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.

제품 개발 혁신을 가속화하는 크레오 파라메트릭 10.0 (11)   PTC 매스캐드 프라임(PTC Mathcad Prime)은 엔지니어링 계산을 수행하고 분석 및 공유하는 엔지니어링 수학 소프트웨어이다. 매스캐드 프라임은 수학적인 표기법, 강력한 호환 기능 그리고 개방적인 구조로 사용하기 쉽고, 엔지니어의 극단적인 설계와 공학 프로세스에 최적화하게끔 구성되어 있다.  이번 호에서는 매스캐드 프라임 9.0에 대해 예제를 통해 배워보자.   ■ 김주현 디지테크 기술지원팀의 차장으로 크레오 전 제품의 기술지원 및 교육을 담당하고 있다. 이메일 | sskim@digiteki.com 홈페이지 | www.digiteki.com   매스캐드 프라임의 UI 매스캐드 프라임은 다음과 같이 리본 UI(사용자 인터페이스)를 구성하고 있다.   수학 사용자가 직접 수학 계산에 필요한 입력 값과 연산자 입력/활용할 수 있다.     입력/출력 작업 시트나 엑셀 같은 문서의 가져오기/내보내기 기능을 할 수 있다.      함수 복잡한 수학 함수 미적분 방정식, 벡터/행렬 함수 기능을 사용할 수 있다.       행렬/표 행렬, 표 테이블, 벡터의 생성과 편집을 할 수 있다.     도표 계산 결과에 대한 도표를 생성할 수 있다.     계산 서식 지정 계산 값 서식에 대한 폰트, 소수점 자리 수 등을 편집할 수 있다.     텍스트 서식 지정 사용자가 입력한 텍스트에 대한 폰트, 배치 등을 편집할 수 있다.     계산 계산 서식 틀이나 내용에 대한 에러 처리 방법을 확인할 수 있다.     문서 텍스트 입력 창, 프레임 표시, 머리글/바닥글 등 작업 시트 상의 전체 양식을 편집할 수 있다.     리소스 매스캐드에 대한 자습서 및 도움말 등을 이용할 수 있다.     방정식 입력 및 계산 그럼 지금부터 예제를 통해 매스캐드에서 기본적인 방정식(수학식)을 입력해보자. 새로운 빈 워크시트에서 마우스를 클릭하면 파란색 십자선이 표시된다. 이 십자선은 계산 영역이나 텍스트 영역을 표시해주는 것으로, 격자선을 클릭하거나 화살표 키를 누르면 위치가 변경된다. 예제를 통해 다음의 식을 삽입해보자.     먼저 빈 공간에 ‘19’를 입력한다. 입력한 숫자에 그림과 같이 박스가 생성되는 것을 볼 수 있다. 이 박스가 계산 영역이 된다. 다른 곳을 클릭한 후에도 다시 ‘19’를 클릭하면 계산 영역이 활성화된다.     ‘19+5’를 입력한 후 연산자 아이콘을 클릭하여 거듭제곱을 사용해보자. 연산자를 활성화하여 거듭제곱근을 클릭한다. 괄호 안의 값은 단축키이므로 자주 사용하는 기호는 단축키를 확인해둘 수 있다.        ■ 자세한 기사 내용은 PDF로 제공됩니다.

데이터 클라우드 기업 스노우플레이크가 프랑스의 AI 솔루션 제공업체 미스트랄 AI(Mistral AI)와 파트너십을 맺고, 플래그십 대규모 언어 모델(LLM)인 ‘미스트랄 라지(Mistral Large)’를 스노우플레이크 데이터 클라우드 플랫폼에 적용한다고 밝혔다. ‘미스트랄 라지’는 고유한 추론 능력을 갖춘 LLM 모델로 코딩과 수학에 능숙하고 한 번의 요청으로 수백 페이지에 달하는 문서를 처리할 수 있다. 프랑스어, 영어, 독일어, 스페인어, 이탈리아어, 5개 언어 처리가 가능한데, 기존 생성형 AI 모델과 ‘대규모 다중 작업 언어 이해 측정(MMLU)’을 비교하는 과정에서 성능을 입증했다. 이와 함께, 미스트랄 AI의 최초 기본 모델인 ‘미스트랄 7B’와 오픈소스 모델 ‘믹스트랄(Mixtral) 8x7B’에 대한 엑세스 제공 및 스노우플레이크 산하 벤처 캐피탈인 스노우플레이크 벤처스(Snowflake Ventures)의 미스트랄 AI에 대한 시리즈 A 투자 등도 이번 파트너십 발표에 포함됐다. ‘미스트랄 7B’는 낮은 지연 시간과 메모리 요구사항에 비해 높은 처리량을 갖춘 것이 특징이고, ‘믹스트랄 8x7B’는 여러 성능 비교에서 챗GPT3.5보다 빠르고 품질이 우수한 것으로 나타났다. 미스트랄 AI의 모델들은 ‘스노우플레이크 코텍스(Snowflake Cortex)’에서 프리뷰 공개 형태로 고객에게 제공된다. 스노우플레이크 코텍스는 스노우플레이크 플랫폼에서 생성형 AI를 활용할 수 있는 완전 관리형 LLM 및 벡터 검색 서비스이다. AI/ML 기술 없이도 쉽고 강화된 보안 환경에서 생성형 AI를 활용할 수 있는 서비스로, 기업 고객은 데이터에 대한 보안, 개인 정보 보호 및 거버넌스는 유지하면서 데이터를 빠른 속도로 분석하고 AI 앱을 구축할 수 있다.     스노우플레이크는 2023년 감정 분석, 번역, 요약과 같은 특수 작업을 위한 LLM을 지원하는 코텍스를 처음 공개했다. 또한, 메타(Meta)의 ‘라마2(Llama 2)’ 모델을 시작으로 검색증강생성(RAG)을 포함한 기본 LLM 지원을 늘리고 있다. 스노우플레이크는 미스트랄 AI와의 파트너십을 통해 생성형 AI에 대한 투자를 이어가면서, 기본형 LLM을 스노우플레이크 코텍스에서 제공해 기업이 다방면 비즈니스에 최첨단 생성형 AI를 도입할 수 있도록 지원하고 있다. 스노우플레이크 코텍스 LLM 기능이 공개 프리뷰되면서, 스노우플레이크 기업 고객은 기업 고유의 데이터를 바탕으로 다양하게 AI를 활용할 수 있게 됐다. SQL 기술을 갖춘 사용자라면 누구나 수 초 내에 감정 분석, 번역, 요약과 같은 특수 작업을 비용 효율적으로 진행할 수 있다. 파이썬 개발자라면 스노우플레이크 코텍스에서 제공하는 미스트랄 AI의 LLM은 물론, 곧 공개될 스노우플레이크 스트림릿(Streamlit)의 대화형 기능을 통해 수 분 내에 챗봇과 같은 풀스택 AI 앱을 개발할 수 있게 된다. 간편해진 경험과 높은 수준의 보안은 역시 곧 공개될 스노우플레이크의 통합 벡터 기능과 벡터 데이터 유형을 통해 RAG에도 동일하게 적용될 예정이다. 스노우플레이크의 슈리다 라마스워미(Sridhar Ramaswamy) CEO는 “스노우플레이크는 미스트랄 AI와의 파트너십을 통해 최정상급 성능의 LLM을 고객에게 직접 제공하고, 사용자는 간편하면서도 혁신적인 AI 앱을 구축할 수 있게 되었다”면서, “스노우플레이크 코텍스를 통해 더 많은 기업이 데이터 클라우드의 보안과 개인 정보 보호는 강화하고 새롭고 경제적인 AI 사용 사례를 만들어 내기를 바란다”고 말했다. 미스트랄 AI의 아르튀르 멘슈(Arthur Mensch) CEO는 “미스트랄 AI는 전세계적으로 기업이 생성형 AI 활용에 더 가까워지도록 고성능, 고효율에 신뢰할 수 있는 AI 모델을 개발하겠다는 스노우플레이크의 목표에 공감한다”면서, “스노우플레이크 데이터 클라우드에서 미스트랄 AI의 모델을 활용함으로써, 고객이 민주화된 AI를 경험하고 더 큰 가치를 창출하는 고도화된 AI 앱을 생성할 수 있기를 기대한다”고 전했다.

제조업 DX, 3D 데이터의 목표는? (2)   제조산업의 디지털 전환(DX)을 위해서는 3D 설계 데이터를 제조 프로세스 전반에 효율적으로 공유하고 활용하는 것이 중요하게 여겨진다. 지난 호에 이어 이번 호에서도 3DA(3D Annotated Model) 모델의 배포, 3D 데이터의 변환, 설계 품질의 자동 검증이 왜 필요한지 짚어보고, 이를 구현하기 위한 엘리시움(Elysium)의 기술에 대해 소개한다. 이 글의 내용은 '100 Digital Transformation Cases'라는 책에 기고된 기사를 재편집한 것이다.   ■ 자료 제공 : 아이지피넷   성공적인 3DA 모델 배포의 열쇠 - 데이터 품질 단순 변환만으로는 충분하지 않다 지난 호에서 3D 데이터를 다른 포맷으로 높은 정확도로 변환하는 기술의 어려움과 중요성에 대해 설명했다. 하지만, 사실 변환 중에 단순히 왼쪽에서 오른쪽으로 정보를 전송하는 것만으로는 3DA 모델의 원활한 배포를 얻을 수 없다. 중요한 것은 변환된 데이터의 품질이다. 이러한 맥락에서 품질은 ‘요구 사항을 얼마나 잘 충족하는지’이다. 회사별, 부서별, 툴별 노트와 속성에 대한 요구사항, 규칙, 표현방법 등 다양한 요구사항이 존재하며, 그 품질을 확인하기가 쉽지 않다. 이러한 이유로 엘리시움은 고객의 맞춤화를 전제로 데이터 변환 및 품질 검사를 수행하는 도구를 개발했다. 품질 확인 프로세스와 표준화 프로세스를 분리하고 3DA 모델의 배포를 촉진하는 것이 아이디어이다. 커스터마이징을 전제로 하는 제품의 예로는 ENF 에디터(ENF Editor)가 있다. 엘리시움의 독자 파일 형식인 ENF(Elysium Neutral File) 데이터를 사용하여 고객이 변환 방법을 자유롭게 구성할 수 있는 도구이다. 예를 들어, 특정 속성에 부착한 후 특정 색상으로 부품을 변환하는 것과 같이 회사와 부서 간의 차이에 따라 고급 변환을 수행할 수 있다. ENF 에디터에서 데이터 변환에 대한 규칙을 설정하면 버튼 터치로 원하는 데이터를 출력할 수 있으며, 번거로움 없이 3DA 모델의 배포를 실현할 수 있다.   그림 1. 데이터 변환 사용자 지정의 예   두 가지 유형의 품질 검사 데이터 품질을 보장하는 두 가지 주요한 방법이 있다. 단일 데이터를 확인하는 검증과 원본 데이터와 변환된 데이터가 동일한지 확인하는 신원 검증은 모두 필수 프로세스이다.   설계 데이터를 단일 단위로 확인 PDQ(제품 데이터 품질) 검증 애초에 데이터의 유효성을 검사하고 수정해야 하는 이유는 무엇일까? 여기에는 네 가지 이유가 있다. 첫 번째는 CAD 소프트웨어와 시스템마다 곡선과 표면의 수학적 표현이 다르다는 것이다. 두 번째는 각 CAD가 요소 간의 연결 정도를 나타내는 위상 정보에 대해 서로 다른 한계를 갖는다는 것이다. 이러한 표현 및 사양의 차이로 인해 서로 다른 소프트웨어와 시스템 간의 데이터 호환성이 낮아진다. 세 번째 이유는 CAD 소프트웨어마다 설정한 공차 값이 다르기 때문이다. 예를 들어, 한 소프트웨어는 가장자리가 0.1mm 미만인 경우 두 가장자리의 끝점이 일치한다고 인식하지만, 다른 소프트웨어는 허용오차 값이 훨씬 더 작기 때문에 가장자리를 별개의 것으로 취급한다. 네 번째는 데이터 생성 과정에서 운영자 자신이 알아차리기 어려운 인적 오류의 발생이다. 여기에는 미세한 단계와 겹치는 표면이 포함된다. 이러한 모든 데이터 결함을 수동으로 찾는 것은 불가능하다. 따라서 엘리시움은 이러한 결함을 자동으로 감지하고 자동으로 수정하는 소프트웨어를 개발하고 있다. 이 소프트웨어는 모든 CAD 소프트웨어 파일 형식과 호환된다. 데이터 검증 시 후처리에 사용할 CAD의 종류를 설정하면 최적의 검증 항목이 자동으로 설정되며, 사용자를 헷갈리지 않는 세부적인 기능을 가지고 있다. 설계 데이터의 자동 수정은 사용자가 다양한 파라미터를 임의로 설정할 수 있는 것도 중요하고, 용도에 따라 유연한 가공을 할 수 있다. 예를 들어, 제품을 성형할 때 중요한 표면의 매끄러움을 우선시하고 싶다면 멀리 있는 면의 연속성을 유지하고 수정하도록 설정할 수 있다. 또한 수정하는 대상 표면을 제한할 수 있으며, 설계에 중요한 디자인 표면은 전혀 변경되지 않도록 미리 지정할 수 있다. 이처럼 디지털화와 자동화를 목표로 하고 있더라도 단순히 한 번에 처리하는 것이 아니라, 세부적으로 커스터마이징할 수 있는 것이 실제로 필요하다는 것을 인식하는 것이 중요하다.   ■ 상세한 기사 내용은 PDF로 제공됩니다.

우리는 이미 플랜트 엔지니어링을 알고 있다 박정호 지음 | 1만 8,000원 | 플루토   플랜트는 우리가 쓰는 작은 생필품부터 전기나 석유, 가스 같은 에너지까지 생산하는 공장을 말한다. 이 플랜트를 만드는 플랜트 엔지니어링은 많은 사람이 잘 모르는 분야이다. 하지만 플랜트에서 생산된 물건을 하루 종일 쓰고 있는 만큼 플랜트 엔지니어링은 우리 일상과 아주 밀접한 관련이 있다. 더욱이 우리나라 주요 수출 품목이라는 사실도 의미가 있다. 하나의 플랜트는 수십 개의 장치로 구성되고, 이 장치들로 시스템을 구성하여 운영된다. 플랜트 자체도 낯선데, 플랜트 엔지니어링에 쓰이는 장치와 시스템의 원리를 일반인이 이해하기란 아주 어려워 보인다. 수학과 공학을 종합적으로 활용하는 분야이기 때문에 더욱 그렇다. 그런데 플랜트 엔지니어링에 쓰이는 장치나 시스템의 원리가 일상에서 쓰는 다양한 제품의 작동 원리와 비슷하다는 것을 안다면 좀 더 친숙하게 느껴질 것이다. 이러한 예는 생활에서 쉽게 찾아볼 수 있다.  필수 가전제품인 냉장고와 에어컨의 작동 원리는 플랜트 시설에서 어떻게 활용될까?  냉장고와 에어컨은 냉매를 압축해 각각 냉장고 내부 온도와 실내 온도를 낮춰준다. 플랜트에서도 냉매를 이용한 냉각 장치인 열교환기로 필요한 물질들을 냉각한다. 다양한 물질을 분리하거나 서로 반응시키는 과정에서 열을 가하거나 열이 발생하는 경우가 많기 때문이다. 그럼 세탁기의 탈수 기능은 플랜트에 어떻게 활용될까?  세탁기는 세탁물을 탈수할 때 원통을 회전시켜 강력한 원심력을 만들어 빨래의 물을 제거한다. 원심력은 원운동을 하는 물체에 작용하는, 원의 바깥으로 나아가려는 힘이다. 플랜트에서는 이 원심력을 이용하는 원심분리기 장치로 액체 혹은 기체가 섞여 있는 여러 혼합물을 분리한다.  가정용 정수기의 정수 원리도 플랜트 시설에서 활용될 수 있을까? 물론이다.  가정용 정수기는 역삼투압 원리를 이용해 수돗물을 정수한다. 정수기 내부에 역삼투막을 세워두고 압력을 가해 물 분자만 한쪽으로 분리해 깨끗한 물을 만들 수 있다. 오염된 하수를 처리하는 수처리 플랜트나 바닷물을 담수로 바꾸어 공급하는 담수 플랜트에서도 정수기의 이러한 역삼투압 원리를 적용해 깨끗한 물을 생산한다.  이렇게 가정에서 일상적으로 사용하는 냉장고와 에어컨, 세탁기, 정수기 같은 물건의 작동 원리가 사실 플랜트에서 쓰는 핵심 장치의 원리와 비슷하다. 박정호 저자는 전작 《처음 읽는 플랜트 엔지니어링 이야기》에서 플랜트의 대중화를 위해 플랜트 전반에 대해 폭넓게 집필했다. 이번 《우리는 이미 플랜트 엔지니어링을 알고 있다》에서는 실제 생활과 관련 있는 여러 예시를 들며 플랜트의 설계, 장치와 시스템 하나하나를 상세하게 다룬다. 플랜트 엔지니어링에 별 관심이 없던 일반 독자도 흥미를 가지고 자세히 알아갈 수 있는 심화 편이라고 할 수 있다.   

멀티피직스 해석, Strand7   주요 CAE 소프트웨어 소개   ■ 개발 정보 : Strand7 Pty Ltd, www.strand7.com  ■ 자료 제공 : 씨앤지소프텍, 02-529-0841, www.cngst.com Strand7(스트랜드7)은 복잡한 모델을 정확하게 분석하기 위한 고도의 자동화된 모델링 기능을 이용하여 구조, 열, 전자기 및 유체, 동역학 등을 포함하는 멀티피직스 문제를 간편하게 분석할 수 있는 유한요소 모델링 기능과 강력한 해석 솔버를 제공하고 있는 범용 유한요소 해석 소프트웨어이다. 2. 주요 특징 (1) 파라메트릭 및 기하 모델링 직관적이고 쉬운 그래픽 사용자 인터페이스는 전체 모델링 프로세스를 처음부터 끝까지 작업이 가능하다. 번거로운 Geometry 수정 작업을 거치지 않고 바로 모델링 작업을 수행할 수 있으며, 국부적인 영역에 대한 메시 사양을 정의와 CAD와의 커플링을 통해 CAD에서 정의한 영역 및 파라미터 정보를 가져올 수 있다.  (2) General Equation Input 수학 방정식을 사용하여 다양한 수식 데이터를 입력할 수 있다. (3) 모델 호환 DXF, IGES, STEP, Stereo-Lithography file Import / Export MSC/NASTRAN, ANSYS, STAAD-Pro, SAP2000 file Import / Export. (4) 요소 및 재료 Strand7은 1D Beam, 2D Plate & Shell, 3D Brick, Con-tact, Cable, Damper 등의 다양한 요소 및 전 세계 다양한 규격의 Beam Library를 제공한다. Strand7은 Isotropic, Orthotropic, Anisotropic, Lami-nate, Rubber, Carbon Fiber, Glass, Timber, Fluid, Soil 및 사용자정의 재료 물성을 지원한다.   (5) Automatic Mesh Generation Strand7에는 매우 직관적이고 간편한 강력한 자동 Mesh Generation 기능이 포함되어 있다. 이 기능은 자동 Mesh Generation 기능을 이용하여, 2D Plate/Shell 모델링이나 3D Brick 모델링을 매우 빠르고 간편하게 생성할 수 있다. (6) Verification Tools 복잡한 매시와 수치 입력 데이터의 검증을 그래픽을 통하여 체크할 수 있는 툴로, 구조물에 입력 오류나 입력 위치 등을 그래픽 Contour를 사용하여 사용자가 쉽게 검증하고 찾을 수 있도록 제공한다. (7) API 함수 기능 Strand7 API (응용 프로그래밍 인터페이스)를 사용하면 외부 컴퓨터 프로그램을 통해 Strand7과 상호 작용할 수 있다. Strand7 API에서 지원되는 언어는 C, C ++, C #, Pascal, Delphi, Visual Basic, FORTRAN, Matlab, Python 등 Win-dows DLL 파일을 동적으로 구성할 수 있는 모든 프로그램 언어이다. (8) 해석 기능 Strand7은 정적해석, 동적해석, 재료비선형해석, 열전달과 열응력해석까지 매우 다양한 해석을 수 행할 수 있다. Strand7의 Solver 기능은 다음과 같다. - Linear & Nonlinear Static - Natural Frequency - Response Spectra and Harmonic Dynamic - Linear and Nonlinear Transient Dynamic - Linear and Nonlinear Buckling - Heat Transfer & 콘크리트 수화열 - Collapse, 피로도 & Creep  - 대변형 해석 (현수교, 사장교, Cable Structure) - Laminated 복합소재 해석 - 막구조(Membrane) 해석 - 이동하중 해석 (영향선 및 영향면) - 시공단계별 해석 - 지반 해석 (9) Post Processing Strand7은 해석된 결과를 응력도, 변위, Cutting Plane, 그래프, 레포트 등의 다양한 플롯 기능과 3차원 애니메이션 기능을 통해 명확하고 정확한 분석이 가능하다.   3. 적용 분야 Strand7은 건축/토목 강구조, 콘크리트 구조, 지반구조물 등에 활용 가능하고, 중공업 분야와 기계 분야, 항공기/선박디자인, 의용공학, 전자기, 복합소재 등 다양하고 광범위한 분야의 설계 분야에서 활용이 기능하다. 4. 지원 전략 Strand7 지속적인 연구, 개발과 벤치마크 테스트를 통한 검증결과를 및 검증 문서와 예제 파일 사용자에게 제공하고 어떠한 에러 발생시, 사용자에게 문제 해결을 위한 즉각적인 기술 지원을 한다. Strand7은 프로그램에서 사용된 각종 유한요소이론에 대한 설명과 정보들을 자세하게 기술한 Theoretical 매뉴얼을 제공하여 사용자로 하여금 해석 결과에 대한 신뢰도를 더욱 높일 수 있게 한다.     좀더 자세한 내용은 'CAE가이드 V1'에서 확인할 수 있습니다. 상세 기사 보러 가기 

멀티피직스 해석 소프트웨어, Simulation X   주요 CAE 소프트웨어 소개   ■ 개발 : ESI, www.esi-group.com ■ 자료 제공 : 한국이에스아이, 02-3660-4500, www.esi-group.com ESI의 Simulation X(시뮬레이션 엑스)는 복잡한 동적 시스템의 모델링, 시뮬레이션 및 분석을 위한 Multi physics 시뮬레이션 분야에서 잘 알려진 소프트웨어이며, Modelica 언어를 기반으로 한 상용 솔루션으로 다양한 분야에서 활용되고 있다.  개발자는 Modelica 라이브러리부터 상용 라이브러리까지 방대한 라이브러리를 사용하여 개발 모델을 쉽게 구성할 수 있다. 또한 막강한 사용자 에디터 툴(Type designer)을 제공하여 사용자가 기존의 라이브러리를 확장하거나 새로운 라이브러리를 쉽게 제작 및 배포할 수 있다.  FMU(Functional Mock-up Unit)/FMI(Functional Mock-up Interface)를 지원하고 다른 프로그램과 연동하여 계산을 수행할 수 있으며, Multiphysics에 최적화되어 있어 Multi-body system과 Fluid dynamics, Control logic 등 서로 다른 물리 모델을 하나의 모델로 구현할 수 있다.  실제 물리 기반의 통합 라이브러리는 점점 더 복잡해지고 있는 산업 분야에서 확실한 기준으로 Simulation X를 확립하는 데 도움이 되었다. 현재까지 약 27개국 700명 이상의 고객들이 다양한 산업 분야에서 Simulation X를 사용하고 있다. 1. 제품의 주요 기능 및 특징 (1) Easy modeling and Fast calculation 형상 모델링이 필요 없고, 물리 기반 모델링으로 모델 구성이 쉬우며, 시스템 기반의 수학 모델 사용으로 계산 시간이 빠르다. (2) Modular system setup 방대한 시스템 라이브러리를 제공하고, 사용자 라이브러리 툴(Type designer)을 지원한다. (3) Easy coupling FEM, MATLAB, Simulink와 연계 시뮬레이션이 가능하며, FMU/FMI를 지원한다. (4) Model library Modelica 기반의 다양한 라이브러리를 제공하여 모델을 쉽고 빠르게 구성할 수 있다. (5) Optimization 주요 인자의 기여도 분석을 통한 제품 성능 개선을 개발 초기 단계부터 빠르게 검토할 수 있다. (6) Real-time simulation 실시간 해석으로 MiL(Model-in-the-Loop)/SiL(Software-in-the-Loop)/HiL(Hardware-in-the-Loop) 구현이 가능하다.     좀더 자세한 내용은 'CAE가이드 V1'에서 확인할 수 있습니다. 상세 기사 보러 가기 

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (5)   우리는 자연의 법칙이 다양한 과학적 현상을 이끌어낸다는 사실을 알고 있다. 이에 착안하여 과학자와 엔지니어는 자연을 모방해 인간 생활을 이롭게 한다. 보로노이 기하학(Voronoi geometries)의 경우도 비슷하다. 이러한 기하학은 벌집, 해면 구조, 암석 조각, 심지어 인간의 표피 세포와 뼈에서도 널리 볼 수 있다. 이러한 기하학을 CFD(전산 유체 역학) 격자 생성에 적용할 수 있다면 어떨까?   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   그림 1   보로노이 다이어그램 보로노이 다이어그램 또는 티센(Thiessen) 다각형 맵, 또는 디리클레 테셀레이션(Dirichlet tessellation)은 평면이 다각형으로 분할되고 각 다각형이 하나의 생성지점을 포함할 때 형성된다. 다시 말해, 보로노이 다이어그램에서는 각 점이 다른 모든 점보다 자신에게 더 가까운 공간 영역을 ‘소유’한다. 이 분할에 의해 형성된 셀 또는 다각형을 보로노이 다각형 또는 디리클레 영역이라고 한다. 보로노이 다이어그램의 사용은 1600년대로 거슬러 올라가며, 철학자 르네 데카르트가 연구를 위해 우주를 보로노이 다이어그램과 유사한 개념으로 분할한 것과 관련이 있다. 보로노이 다이어그램의 실제 작업과 정의는 1850년 르죈 디리클레(Lejeune Dirichlet)와 1908년 게오리기 보로노이(Georgy Voronoy)라는 두 명의 독일 수학자에 의해 만들어졌다. 따라서 디리클레 테셀레이션 또는 보로노이 다이어그램이라는 이름이 붙었다.   보로노이 다이어그램을 이용한 콜레라 발병 예측 보로노이 다이어그램의 유명한 활용 사례는 1854년 런던 소호에서 콜레라가 발생했을 때였다. 보건 당국은 콜레라의 확산이 개방된 하수구에서 방출되는 ‘나쁜 공기’ 때문이라고 주장했지만, 의사인 존 스노우(John Snow)는 오염된 물 때문이라고 확신하고 보로노이 다이어그램을 사용하여 이를 증명했다. 스노우는 우선 콜레라 사망자의 지리적 분포를 표시한 지도를 만들었다. 지도의 막대는 사망자 수를 나타내며 특정 워터 펌프(브로드 스트리트(Broad Street) 펌프) 주변의 특정 구역에 사망자가 어떻게 모여있는지 보여준다. 그러나 근처에 다른 펌프도 있었기 때문에 브로드 스트리트 펌프가 수질 오염원인지 확인하기 어려웠다. 조사의 두 번째 단계로, 그는 브로드 스트리트 펌프와 다른 펌프 사이의 동일한 거리를 커버하는 곡선을 그렸고, 이 곡선은 브로드 스트리트 펌프의 보로노이 셀을 정의했다. 지도의 거의 모든 지점이 곡선 내에 있었고, 그는 이 증거를 사용하여 보건 당국에 발병이 수질 오염으로 인한 것이며 그 원인이 브로드 스트리트 펌프임을 확신시켰다.   그림 2. Snow’s spot map     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   최근, 다양한 실험 및 해석에서 축적된 데이터와 인공지능 기술의 발전으로 데이터 기반 설계(Data-Driven Design)가 활성화되고 있다. 특히 해석 데이터를 기반으로 한 메타모델은 빠른 예측 속도의 장점을 이용해 반복적인 예측이 요구되는 최적 설계와 실시간 예측이 필요한 디지털 트윈 분야에서 주로 사용되며, 부품과 시스템의 통합 최적설계나 생산 품질 관리와 같은 다양한 분야로 활용 범위가 확장되고 있다. 이번 호에서는 간단한 사례를 통해 데이터 기반 설계에서 활용되는 딥러닝 기술과 해석 데이터를 이용한 메타모델을 소개한다. 그리고 딥러닝 프로그래밍 작업 없이 해석 데이터 기반 메타모델을 쉽게 생성할 수 있는 다양한 환경과 제작 방법부터, 생성된 메타모델을 다양한 환경에서 효율적으로 사용하기 위해 FMI(Functional Mock-up Interface) 기술로 제작하는 FMU(Functional Mock-up Unit)의 생성 및 사용법까지 다루도록 하겠다.   ■ 권기태 태성에스엔이의 EBU_LF팀 수석매니저로 해석자동화 업무 및 기술지원을 담당하고 있다. 이메일 | gtkweon@tsne.co.kr 홈페이지 | www.tsne.co.kr   메타모델이란 우선, 메타모델의 정의와 활용에 대해 짚고 넘어가보자. 메타모델(metamodel)은 ‘모델의 모델’이라는 의미로, 복잡한 모델을 간소화하여 설명하거나 정의하는데 사용된다. 근사방법(approximation method)을 사용해 원래의 모델을 재모델링함으로써 만들어지는 간결한 형태의 모델을 의미한다. 이러한 메타모델의 정의나 활용은 적용되는 분야에 따라 다르게 사용된다. 우선 기계학습의 메타모델은 다른 기계학습 모델을 이해, 분석, 또는 간략하게 표현하기 위한 목적으로 사용되며, 소프트웨어 엔지니어링 분야에서는 UML을 통해 시스템의 구조와 속성을 추상화하고 표준화하는데 사용된다. 시뮬레이션 및 최적화 분야의 메타모델은 복잡한 시뮬레이션 모델이나 실제 세계의 시스템을 간단한 수학적 모델로 대체하며, 이를 통해 저렴한 비용과 짧은 시간 안에 다양한 시나리오 탐색이나 최적의 해를 찾는 데 활용된다. 시뮬레이션 및 최적화 분야에서도 메타모델은 목적이나 관점에 따라 여러 용어로 불린다. 가장 먼저, 복잡하거나 계산에 많은 비용이 소요되는 모델, 또는 실제 실험을 단순하고 효율적인 형태로 근사화한 모델이란 의미의 대리자 모델(surrogate model)이 있다. 더불어 고차원이나 복잡한 시스템의 동적 거동을 낮은 차원이나 작은 수의 변수를 사용하여 효과적으로 근사화하는 방식의 ROM(Reduced-Order Modeling)이 있다. 또한 데이터를 사용하여 복잡한 시스템의 응답을 모델링하고 최적화하기 위한 통계적 방법이란 의미의 RSM(Response Surface Model)과 최적화 프로그램 안에서 시간이 많이 소요되는 CAE 시뮬레이션을 대신하여 사용되는 대리자 모델인 MOP(Meta-Model of Optimal Prognosis)란 용어도 사용되고 있다.   해석 데이터 기반 메타모델 컴퓨터 하드웨어의 발전과 함께 공학 설계 기술은 실험 중심의 설계에서 시뮬레이션 기반의 설계로 급속도로 전환되었다. 더욱이, 최근에는 실험과 해석에서 축적된 데이터와 인공지능 기술의 발전으로 데이터 기반 설계가 활성화되는 만큼, 데이터 기반 설계에서 사용되는 데이터 기반 메타모델의 중요성도 같이 증가하고 있다. 메타모델은 복잡한 시스템이나 모델을 간단히 표현하기 위해 확보된 데이터를 수학적 기법이나 인공지능 기술로 처리하여 제작한다. 특히, 인공지능과 시뮬레이션 기술의 발전으로 해석 데이터를 활용한 딥러닝 기반의 메타모델이 주목을 받고 있다. 해석 데이터는 측정 데이터와 비교해 입력과 출력 데이터의 노이즈가 적고, 스크립트 자동화를 이용해 원하는 조건으로 데이터를 쉽게 확보할 수 있다는 장점이 있다. 딥러닝 기술을 이용한 메타모델은 복잡한 수학적 지식 없이 구현이 가능하며, 파이썬(Python) 환경에서 작업하기 때문에 파이썬의 강력한 기능을 효과적으로 활용할 수 있다.   메타모델의 활용 해석 데이터를 활용한 메타모델은 빠른 예측 속도의 장점을 활용하여 반복적이거나 실시간 예측이 필요한 분야에서 주로 사용된다. 그러나 해당 메타모델은 해석 데이터를 생성할 때 사용된 변수로만 입력 값이 제한되기 때문에, 설계인자가 고정된 상황에서만 적합하다는 단점이 있다. 이러한 메타모델의 장단점을 고려하여 활용 가능한 분야를 도출하면 <그림 1>과 같다. 설계 최적화 및 민감도 분석 : 반복적으로 사용되는 빠른 예측 복잡한 시스템의 최적설계 : 요소부품과 시스템의 통합적 최적설계에서 부품 메타모델 생산 품질 관리 : 설계가 확정된 후 생산 과정의 변동 관리 디지털 트윈 : 설비의 운용 효율을 최적화하기 위해 실시간 예측   그림 1. 디지털 엔지니어링의 구성 요소   ■ 자세한 기사 내용은 PDF로 제공됩니다.