[무료다운로드] 딥러닝을 사용한 해석 데이터 기반 메타모델 살펴보기

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.