앤시스 워크벤치를 활용한 해석 성공사례   앤시스 차지 플러스(Ansys Charge Plus)는 재료의 충전과 방전 현상을 분석하기 위한 시뮬레이션 프로그램으로, 2021년에 국내에 처음 도입되었다. 앤시스 차지 플러스를 이용하면 그동안 해석하기 어려웠던 Air ESD(비접촉 정전기 방전)를 쉽고 간단하게 해석할 수 있다. 이번 호에서는 Air ESD의 영향을 평가하고 방전을 방지하거나 줄이기 위한 앤시스 차지 플러스의 사용법에 대해 간단하게 소개하고자 한다.   ■ 김대현 태성에스엔이 EBU HF팀 매니저로 RF/Antenna 해석 및 Ansys EMC & Charge Plus에 대한 기술지원을 담당하고 있다. 이메일 | dhkim22@tsne.co.kr 홈페이지 | www.tsne.co.kr   앤시스 차지 플러스는 EMA3D Charge의 후속 버전으로, 2021년 9월에 출시되었다. 앤시스 차지 플러스는 앤시스의 다른 전자기장, 유동 제품군과 연동이 용이하고, 앤시스 디스커버리(Ansys Discovery) GUI를 사용하여 프로그램 접근성이 뛰어나다. 앤시스 차지 플러스는 항공우주, 전기전자, 자동차 산업과 같은 다양한 분야에서 대전, 입자 이동, 아크(arc) 등의 문제를 예방하거나 해결할 수 있다. 또한, 멀티피직스 시뮬레이션을 통해 플라스마 및 ESD와 관련된 다양한 현상을 정확하고 빠르게 해석할 수 있고, Air ESD 문제를 효과적으로 해결할 수 있다.   앤시스 차지 플러스 소개 앤시스 차지 플러스는 과거 ‘EMA3D Charge’라고 불리던 시뮬레이션 툴이 리뉴얼되어 ‘차지 플러스’로 이름이 바뀌었다. 간략하게 소개를 하자면 ‘앤시스 EMC 플러스(Ansys EMC Plus)’와 ‘앤시스 차지 플러스(Ansys Charge Plus)’로 구분된다. EMC 플러스의 경우 플랫폼 단위에서 Electromagnetic Cable을 모델링 혹은 EMC 해석을 진행할 때 유용한 시뮬레이션 소프트웨어이고, 차지 플러스는 다수의 솔버를 이용한 멀티피직스 해석이 가능한 시뮬레이션 솔루션이다. 앤시스 차지 플러스는 시간 도메인(time domain) 솔버를 사용하여 공기, 재료의 표면 및 내부 아크를 분석하고, FEM Electromagnetics, Fluid, Particle 솔버를 통해 플라스마 환경을 해석한다. 차지 플러스는 디스커버리 GUI를 사용하여 기존의 사용자들이 쉽고 빠르게 CAD 모델을 단순화하고, 시뮬레이션 환경의 정의 및 해석을 진행할 수 있다. <그림 1>은 앤시스 차지 플러스의 GUI를 나타낸 그림이다. 앤시스 차지 플러스의 GUI는 앤시스 디스커버리와 동일하게 구성되어 있고, 사용자의 편의를 위해 <그림 2>와 같이 어두운 테마(Dark Theme)와 밝은 테마(Light Theme)를 제공하여 사용자는 취향과 환경에 맞게 테마를 선택할 수 있다.   그림 1. 앤시스 차지 플러스 GUI   그림 2. 앤시스 차지 플러스 테마   ESD란 ESD(Electrostatic Discharge)는 정전기 방전이라고 하며 양극과 음극으로 대전된 물체가 접촉하여 일시적으로 전하의 이동이 발생하는 현상을 의미한다. 주로 건조한 환경에서 발생하며, 두 물체 사이의 전압 차이가 크면 공기 또는 다른 매질을 통해 전하가 이동하여 방전 현상이 생길 수 있다. 이 방전은 짧은 시간 동안 매우 높은 전류를 생성할 수 있어 전자 부품이나 회로에 손상을 입히고, 특히 반도체나 집적 회로와 같이 민감한 전자제품에 심각한 손상을 가할 수 있다. ESD는 접촉 방식과 비접촉 방식이 있다. 비접촉 방식 ESD는 물체에 직접적으로 접촉하지 않아도 정전기 방전이 발생할 수 있는 경우를 말하며, 주로 물체가 전하로 충전된 상태로 서로에게 근접할 때 발생한다. 예를 들어, 사람의 손이 전자 부품 근처에 오는 것만으로도 전자 부품 주변의 공기가 충분히 전하를 이동시키고 공기를 통해 정전기 방전이 발생할 수 있다. 비접촉식 ESD는 주로 공기나 다른 매질을 통해 전하가 이동하고 이로 인해 방전이 발생한다. 접촉식의 경우 앤시스 HFSS를 통한 해석이 가능하나, 비접촉식 즉 Air ESD의 경우는 HFSS를 통한 해석이 쉽지 않았다. 그러나 앤시스 차지 플러스가 출시되면서 <그림 3>과 같은 ESD 웨이브폼(Waveform)을 사용하여 Air ESD를 간단한 설정을 통해 해석이 가능하게 되었다.   그림 3. ESD 웨이브폼   ■ 상세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공사례   이번 호에서는 국제 조명 위원회(CIE)의 CIE 171:2006 테스트를 거쳐 광학 모델링 소프트웨어로서 정확성을 인증받은 앤시스 스페오스(Ansys Speos)를 활용하여, 최근 자동차 램프에 많이 적용되고 있는 라이트 가이드(light guide)의 설계 방법 및 해석 방법에 대하여 소개하고자 한다.   ■ 최낙정 태성에스엔이 SBU팀 매니저로 광학 프로그램에 대한 기술 지원을 담당하고 있다. 홈페이지 | www.tsne.co.kr   앤시스 스페오스 소개 앤시스 스페오스(Ansys Speos)는 자동차, 전자 제품, 조명, 레이저 및 머신 비전, 항공 우주, 생물 의학 연구 분야의 글로벌 기업이 사용하는 광학 시스템 최적화 및 검증을 위한 전문 해석 솔루션이다. 광학 부품의 정밀한 해석을 위해 인간의 시각 능력을 반영하여 해석 및 다양한 분석 기능을 제공하며, 광 성능 분석에 기본이 되는 광도, 조도, 휘도 분석 이외에도 색상, 재료, 질감, 눈부심 효과 등이 고려된 가시성 분석이 가능하다.   ▲ 앤시스 스페오스를 통해 해석된 자동차 점등 이미지   또한, OPD(Optical Part Desing) 기능을 활용하여 라이트 가이드, 프리폼 렌즈(freeform lens) 등 다양한 형태의 렌즈를 손쉽게 설계하고, GPU를 사용한 시뮬레이션이 가능하기 때문에 설계부터 해석까지 시간과 비용을 절감할 수 있다.   ▲ 앤시스 스페오스에서 제공하는 다양한 OPD 기능   라이트 가이드란 라이트 가이드(light guide)는 기본적으로 사용자가 원하는 목표 지점까지 광손실을 최소화하여 빛을 보내기 위한 광학 구조물이다. 램버시안 분포로 나오는 빛을 믹싱(mixing)하여 균일하게 만들어 주는 역할을 하기도 하고, 사용자의 목적에 따라 프리즘 옵틱을 적용하여 광원부를 노출시키지 않고 사용자가 원하는 빔 패턴을 만들 수 있어 심미성과 성능을 모두 확보해야 할 때 많이 사용되고 있다.   ▲ 자동차 DRL(Daytime Running Lamp)에 적용된 라이트 가이드   라이트 가이드의 설계 과정 앤시스 스페오스를 활용하면 라이트 가이드를 손쉽게 설계할 수 있다. 기본적으로 라이트 가이드를 생성하기 위해서는 형상 프로파일(profile)과 가이드 커브(guide curve)를 정의해야 한다. 해당 인자를 통해서 원하는 형상으로 라이트 가이드의 베이스를 만들어 줄 수 있다. 라이트 가이드의 베이스를 만들었다면, 빔 패턴을 사용자의 목적에 맞게 만들기 위해서 프리즘 옵틱을 설계해야 한다. 프리즘 옵틱의 설계의 경우 설계 인자가 약 10개 정도 되어 사용자가 원하는 빔 패턴을 만드는데 용이하게 활용할 수 있다. 또한, 효율을 향상시키거나 LED 적용 개수에 따라 라이트 가이드의 입사부 형상에 변화를 주기도 한다. 라이트 가이드의 초기 설계가 완료되었다면, 각 부품에 대한 물성치와 광원, 센서에 대한 정의를 완료한 후 시뮬레이션을 통해 원하는 수준의 광학 성능이 나왔는지 초기 성능 분석을 진행한다. 초기 성능 분석을 통해 만족하지 못한 성능을 보완해주기 위해 스페오스 내에 있는 최적화 도구를 활용하여 최적화 타깃(target) 값을 정의하고 설계 주요 파라미터들을 선정하여 각 파라미터에 대한 최적화를 진행한다. 최적화 완료 후 다시 한 번 시뮬레이션을 진행하여 원하는 수준의 배광 성능이 나왔는지, 점등 필링은 괜찮은지 등을 확인하고 최종적으로 라이트 가이드에 대한 설계를 완료한다.   ▲ 앤시스 스페오스를 활용한 라이트 가이드 설계 단계   ■ 상세한 기사 내용은 PDF로 제공됩니다.

  아래 글이 안보이신다면 여기를 눌러주세요. 

물리 법칙을 학습하는 인공지능으로 시뮬레이션을 개선   최근 인공지능(AI)에 대한 관심이 높아짐에 따라 시뮬레이션 분야에서도 딥러닝을 적용하려는 움직임이 크다. 이번 호에서는 시뮬레이션에서 딥러닝을 어떻게 응용하고 있는지 살펴보고, DNN과 PINN 알고리즘을 응용한 두 가지 예시를 소개한다.   ■ 안지수 태성에스엔이 유동 2팀 매니저로 유동해석에 대한 기술 지원을 담당하고 있다. 이메일 | jsan@tsne.co.kr 홈페이지 | www.tsne.co.kr   신경망 기법에 대한 이해 시뮬레이션 분야에 인공지능을 적용하는 다양한 방법 중 하나는 딥러닝을 사용하는 것이다. 딥러닝은 기본적으로 신경망 기법을 기반으로 하며, 초기는 컴퓨팅 장비의 한계로 인해 간단한 구조의 단층 퍼셉트론을 사용하였다. 그러나 최근에는 컴퓨팅 장비 및 병렬 연산 능력의 발전으로 인해 대규모 데이터셋과 고성능 계산을 처리할 수 있는 환경이 조성되면서 생성형 인공지능, 설명 가능한 인공지능, AutoML 모델 등 다양한 알고리즘으로 발전할 수 있었다. 딥러닝의 대표적인 구조를 살펴보면 <그림 1>과 같이 입력층(Input), 은닉층(Function f:), 출력층(Output)으로 나눌 수 있다. 이 구조는 함수와 유사하게 작동하며, 입력층과 출력층에 데이터를 제공하면 은닉층을 스스로 찾아낸다. 은닉층의 구성을 살펴보면 노드와 노드를 잇는 선으로 표현된다. 각 노드에는 신호를 계산하는 활성화 함수가 포함되어 있으며, 이러한 노드들이 여러 층을 형성하여 최종적으로 은닉층을 구성하게 된다. 이 노드들은 서로 데이터를 전달하면서 반복적인 학습을 진행하고, 일정 기준을 달성하면 인공지능 모델이 생성된다. 딥러닝의 장점 중 하나는 입력과 출력에 사용할 원본 데이터 형태가 중요하지 않다는 것이다. 그림, 소리, 문자 등 다양한 형태의 데이터도 학습이 가능하다.   그림 1. 신경망 구조의 예   시뮬레이션 AI 접근 방식 소개 시뮬레이션에서 인공지능을 응용하는 방법은 크게 두 가지로 나눌 수 있다. 첫 번째는 이미 알고 있는 데이터를 기반으로 목표 값을 예측하는 방법이 있고, 두 번째는 데이터 없이 목표 값을 예측하는 방법이 있다. 물론 기술이 발전할수록 이 두 가지 방법은 상호보완적으로 진화하기 때문에 이분법적인 구분은 상대적으로 의미가 줄어든다. 그럼에도 불구하고, 이 두 가지 방법에 대한 이해는 다음 단계로 나아가기 위한 기반을 제공하기 때문에 각각의 방법을 소개한다.  첫 번째로, 데이터 기반 인공지능 예측 모델을 활용한 경우로는 앤시스 옵티스랭(Ansys OptiSLang)의 Adaptive Metamodel of Optimal Prognosis(AMOP) 기능이 있다. AMOP은 고전적 수치해석 및 통계 기법과 인공지능을 결합하여, 최적화를 위해 더 합리적인 기법을 찾아내는 기능을 제공한다. 이 방법이 데이터 기반인 이유는 원하는 정보를 얻기 위해 일부 데이터를 수집해야 하기 때문이다.(그림 2) 따라서 처음부터 알 수 없는 변수를 찾는 것보다는 차수 축소, 차원 축소, 시스템 최적화 등 ROM(Reduced Order Models)과 같은 목적으로 활용된다.    그림 2. AMOP을 사용하기 위한 전처리 데이터   이와 같이 데이터 기반 인공지능 모델의 경우 어느 정도 시뮬레이션 시장에 나타나고 있다. 그러나, 두 번째 경우인 데이터 없이 예측 값을 출력하는 모델은 수치해석의 정확도를 유지하면서 빠른 결과 도출을 목표로 하기 때문에 아직 많은 연구가 진행 중에 있다. 이 모델의 대표적인 알고리즘으로 PINN(Physics-Informed Neural Networks) 알고리즘이 있다. 기존 신경망 기법은 입력값과 결과값 사이의 물리적 상관관계를 고려하지 못하는데 반해, PINN은 물리적 상관관계를 바탕으로 결과값을 예측하기 때문에 다른 딥러닝 알고리즘에 비해 더욱 타당한 결과를 예측한다는 장점이 있다. 앤시스에서도 PINN 알고리즘을 응용하여 새로운 솔버를 개발 중에 있다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.

 태성에스엔이 홈페이지: https://www.tsne.co.kr/  

버스바의 최적 설계 프로세스 단축하기   파워서플라이나 전기차 배터리와 같은 고전력 장치에 사용되는 버스바(BusBar)는 최적 설계 도출을 위해 다수의 전열 해석이 동반되어 수많은 워크플로를 진행해야 한다. 태성에스엔이가 자체 개발한 전열 해석 자동화 프로그램인 BeHAP을 이용하면 단일 환경에서 전열 해석을 한 번에 진행 가능하다. 이번 호에서는 버스바 전열 해석 자동화 프로그램에 대한 소개와 사용 방법을 설명하고자 한다.   ■ 김재원 태성에스엔이 구조 2팀 매니저로 구조해석 및 자동화 프로그램에 대한 기술 지원을 담당하고 있다. 이메일 | jwkim21@tsne.co.kr 홈페이지 | www.tsne.co.kr   파워 서플라이나 전기차 배터리와 같은 고전력이 필요한 장치에 많이 사용되는 버스바는 전선과 동일한 기능을 가지면서 형상적으로 단단하고 정밀한 제작이 가능하기 때문에, 보다 효율적인 공간 활용이 가능하다.  그에 따라 형상 최적 설계에 대한 연구가 많이 진행되고 있으나 최적 설계 도출을 위해서 다수의 전열 해석을 수행해야 하기 때문에, 수많은 워크플로 생성으로 인해 업무 효율성이 떨어지는 어려움이 있다. 태성에스엔이에서 제작한 버스바 전열 해석 자동화 프로그램인 BeHAP을 사용하면 다수의 전열 해석이 필요 없이 단일 환경에서 다양한 전열 해석 수행이 가능하다.    BeHAP 소개 전열 해석은 전기 해석과 발열 해석의 연성 해석이 필요하기 때문에, 다양한 환경에서 해석이 진행된다.(그림 1)   (a) 해석 시스템 생성   (b) 물성 추가   (c) 형상 수정   (d) 격자 생성 및 경계 조건 부여   (e) 결과 확인 그림 1. 앤시스 환경에서의 전열 해석 프로세스   <그림 1>과 같이 앤시스의 전열 해석 프로세스는 워크벤치(그림 1-a~b), SCDM(그림 1-c), 메커니컬(그림 1-d~e) 환경을 거쳐 전/후처리를 진행하기 때문에, 워크플로가 매우 복잡해진다. 이러한 경우 BeHAP을 사용하여 이러한 문제를 해결할 수 있다. BeHAP은 <그림 2>와 같이 하나의 환경에서 전/후처리를 한 번에 수행할 수 있다. 또한, 해석 워크플로의 단순화로 해석 숙련도가 낮은 설계 엔지니어도 쉽게 사용할 수 있다는 장점이 있다.   (a) 모델 불러오기   (b) 물성 추가 및 적용   (c) 경계 조건 부여   (d) 결과 확인 그림 2. BeHAP에서의 전열 해석 프로세스     ■ 자세한 기사 내용은 PDF로 제공됩니다.

태성에스엔이 태성포털   https://www.etsne.com/      

앤시스코리아와 앤시스의 엘리트 채널파트너 태성에스엔이는 한국의료기기협동조합과 의료기기 연구개발 및 기술 교류를 위한 업무협약(MOU)을 체결했다고 밝혔다. 세 기관은 협력을 통해 의료기기 연구개발과 실증 기반을 구축하고, 이를 통해 국내 의료기기 산업의 역량 강화 및 글로벌 경쟁력 확보와 시장 진출 지원 등을 추진할 예정이다. 이번에 체결한 업무협약은 ▲의료기기 연구개발과 실증기반 구축 ▲국내 의료기기 기업의 역량 ▲글로벌 경쟁력 확보를 통한 시장 진출 활성화 ▲첨단∙혁신적 의료기기 기업 및 제품 발굴을 위한 공동 협력 ▲의료기기 산업의 진흥발전을 위한 홍보 마케팅 ▲조합 회원사 대상 의료기기 연구 개발, 제품화를 위한 프로그램 기술 지원과 세미나 및 교육 개최 등을 주요 내용으로 한다. 앤시스코리아와 태성에스엔이는 이번 업무협약으로 앤시스의 시뮬레이션 포트폴리오를 제공하고, 비즈니스 확대를 위한 영업 및 마케팅 전략과 노하우 등을 활용해 의료기기 연구개발 및 기술 고도화를 위한 환경을 마련하여, 궁극적으로는 의료 분야 시뮬레이션 시장과 생태계를 활성화할 수 있도록 협력할 예정이다.     앤시스코리아의 강동훈 전무는 “의료 산업의 디지털 전환이 빠르게 이루어지며 시뮬레이션에 대한 니즈도 함께 높아지고 있는 추세이다. 앤시스의 최신 시뮬레이션 기술을 통해 혁신 의료기기 제조 업체들이 개발 역량을 강화하고 글로벌 시장에 성공적으로 진출할 수 있도록 협력하겠다”고 말했다. 한국의료기기협동조합의 조남권 전무이사는 “한국의료기기협동조합은 700여 의료기기 제조기업들로 구성된 보건복지부 단체로서 국산 의료기기 산업의 발전을 위해 노력하고 있다. 앤시스 및 태성에스엔이와의 상호 협력관계 구축을 통해 우리 기업들이 시장의 요구에 민첩하게 대응하고 효과적으로 기술을 교류함으로써 경쟁력을 강화할 수 있도록 노력할 것”이라고 말했다. 태성에스엔이의 심진욱 대표는 “태성에스엔이는 지난 30여년간 국내 시뮬레이션 업계에서 축적한 전문성과 기술력을 바탕으로 의료 기기 개발에 필수인 엔지니어링 시뮬레이션 기술을 제공할 계획이다. 의료기기의 안전성과 신뢰성을 평가하기 위한 CM&S(Computational Modeling & Simulation)를 활용하여 다양한 혁신 기업들이 신제품 개발 기간을 단축하고, 운영을 효율화할 수 있을 것으로 기대한다”고 말했다.