나 프로젝트와이즈(ProjectWise)와 작업하는 고객에게 유용하며, 이를 통해 상호 운용성이 향상된다. DGN 파일은 토목 공학, 건축 등 다양한 분야에서 사용되며, 마이크로스테이션 및 인터그래프 소프트웨어의 주요 파일 형식이다. 아레스 커맨더의 이 기능은 단순한 파일 변환을 넘어 DWG와 DGN 형식 간 스타일 차이를 조정하고 이러한 설정을 저장하는 매핑 설정을 제공하여, 사용자가 더 세밀한 변환을 할 수 있도록 지원한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

캐드앤그래픽스는 SIMTOS 2024 행사 기간 중 4월 4일과 5일에 ‘디지털 제조 & 뿌리산업 컨퍼런스’를 진행했다. AI 제조 혁신과 디지털 트윈을 다룬 ‘디지털 제조 컨퍼런스(4월 4일)’와 스마트 공장 및 뿌리산업의 디지털 전환을 주제로 한 ‘뿌리산업 컨퍼런스(4월 5일)’을 통해 제조 분야 디지털 전환의 흐름을 짚고, 미래 혁신 전략과 사례를 살펴보는 자리가 마련됐다. ■ 정수진 편집장     한국공작기계산업협회의 김경동 선임본부장은 개회사에서 “최근 AI 기반 자율 제조와 디지털 전환의 가속화 등 트렌드가 제조산업의 변화와 혁신을 요구하고 있다. 이러한 변화와 혁신에 대응하기 위해서는 더욱 스마트하고 효율적인 생산 방식을 채택하여 산업 경쟁력을 강화하고, 지속 가능한 발전을 이룰 수 있도록 해야 한다”고 짚었다. 그리고 “이번 행사를 통해 변화에 대응하기 위한 해결책으로서 반도체, 자동차, 조선 등 수요산업과 절삭, 가공 산업의 AI 자율 제조 구현을 살펴보는 동시에, 제조업의 당면 과제 해결을 위한 다양한 솔루션과 방향성을 찾는 기회가 마련되길 바란다”고 전했다. 4월 4일 ‘디지털 제조 컨퍼런스’에서는 ‘AI 제조 혁신과 디지털 트윈’을 테마로 5편의 발표가 진행됐다. DN솔루션즈의 이병곤 부사장은 ‘절삭 가공 산업의 AI 기반 자율 제조’에 대해 소개하면서, 절삭 가공 등 공작기계 산업의 자율 제조 시스템 구축을 위한 모티베이션으로 반도체 산업과 자동차 산업의 사례를 들었다. 반도체 산업의 경우 지난 수십 년간의 노력을 통해 높은 수준의 무인 자동화를 이뤘으며, 2030년까지 공장 장비의 유지보수까지 무인화하는 자율제조 체계 구축을 추진하고 있다. 반면 공작기계 산업에서는 자동화의 진행이 상대적으로 느린 상황이다. 이병곤 부사장은 “자율주행자동차의 발전 단계외 비슷한 아키텍처를 공작기계 산업의 자율 제조에도 적용할 수 있을 것”이라고 짚었다. 이병곤 부사장은 다수 장비의 자율 운영을 위한 표준화 및 공장 전체의 엔지니어링 데이터와 운영 시스템을 통해 공장의 자율제조 구현이 가능할 것으로 보았다. 그리고 “DN솔루션즈는 데이터 플랫폼, 제조 실행 플랫폼, 의사결정 플랫폼 등 세 가지 플랫폼을 중심으로 공장의 디지털 트윈 및 표준 제어 솔루션 등 전체 아키텍처를 구성하고, 상향식(bottom-up)으로 필요한 기능을 갖추면서 AI 기반의 자율제조 비전을 실현해 나가고자 한다”고 전했다.   ▲ DN솔루션즈 이병곤 부사장   네이버 클라우드의 하정우 센터장은 ‘챗GPT 1년, 초거대 AI가 불러온 변화와 우리의 전략’을 주제로 발표를 진행했다. 발표에서는 올해 생성형 AI(generative AI)의 주요한 트렌드로 ▲글/그림/영상/오디오 등 다양한 AI 서비스의 본격화 ▲스마트폰이나 로봇 등에 탑재되는 온디바이스(on-device) AI ▲AI의 안전성과 책임을 강화하기 위한 노력 ▲실제 산업과 일상생활에서 의미 있는 성과 창출 ▲사람의 편향성이 투영된 합성 데이터의 문제 해결 등을 꼽았다. 하정우 센터장은 “제조산업은 생성형 AI의 도입이 상대적으로 늦을 것이라는 시각도 있지만, 결국 모든 산업이 생성형 AI의 영향을 받을 것”이라면서, “현장 전문가의 지식과 노하우를 AI가 학습함으로써 지속가능한 기술 공유 및 기업 능력 강화가 가능하며, 제조산업에 특화된 데이터를 활용해서 생성형 AI를 만들고 이를 로봇과 연계해 생산성을 높일 수 있다. 이처럼 아날로그 시대에 정의된 프로세스를 디지털화하는 것에 그치지 않고, 새로운 기술을 고려해 프로세스 자체를 새롭게 정의해야 디지털 전환의 효과를 크게 만들 수 있을 것”이라고 전했다.   ▲ 네이버 클라우드 하정우 센터장   HD현대미포의 김희원 상무는 ‘조선산업의 설계-생산이 일관화된 디지털 생산 플랫폼 구축 전략과 현황’에 대해 소개했다. 글로벌 환경규제, 경쟁국가와의 격차 감소, 고숙련 인력의 부족 등은 조선산업이 해결해야 할 과제로 꼽힌다. 이에 따라 HD현대미포는 조선해양 산업의 미래 비전 수립하고 해양 모빌리티, 해양 디지털 솔루션, 해양 에너지 밸류체인의 구축 등을 추진하고 있다. 김희원 상무는 지능형 미래 조선소를 구현하기 위한 HD현대미포의 노력을 소개했다. HD현대미포는 네이버와 함께 대규모 AI 도입을 진행하는 한편, 지멘스와 협력해 4세대 조선 CAD 개발을 진행 중이다. 특히 디지털 조선소를 구현하기 위해 설계와 생산이 일관화된 디지털 제조 환경을 마련하는 데에 주력하고 있는데, 가상 공간에서 설계와 생산 검증을 진행하고 자동화 운영까지 단일 환경 기반으로 구현하는 것이 핵심이다. 또한, 김희원 상무는 BOM 자동 구축, 생산 공장의 시뮬레이션 기반 최적화, 시뮬레이션-생산 설비 연결, 생산 자동화 장비 개발 등 선박 블록 생산을 위한 디지털 매뉴팩처링 체계 구축 사례도 소개했다.   ▲ HD현대미포 김희원 상무   KAIST의 장영재 교수는 ‘AI 자율제조의 미래와 유연 공작셀 소개’를 주제로 한 발표에서 로봇이 자재를 갖고 필요한 공정으로 움직여 작업을 하는 셀(cell) 기반의 자동화 시스템이 전통적인 컨베이어 벨트 생산 시스템을 대체하고 있다고 전했다. 셀의 개념은 1980년대에 등장했지만 최근 기술의 발전에 힘입어 본격화되고 있다는 것이다. 장영재 교수는 “최근에는 자동화를 넘어서 자율화, 무인화로 패러다임이 바뀌고 있다”면서, “컨베이어 벨트를 대신하는 로봇, 인식과 판단을 위한 인공지능, 디지털 트윈 기반의 가상 검증, 소프트웨어의 원격 구축 및 업그레이드를 돕는 클라우드 등의 기술을 통해 변화하는 환경을 기계가 스스로 인식하고 자율적으로 판단, 행동하는 자율제조가 공장에 적용되고 있다”고 짚었다. 또한, 장영재 교수는 이런 자율제조 유연셀을 구현하기 위한 기술 개발 사례도 소개했다. 여기에는 ▲디지털 트윈을 통한 로봇의 가상 검증 및 로봇 동선 자동 설계 ▲외국인 작업자가 생산 스케줄을 수립/운영할 수 있는 LLM(대규모 언어 모델) 기반 스케줄링 자율화 ▲이기종 로봇의 연결 및 단일 소프트웨어 기반 제어 등이 있다.   ▲ KAIST 장영재 교수   포스코DX의 김미영 상무는 ‘제조 혁신의 미래, 디지털 트윈 추진 사례’를 주제로, 제조산업의 생존과 경쟁력 강화를 위한 디지털화 전략을 제시했다. 김미영 상무가 꼽은 제조 디지털 전환 접근법은 ▲스마트한 현장의 센싱 ▲스마트한 현장 관찰 ▲스마트한 분석과 판단 ▲스마트한 시뮬레이션 ▲스마트한 제어 등 다섯 가지이다. “제조산업의 당면 과제 해결과 생존을 위해서는 기존 산업의 도메인 지식에 IT 기술을 접목해 디지털 전환을 추구해야 한다”고 짚은 김미영 상무는 “포스코는 세계 시장에서 경쟁력 있는 철강기업으로 자리매김하고자 지난 2015년부터 스마트화를 추진해 왔으며, 가상 환경에서 전체 가치사슬을 모니터링 및 시뮬레이션하고 실시간 원격 제어가 가능한 디지털 트윈 공장을 구축하고 있다”고 소개했다. 지능화 공장을 통해 제조 현장의 폭넓은 문제 해결 및 최적의 의사결정이 가능할 것으로 전망한 김미영 상무는 전체 공장에 걸쳐 연결과 협업을 중심으로 하는 ‘초연결 메타 팩토리’로 나아간다는 포스코의 비전을 소개했다.   ▲ 포스코DX 김미영 상무   같이 보기 : [포커스] 뿌리산업 컨퍼런스, 제조산업의 디지털 전환을 위한 노력 짚다     ■ 기사 내용은 PDF로도 제공됩니다.

              SW 소식 >             BARAM v24.1.0 공개 >             BARAM v24.1.0이 공개되었습니다. BARAM v24.1.0에는 밀도 기반 압축성 솔버와 Batch Process 등 다양한 기능이 포함되어 있습니다. (링크)를 누르시면 BARAM v24.1.0 안내 페이지로 이동합니다.  이외에도 baramFlow tutorials 6개, baramMesh tutorials 1개가 추가되었습니다. (링크)에서 확인해주세요.             baramFlow New Features 밀도 기반 압축성 솔버 및 Far-field Riemann 경계 조건 추가 (TSLAeroFoam) User Parameters 기능 추가 Batch Process 기능 추가 User Parameters를 조합하여 순서대로 계산 실행 가능 격자 정보 확인 기능 추가 (격자 갯수, 해석 영역 크기, 최대/최소 격자 체적) baramFlow Improvement Realizable k-ε 모델의 벽함수 개선 정상 상태 계산을 비정상 상태 계산의 초기값으로 사용하는 기능 추가 cell zone source term에 단위 표시 계산 종료 시, 종료 팝업 창 띄우는 기능 추가 특정 경계면은 이름에 따라 경계 조건 자동 부여 다상 유동의 정상 상태 계산 시 maximum Courant number 설정 가능             baramMesh New Features snap 단계에서 Implicit Feature Snapping 지원 baramMesh Improvement 형상 이름의 공백에 _ (underscore) 자동 추가 Region 단계에서 고체 영역만 설정하도록 기능 개선                                     BARAM ARM 64 버전 Azure Marketplace 공개 >              Azure Marketplace에서 사용할 수 있는 BARAM CFD Package가 공개되었습니다. 이제 고사양의 HPC (High Performance Computing) 없이도 BARAM을 이용하여 복잡한 CFD 계산을 돌릴 수 있습니다.  Azure Marketplace에서 NEXTFOAM BARAM을 검색하시거나 (링크)를 클릭하시면 Azure Marketplace에 등록되어 있는 BARAM CFD Package를 사용하실 수 있습니다.                         교육 소식 >             4월 CAE / AI 엔지니어를 위한HPC 교육 >             CAE / AI 엔지니어를 위한 HPC 교육 4월 CAE / AI 엔지니어를 위한 HPC 교육 일정을 안내드립니다. HPC 환경에서 OpenFOAM 수행 방법 및 병렬 AI 학습 방법 / HPC 구축 실습을 통해 HPC의 개념 이해 / 최적 성능을 도출할 수 있는 방안 및 효율적인 HPC 관리 방안을 목표로 교육이 진행됩니다. 일정 : 4월 24일 ~ 4월 25일 (링크)를 클릭하시면 4월 CAE/ AI 엔지니어를 위한 HPC 교육 내용을 확인하실 수 있습니다.                         일반 소식 >             2024년 AI CFD 춘계 워크샵              지난 2월 29일 서강대학교 AS관 509호에서 AI CFD 워크샵이 있었습니다. GIST 최성임 교수님, 인하대학교 고승찬 교수님, KAIST 이승철 교수님을 비롯하여 AI CFD를 주제로 연구하시는 분들과 모임을 가지는 뜻 깊은 시간이었습니다.  이 자리에서 PINN (Physics-Informed Neural Network)를 비롯하여 FNO, DeepONet 등 Neural Network를 CFD에 적용한 연구 및 활용 성과에 대해 의견을 나누었습니다.  저희 회사에서도 이보성 박사님께서 NEXTFOAM 연구 성과 및 근황을 주제로 발표를 진행해주셨습니다.                         WHAT IS OPENFOAM? OpenFOAM은 오픈소스 CFD 소프트웨어이다. GNU GPL 라이센스를 사용하고 있어 누구나 자유롭게 사용이 가능하며 수정 및 재배포를 할 수 있다.       WHAT IS MESHLESS CFD? 질점격자 기반의 CFD해석 기법으로 FVM해석 기법의 보존성을 갖추고 있으며 전처리 작업시간을 획기적으로 줄일 수 있습니다.FAMUS는 무격자 기법의 CFD 해석 SW 입니다.       WHAT IS BARAM SERIES? BARAM은 넥스트폼이 개발한 OpenFOAM CFD 해석 프로그램입니다. 넥스트폼이 개발한 OpenFOAM Solver와 Utility를 GUI 기반으로 사용이 가능합니다.           수신거부