캐드앤그래픽스 CNG TV 지식방송 지상 중계   지난 4월 15일 CNG TV는 ‘배터리 산업 동향과 설계 및 시뮬레이션 기술’을 주제로 다뤘다. 배터리 산업은 탄소중립과 지속 가능한 에너지 전환의 필요성에 따라 높은 성장세를 보이고 있어 주목받고 있다. 또한 급증하는 전기차 수요와 환경 문제에 대한 관심, 원가 절감 등 차세대 배터리 개발을 위한 배터리 최적화 설계와 시뮬레이션 기술에도 관심이 집중되고 있다. 자세한 내용은 다시 보기를 통해 확인할 수 있다. ■ 박경수 기자   ▲ 왼쪽부터 디지털지식연구소 조형식 대표, 중앙대학교 문장혁 교수, 모아소프트 장윤혁 부장    중앙대학교 에너지시스템공학부 문장혁 교수는 ‘다물리, 다차원 모델링을 통한 리튬이차전지의 전기화학-기계적 분석’을 주제로 발표했다. 리튬이차전지의 기계적인 해석을 시작으로 리튬금속전지, 전고체전지 등 배터리 해석을 위한 다물리와 기계적인 모델링, 그리고 멀티스케일 시뮬레이션 등에 대해서 설명한 문장혁 교수는 “리튬이차전지를 해석하려면 기계적인 이슈를 살펴봐야 하는데, 학교로 오게 되면서 다양한 배터리 과제를 수행하다 보니 리튬금속전지는 물론 전고체전지까지 다양한 배터리 해석들을 진행하고 있다”고 말했다. 그는 또 “배터리를 제조한다면 멀티스케일 시뮬레이션을 해야 하는데, 소재 수준에서부터 셀을 만들고, 셀을 어셈블리해서 팩까지 만들어야 하는 다양한 스케일의 공정들이 있다”며, “배터리 산업이 발전하면 각 스케일에 맞는 설계가 우선되어야 하는데, 기존에 소재를 다루어 왔던 사람들은 컴퓨터를 통한 설계가 익숙하지 않기 때문에 설계적 이슈 설명에 많은 시간과 노력이 필요했다”고 이야기했다.   ▲ 중앙대학교 에너지시스템공학부 문장혁 교수   모아소프트 DT사업부 장윤혁 부장은 ‘배터리 산업 동향과 설계 및 시뮬레이션 기술’을 주제로, 현재 사용하는 기기들로부터 전기화했을 때 어떤 부분을 어떻게 고려해야 하는지에 대해 소개했다. 또한 그에 따른 배터리 관련 규정에 어떤 식으로 대응할 지, 배터리의 성능이나 배터리 스펙을 어떤 규정에 맞춰야할 지 등 배터리 산업에서 고려해야 할 사항을 설명했다. 배터리 안전 기능에 대해 장윤혁 부장은 “배터리의 수명을 디지털 트윈을 통해 체크하고, 테스트 데이터로 수명을 예측하고 있다”며, “안전한 기능 판단 후 BMS(배터리 관리 시스템) 코딩을 통해 모델을 구현하고, 시뮬레이션을 통해 시스템을 검토하고 있다”고 말했다. 그는 또 “고밀도 기술 혁신과 메트릭을 활용해 고장 정의하는 것이 중요하다”며, “소프트웨어로 3D 시뮬레이션을 통한 체크가 필요하다”고 설명했다. 한편 배터리 분야에서도 인공지능(AI)가 적극적으로 도입되면서 에너지 관련해 큰 가능성이 열릴 것으로 전망되고 있다. 특히 배터리는 화학 소재와 기계, 전기 등 다양한 산업 분야를 아우르는 종합적인 전문지식이 요구되고 있어 배터리 전문가에 대한 수요도 크게 늘어날 것으로 보인다.   ▲ 모아소프트 장윤혁 부장     ■ 기사 내용은 PDF로도 제공됩니다.

한국지멘스는 지멘스그룹이 4월 22일~26일 독일에서 열린 세계 최대 규모의 제조업 박람회 ‘2024 하노버 산업박람회(하노버 메세)’에 참가해 제품 및 솔루션을 선보였다고 밝혔다. 지멘스는 올해 2500㎡ 규모의 부스에서 ‘혁신의 가속화(Accelerate Transformation)’를 주제로 전시를 구성했다. 자동차, 식음료, 화학, 반도체 등 주요 산업 분야의 디지털 전환을 위한 핵심 기술을 소개하면서, 첨단 기술과 파트너십을 통해 산업이 어떻게 지속 가능성과 경쟁력을 강화할 수 있는지를 보여줬다. 특히 마이크로소프트 및 셰플러(Schaeffler) 그룹과 협업한 AI 머신 비전과 지멘스 인더스트리얼 코파일럿(Siemens Industrial Co-pilot) 등의 애플리케이션을 강조했다.     지멘스는 이번 전시회에서 엔지니어링을 위한 생성형 인공지능(AI) 제품인 ‘지멘스 인더스트리얼 코파일럿’을 발표했다. 이 제품은 숙련된 작업자 부족, 생산 효율성 및 지속 가능성 향상 등과 같은 주요 과제 해결을 궁극적인 목표로 하며, 모든 규모의 산업 고객이 생성형 AI를 활용하여 운영을 혁신할 수 있도록 돕는다. 지멘스 인더스트리얼 코파일럿을 통해 엔지니어링 팀은 시간과 노력, 오류 발생 가능성을 줄일 수 있다. 이번 하노버 메세 기간 중 지멘스와 셰플러는 지멘스 인더스트리얼 코파일럿에 대한 공동 작업을 확대하기 위한 양해각서를 체결했다. 지멘스 인더스트리얼 코파일럿은 올 여름부터 개방형 디지털 비즈니스 플랫폼인 ‘지멘스 엑셀러레이터(Siemens Xcelerator)’ 마켓플레이스에서 다운로드할 수 있다. 지멘스 엑셀러레이터 포트폴리오의 또 다른 제품으로 ‘일렉트리피케이션 X(Electrification X)’도 최초로 공개됐다. 확장성이 높은 클라우드 서비스를 기반으로 구축된 일렉트리피케이션 X는 상업 및 산업, 유틸리티 고객의 까다로운 전기화 인프라를 관리, 최적화, 자동화하도록 설계되었다. 비용과 이산화탄소 배출량을 줄이는 동시에 효율성과 성능을 개선하는 것을 목표로 한다. 이와 더불어 지멘스는 최근 출시된 ‘지멘스 에코테크(Siemens EcoTech)’를 선보였다. 지멘스 에코테크는 제품 데이터와 성능을 투명하게 보여줌으로써 고객이 보다 지속 가능한 선택을 쉽게 할 수 있도록 고안된 전사적 자체 인증 라벨이다. 이 라벨이 부여된 제품은 지속 가능한 재료, 최적의 사용, 가치 회수 및 순환성이라는 세 가지 관점에서 전체 제품 수명 주기 동안 일련의 기준에 따라 평가된다. 현재 모든 지멘스 에코테크 제품은 100% 재생 가능한 전기를 사용하는 생산 시설에서 제조되며, 2030년까지 전 세계 생산 시설과 건물에서 탄소 발자국을 제로로 만든다는 지멘스의 목표 달성에 기여하고 있다. 한편, 전시회 기간 동안 지멘스 부스에서는 지멘스그룹 경영진을 포함한 150여 명의 고객 및 파트너 전문가들이 스테이지 프로그램 연사로 나서 다양한 업계 인사이트와 성공 사례를 공유했다. 특히 지난 4월 22일에는 롤랜드 부시 지멘스그룹 회장 및 최고경영자와 엔비디아의 옴니버스 및 시뮬레이션 기술 부문 부사장 레브 레바레디안(Rev Lebaredian)이 AI 기반 산업용 메타버스에 대해 논의하는 세션을 진행했다. 이 밖에도 300 회 이상의 가이드 투어와 500명 이상의 업계 전문가와의 미팅 기회를 제공했다. 한국지멘스의 정하중 대표이사·사장은 “지멘스는 이번 전시회를 통해 AI, 탄소 중립, 에너지 관리 등과 같은 현재 글로벌 산업 트렌드를 선도하는 최첨단 소프트웨어 및 하드웨어 솔루션을 소개할 수 있어 매우 뜻깊었다”며, “지멘스 엑셀러레이터와 같은 지멘스의 혁신 기술과 솔루션을 토대로 앞으로도 고객사들과 지속 가능한 동반 성장을 이룰 수 있도록 최선을 다할 것”이라고 전했다. 한국지멘스의 티노 힐데브란트(Tino Hildebrand) 선임부사장 및 디지털 인더스트리 부문장은 “올해 하노버 메세에서 지멘스는 디지털 전환의 선두주자로서 최신 기술을 대거 선보이며 지속 가능한 미래를 한걸음 앞당겼다. 지멘스 인터스트리얼 코파일럿, 산업용 메타버스, 지멘스 엑셀러레이터 등 AI 및 디지털 트윈 솔루션의 선도적인 발전을 동반한 혁신을 구현해냈다. 이번에 선보인 최신 기술을 한국 시장에 신속하게 소개하여 국내 고객이 당면한 과제를 최우선적으로 해결하고 지속 가능한 디지털 전환을 적극 지원할 것”이라고 전했다.

스트라타시스는 달 표면에서 3D 프린팅의 성능을 테스트하기 위해 향후 진행될 달 탐사 프로그램에 3D 프린팅 재료를 제공한다고 발표했다. 이 실험은 이지스 에어로스페이스(Aegis Aerospace)가 진행할 첫 번째 우주 과학 및 기술 평가 시설 임무인 SSTEF-1의 일부로 노스롭 그루먼(Northrop Grumman)이 후원한다. SSTEF는 달 표면에서 R&D 서비스를 제공하기 위해, NASA의 티핑 포인트 프로그램에 따라 이지스 에어로스페이스가 개발한 상업용 우주 테스트 서비스이다. SSTEF-1 프로젝트는 달과 근지구 우주를 위한 우주 인프라 및 역량에 대한 기술 개발에 중점을 두고 있다. 이번 달 탐사에서 스트라타시스는 3D 프린팅 샘플을 제공하고, 무인 착륙선이 3D 프린팅한 운반체 구조에 담아 달 표면으로 가져가게 된다. 노스롭 그루먼이 주도하는 두 가지 실험에서는 세 가지의 재료가 중점적으로 사용될 예정이다. 첫 번째 실험은 텅스텐으로 채워진 스트라타시스의 FDM 필라멘트로 제작한 샘플 부품의 성능을 평가하는 것이다. 여기에 쓰일 스트라타시스의 Antero 800NA FDM 필라멘트는 높은 기계적 특성, 내화학성 및 낮은 가스 방출 특성을 갖춘 고성능 PEKK 기반 열가소성 플라스틱 소재이다. 텅스텐을 첨가하는 것은 감마선이나 엑스레이와 같은 유해 방사선에 대한 차폐 기능을 제공하기 위한 것이다.   ▲ Antero 840CN03 소재로 3D 프린팅된 샘플 부품   두 번째 실험은 3D 프린팅 재료가 우주에서 얼마나 견딜지 알아보기 위해 고안되었다. 여기에는 전자 장치에 사용하기 위한 ESD(정전기 방전) 특성을 갖추고 있으며 오리온 우주선에 사용되었던 Antero 840CN03 FDM 필라멘트가 포함된다. 스트라타시스의 파트너사인 헨켈(Henkel)이 스트라타시스의 오리진 원(Origin One) 3D 프린터에 사용하기 위해 제조하고 고열 환경에 맞게 설계된 새로운 ESD 포토폴리머도 실험에 포함된다. 이 실험에서는 3D 프린팅 샘플을 달의 먼지, 가스 방출을 유발할 수 있는 낮은 압력, 대기가 거의 없기 때문에 발생하는 급격한 온도 변화에 노출시킬 예정이다. 이 실험에 쓰일 부품은 상업용 항공기 내부에도 사용되는 ULTEM 9085 열가소성 플라스틱으로 3D 프린팅된 캐리어 구조의 무인 착륙선을 통해 달 표면으로 운반될 예정이다. 스트라타시스의 최고 산업 비즈니스 책임자인 리치 개리티(Rich Garrity)는 “적층제조는 수십 그램의 무게도 중요하고 고성능이 필수인 우주 임무에 중요한 기술이다. 이번 실험은 달과 그 너머로 여행하는 동안 사람과 장비를 안전하게 지키기 위해 3D 프린팅을 최대한 활용하는 방법을 이해하는 데 도움이 될 것”이라고 전했다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 생성형 AI 모델 학습과 같이 현재도 다양한 곳에서 필수로 사용되는 강화학습 딥러닝 기술의 기본 개념, 이론적 배경, 내부 작동 메커니즘을 확인한다.   ■ 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   강화학습은 바둑, 로봇 제어와 같은 제한된 환경에서 최대 효과를 얻는 응용분야에 많이 사용된다. 강화학습 코딩 전에 사전에 강화학습의 개념을 미리 이해하고 있어야 제대로 된 개발이 가능하다. 강화학습에 대해 설명한 인터넷의 많은 글은 핵심 개념에 대해 다루기보다는 실행 코드만 나열한 경우가 많아, 실행 메커니즘을 이해하기 어렵다. 메커니즘을 이해할 수 없으면 응용 기술을 개발하기 어렵다. 그래서 이번 호에서는 강화학습 메커니즘과 개념 발전의 역사를 먼저 살펴보고자 한다. 강화학습 개발 시 오픈AI(OpenAI)가 개발한 Gym(www.gymlibrary.dev/index.html)을 사용해 기본적인 강화학습 실행 방법을 확인한다. 참고로, 깃허브 등에 공유된 강화학습 예시는 대부분 게임이나 로보틱스 분야에 치중되어 있는 것을 확인할 수 있다. 여기서는 CartPole 예제로 기본적인 라이브러리 사용법을 확인하고, 게임 이외에 주식 트레이딩, 가상화폐, ESG 탄소 트레이딩, 에너지 활용 설비 운영과 같은 실용적인 문제를 풀기 위한 방법을 알아본다.   그림 1. 강화학습의 개념(출처 : Google)   강화학습의 동작 메커니즘 강화학습을 개발하기 전에 동작 메커니즘을 간략히 정리하고 지나가자.   강화학습 에이전트, 환경, 정책, 보상 강화학습의 목적은 주어진 환경(environment) 내에서 에이전트(agent)가 액션(action)을 취할 때, 보상 정책(policy)에 따라 관련된 변수 상태 s와 보상이 수정된다. 이를 반복하여 총 보상 r을 최대화하는 방식으로 모델을 학습한다. 정책은 보상 방식을 알고리즘화한 것이다. <그림 2>는 이를 보여준다. 이는 우리가 게임을 하며 학습하는 것과 매우 유사한 방식이다.   그림 2. 강화학습 에이전트, 환경, 액션, 보상 개념(출처 : towardsdatascience)   강화학습 설계자는 처음부터 시간에 따른 보상 개념을 고려했다. 모든 시간 경과에 따른 보상치를 동시에 계산하는 것은 무리가 있으므로, 이를 해결하기 위해 DQN(Deep Q-Network)과 같은 알고리즘이 개발되었다. 모든 강화학습 라이브러리는 이런 개념을 일반화한 클래스, 함수를 제공한다. 다음은 강화학습 라이브러리를 사용한 일반적인 개발 코드 패턴을 보여준다.   train_data, test_data = load_dataset()  # 학습, 테스트용 데이터셋 로딩 class custom_env(gym):  # 환경 정책 클래스 정의    def __init__(self, data):       # 환경 변수 초기화    def reset():       # 학습 초기 상태로 리셋    def step(action):       # 학습에 필요한 관찰 데이터 변수 획득       # 액션을 취하면, 그때 관찰 데이터, 보상값을 리턴함 env = custom_env(train_data)  # 학습환경 생성. 관찰 데이터에 따른 보상을 계산함 model = AgentModel(env)      # 에이전트 학습 모델 정의. 보상을 극대화하도록 설계 model.learn()                       # 보상이 극대화되도록 학습 model.save('trained_model')    # 학습된 파일 저장 # 학습된 강화학습 모델 기반 시뮬레이션 및 성능 비교 env = custom_env(test_data)  # 테스트환경 생성 observed_state = env.reset() while not done:    action = model.predict(observed_state) # 테스트 관찰 데이터에 따른 극대화된 보상 액션    observed_state, reward, done, info = env.step(action)    # al1_reward = env.step(al1_action) # 다른 알고리즘에 의한 액션 보상값과 성능비교    # human_reward = env.step(human_action) # 인간의 액션 보상값과 성능비교   ■ 상세한 기사 내용은 PDF로 제공됩니다.