시스템 엔지니어링의 진화, 항공우주 산업의 복잡성을 넘어서다   아폴로 프로그램에서 시작된 시스템 엔지니어링은 오늘날 항공우주 및 방위 산업의 핵심 방법론으로 자리 잡았다. 하지만 소프트웨어 중심의 기체 구조와 급증하는 상호작용으로 인해 기존 방식은 한계에 직면해 있다. 이제 기업은 시스템 모델링 언어인 SysML v2와 인공지능(AI), 포괄적 디지털 트윈을 결합한 총체적 설루션으로 디지털 전환을 가속해 미래 경쟁력을 확보해야 한다.   ■ 오병준 지멘스 디지털 인더스트리 소프트웨어의 한국지사장이다. SAS 코리아 대표이사를 지냈으며, 오라클 코리아, 테라데이터 코리아, IBM 코리아 임원 등 IT 업계에 30여 년 이상 몸 담으며 쌓아온 엔터프라이즈 소프트웨어 경험을 바탕으로 지멘스 디지털 인더스트리 소프트웨어를 진두지휘하고 있다. 홈페이지 | www.sw.siemens.com/ko-KR   ▲ 제공 : 지멘스   우주비행사의 달 착륙과 지구 귀환을 성공적으로 이끈 아폴로(Apollo) 프로그램은 인류 역사상 가장 위대한 성과 중 하나로 평가된다. 아폴로 프로그램을 통해 개발된 다양한 기술은 오늘날 우리의 일상 속에서 널리 활용되고 있는데, 무선 헤드셋, 집적회로, 이메일, 무선 공구 등이 대표적인 예다. 이 글에서는 아폴로 프로그램의 수많은 유산 가운데 한 가지에 초점을 맞추고자 한다. 바로 엔지니어가 종종 간과하곤 하는 ‘시스템 엔지니어링(systems engineering)’이다. 당시 NASA가 개발한 로켓은 전례 없는 규모의 복합 시스템이 결합된, 그 시대 가장 정교하고 복잡한 기계였다. NASA 엔지니어들은 로켓 내 모든 시스템을 유기적으로 작동시키기 위해 새로운 엔지니어링 방법론이 필요하다는 사실을 깨달았고, 그렇게 시스템 엔지니어링이 탄생했다. 시스템 엔지니어링은 아폴로 로켓의 복잡성을 체계적으로 분석하고 각 시스템을 유기적으로 통합함으로써 성공적인 발사를 가능하게 했다. 이후 시스템 엔지니어링은 우주 분야를 넘어 항공우주 및 방위(A&D) 산업 전반에서 혁신을 이끌며, 새로운 항공기와 우주선 개발을 견인하는 핵심 요소로 자리 잡았다.   ▲ 시스템 엔지니어링은 우주 분야에서 시작돼 A&D 산업 전반으로 확대됐다.(제공 : C. Fredrickson Photography/Getty Images)   시스템 엔지니어링은 제품의 복잡성을 낮추는 데 기여해왔지만, 그 자체로는 상당히 복잡한 개념이다. 엔지니어링 영역들은 기업이 인식하는 것만큼 긴밀하게 통합돼 있지 않을 가능성이 있다. 일부 기업은 두 엔지니어링 영역 간 인터페이스에서 문제가 발생하기 전까지 자사의 통합 수준이 어느 정도인지조차 제대로 인식하지 못하기도 한다. 이러한 문제는 전통적인 문서 기반 방법론이 모델 기반 시스템 엔지니어링으로 전환된 이후에도 여전히 이어지고 있다. 이 같은 통합 미비는 설계 오류를 초래하고 일정 지연의 위험을 높인다. 이러한 위험은 오늘날 항공기와 우주선에 새로운 전자 기술과 소프트웨어 시스템이 대거 탑재되고 복잡성이 크게 증가함에 따라 갈수록 커지고 있다. 이와 같은 상황에서 변화가 없다면, 현재의 시스템 엔지니어링 접근 방식만으로는 항공우주 산업의 급격한 복잡성 증가에 대응하기 어려울 것이다. 따라서 앞으로 시스템 엔지니어링은 보다 총체적인 접근 방식으로 진화해 엔지니어링 영역 간 상호운용성과 협업을 강화해야 한다. 이를 위해 기업은 디지털 전환에 투자하고 SysML v2, AI(인공지능), 포괄적 디지털 트윈과 같은 핵심 기술을 활용해 엔지니어들이 혁신을 가속할 수 있는 새로운 프로세스를 익히도록 해야 한다.   항공우주의 새로운 패러다임 오늘날 생산되는 항공기와 우주선은 아폴로 시대에 개발된 기체와는 완전히 다르다. 민항기와 제트기부터 로켓과 위성에 이르기까지, 모든 것이 점점 더 소프트웨어 중심 구조로 진화하고 있다. 이에 따라 첨단 기계·전기 시스템은 물론, 새로운 전자 기술과 소프트웨어까지 폭넓게 통합되고 있다. 이러한 첨단 시스템은 이전 세대의 기체에 비해 훨씬 높은 수준의 복잡성을 만들어낸다. 특히 기체 내 다른 시스템과의 상호작용이 늘어나면서 전체적인 복잡성은 더욱 확대되고 있다. 예를 들어, 20년 전만 해도 엔지니어는 하나의 기계 시스템에서 발생하는 100여 개의 상호작용만 관리하면 됐고, 이는 스프레드시트에 손쉽게 정리할 수 있었다. 그러나 오늘날에는 반도체 칩 하나만으로도 수만에서 수십만 개에 이르는 상호작용이 발생할 수 있다.   ▲ 보다 고도화된 전자 기술과 소프트웨어 통합으로 새로운 항공우주 시스템의 복잡성이 커졌다.(제공 : santofilme/Getty Images)   A&D는 여러 엔지니어링 영역 간 통합이 필수인 산업이다. 한 영역에서 변경이 발생하면 이를 수용하기 위해 다른 영역에서도 추가 변경이 필요할 가능성이 높다. 최근 전자 기술과 소프트웨어의 비중이 커지면서 이러한 변경의 규모와 영향력은 더욱 확대되고 있다. 따라서 영역 통합의 격차를 식별하고 해소하기 위해 시스템 엔지니어링 접근 방식 역시 보다 총체적으로 발전해야 한다.   SysML v2를 통한 격차 해소 총체적인 시스템 엔지니어링 전략을 수립하려면 엔지니어 간 새로운 협업 프로세스를 지원하는 도구가 필요하다. SysML (Systems Modeling Language) v2가 이러한 역할을 수행할 수 있다. 이전 버전인 SysML v1은 엔지니어가 작업을 효율적으로 모델링하고 설명할 수 있는 새로운 방식을 제시했다. 그러나 모델을 구축하고 관리하는 방식이 매우 엄격해 상호운용성 측면에서는 한계가 있었다. 반면 SysML v2는 더욱 직관적인 모델링 접근 방식을 제공하며, 다양한 모델링 방법론을 유연하게 활용할 수 있도록 지원한다. 이를 통해 기업은 데이터 교환을 훨씬 수월하게 수행할 수 있다. 결과적으로, SysML v2는 엔지니어링 영역 간 정보를 개방적으로 공유할 수 있는 표준 프레임워크를 구축한다. 이를 통해 데이터 일관성을 높이고 통합 시스템 아키텍처 개발을 가능하게 한다. 물론 SysML v2의 효과는 이를 활용할 수 있는 인재 양성이 병행될 때 비로소 실현될 수 있다. 다행히 다양한 모델링 방법론을 수용할 수 있는 특성은 진입 장벽을 낮추고, 엔지니어가 새로운 시스템 엔지니어링 전략을 보다 쉽게 배우고 참여할 수 있도록 한다. 이는 시스템 엔지니어링의 총체적 발전과 민주화에도 기여한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (5)   심센터 HEEDS(Simcenter HEEDS) 2604 릴리스는 설계 파라미터와 시뮬레이션 워크플로를 유기적으로 연결하여 최적의 설계안을 자동으로 도출하는 역할을 더욱 공고히 하기 위해 계산 리소스의 효율적 관리, AI를 활용한 워크플로 가속화, 그리고 다목적 트레이드오프 스터디의 실시간 가시성 확보라는 세 가지 핵심 방향으로 혁신적인 기능을 담았다.이번 릴리스를 통해 복잡성 모델링(model the complexity), 가능성 탐색(explore the possibilities), 속도 향상(go faster), 통합 유지(stay integrated)라는 네 가지 기둥 아래 엔지니어링 시뮬레이션의 새로운 기준을 제시한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   전산 자원 관리의 재구상 : 새로운 리소스 카탈로그 기존 방식의 한계 엔지니어링 최적화 스터디는 단 한 번의 시뮬레이션으로 끝나는 작업이 아니다. 수십 번에서 수천 번의 반복 해석을 수행해야 하며, 이를 위해서는 로컬 워크스테이션, 사내 HPC 클러스터, 클라우드 컴퓨팅 플랫폼 등 다양한 전산 자원을 조합하여 활용해야 한다. 기존의 HEEDS(히즈)는 이러한 원격 실행 환경을 프로젝트별로 설정해야 했기 때문에, 팀 내의 여러 엔지니어가 동일한 클러스터를 사용하더라도 각자 동일한 설정 과정을 반복해야 하는 비효율이 존재했다. 특히 HPC 클러스터의 경로, 인증 정보, 작업 스케줄러 파라미터를 매번 수동으로 입력해야 하는 번거로움은 첫 번째 설계 최적화를 시작하기도 전에 엔지니어의 시간을 낭비하게 만들었다.   리소스 카탈로그의 등장 심센터 HEEDS 2604는 원격 실행 기능을 새로운 ‘리소스 카탈로그(Resource Catalog)’로 전면 개편하여 이 문제를 근본적으로 해결했다. 리소스 카탈로그는 전산 자원 정보를 프로젝트에 종속된 설정이 아닌, 전사적으로 공유 가능한 독립적 자산으로 관리하는 방식이다. 이제 로컬 머신, 원격 클러스터, 리스케일(Rescale)과 같은 HPC 클라우드 플랫폼, 또는 작업 스케줄러를 사용하는지의 여부와 관계 없이 프로젝트 전체에서 리소스 구성을 더 쉽게 설정하고 재사용할 수 있다.   그림 1. 리소스 카탈로그 설정 환경   그림 2. 작업 수행을 위해 미리 설정된 리소스 선택   주요 기능 및 이점 원클릭 리소스 생성 : 사용자가 리소스 유형을 선택하면, 해당 유형에 적합한 모든 설정 항목이 기본값으로 미리 채워진 상태로 나타난다. 처음 사용하는 엔지니어도 복잡한 설정 파라미터를 일일이 파악할 필요 없이 빠르게 시작할 수 있다. 관리형 카탈로그(Managed Catalogs) : 조직의 IT 관리자 또는 HEEDS 전문가가 심센터 HEEDS 커넥트(Simcenter HEEDS Connect)를 통해 표준 리소스 프로필을 미리 구성하면, 팀의 다른 구성원이 이를 즉시 다운로드하여 사용하거나 로컬 카탈로그로 복사하여 필요에 맞게 조정할 수 있다. 이는 조직 전체가 동일한 리소스 표준을 따르도록 하는 ‘단일 정보 소스(single source of truth)’ 역할을 수행하여 설정 오류와 불일치를 원천적으로 방지한다. 다중 제출 항목(Multiple Submission Items) : 하나의 물리적 서버에서도 PBS, LSF, SLURM, MSHPC, 또는 다이렉트 서브미션(Direct submission) 등 다양한 방식의 작업 스케줄러를 위한 복수의 제출 항목을 생성할 수 있다. 예를 들어, 빠른 소규모 해석을 위한 인터랙티브 대기열과 대규모 최적화를 위한 배치 대기열을 동일한 클러스터에서 각각 별도의 리소스 프로필로 관리할 수 있다. 리소스 구성 확인 기능 : 복잡한 네트워크 환경에서 원격 리소스가 실제로 접근 가능한지, 또는 올바르게 설정되었는지 확인하는 것은 종종 어려운 문제였다. 새로운 ‘Run test now’ 기능을 통해 사용자는 설정 완료 즉시 리소스의 접근 가능성과 동작 상태를 확인할 수 있다. 테스트 결과는 Not tested(미실행), Passed(성공), Error(오류)의 세 가지 상태로 직관적으로 표시되어 문제 발생 시 신속한 보정이 가능하다. 지속적 구성 : 매핑된 로컬 및 원격 드라이브 설정이 모든 프로젝트에 걸쳐 유지되므로, 프로젝트를 새로 만들 때마다 리소스를 재구성할 필요가 없다. 한 번 설정한 리소스 카탈로그는 이후 모든 프로젝트에서 즉시 재사용 가능하다.   비최적화 스터디를 위한 효율적 데이터 및 리소스 운용 디스크 공간의 숨겨진 병목 실험계획법(Design of Experiments : DOE), 강건성(robustness) 분석, 신뢰성(reliability) 분석, 또는 단순히 특정 설계 후보를 일괄 평가하는 ‘Evaluation Only’ 스터디는 최적화 알고리즘이 동반되지 않는 빠른 유형의 설계 탐색이다. 이러한 스터디는 개별 해석이 비교적 짧게 완료되기 때문에, HEEDS는 실행 스택을 가득 채워 최대한 많은 병렬 해석을 동시에 구동하려 한다.   그림 3. 프로세스의 병렬 해석 진행 상황 예시   그런데 여기서 예상치 못한 문제가 발생한다. 해석이 매우 빠르게 완료되기 때문에 각 해석의 임시 작업 디렉토리와 결과 파일이 시스템에 쌓이는 속도도 매우 빠르다. 짧은 시간 안에 수백 개의 해석 폴더가 생성되어 디스크 공간을 순식간에 소진할 수 있으며, 이는 특히 로컬 워크스테이션이나 디스크 할당량이 제한된 HPC 환경에서 심각한 장애 요인이 될 수 있다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

매스웍스는 4월 7일 개최한 ‘매트랩 엑스포 2026 코리아’ 행사를 통해 엔지니어링과 과학적 혁신을 가속화하기 위한 비전을 제시하면서, ‘임베디드 인텔리전스’를 통한 설계 방식의 변화를 강조했다. 특히 AI(인공지능)는 코드 작성과 문제 해결 루프를 직접 제어함으로써 개발 복잡성을 해결하고 시장 출시 기간을 줄이는 기술로 자리매김하고 있다. 매스웍스는 모델 기반 설계(MBD)와 AI의 결합을 통해 더욱 신속하고 정교한 설계 환경을 구축한다는 전략을 내세웠다. ■ 정수진 편집장   매스웍스는 지난 1984년 설립 이래 MBD(model-based design) 방법론을 자동차와 항공 등 안전이 필수인 산업 분야를 중심으로 적용해 왔다. MBD는 제품 개발의 복잡도가 높아지는 흐름에 맞춰 다양한 물리 영역과 다중 도메인 시스템을 복합적으로 시뮬레이션하고 상호 영향을 검증하는 환경을 제공한다. 매스웍스는 작은 오류가 치명적인 결과로 이어질 수 있는 엔지니어링 현장에서 MBD 방법론이 강력한 검증 및 확인 워크플로를 거쳐 시스템의 안정성을 보장한다고 설명한다. 매스웍스는 이런 MBD의 기반 위에서 최근 산업계의 화두인 AI 기술을 안전하게 융합한다는 접근법을 내세웠다. 완전히 새로운 AI 플랫폼을 구축하는 것이 아니라, 수십 년간 현장에서 검증된 자사의 MBD 플랫폼 내에 인공지능 기능을 자연스럽게 내재화하겠다는 것이다.   ▲ 매스웍스는 생성형 AI가 제품 개발 루프를 가속화할 수 있다고 설명한다.   생성형 AI가 이끄는 설계 패러다임의 변화 매스웍스의 사미르 M. 프라부(Sameer M. Prabhu) 인더스트리 부문 이사는 AI가 엔지니어링 설계의 전 영역에 걸쳐 이미 실질적인 변화를 만들어내고 있다고 강조했다. 엔지니어링 설계의 핵심은 끊임없이 반복되는 ‘문제 해결 루프’에 있다. 과거에는 엔지니어가 직접 설계 공간을 탐색하며 해답을 찾았다면, 인공지능은 엔지니어가 정의한 목표와 제약 조건 안에서 스스로 방대한 설계 공간을 탐색하며 최적의 설루션을 빠르게 도출해낼 수 있다는 것이다. 이러한 변화를 보여주는 기술이 바로 AI 기반의 차수 축소 모델(reduced order model : ROM)이다. 프라부 이사는 자동차 부품의 설계 파라미터 최적화에 물리 기반 시뮬레이션을 활용한 사례를 소개했다. “기존 방식으로는 수천 번의 시뮬레이션을 반복하는 연산에 16일의 시간이 필요했다. 하지만 실험 데이터를 바탕으로 딥러닝 기반의 인공지능 차수 축소 모델을 학습시켜 최적화 루프에 적용한 결과, 단 5분 만에 작업을 끝낼 수 있었다”는 것이 프라부 이사의 설명이다. 무겁고 복잡한 해석 모델을 가벼운 인공지능 모델로 대체하여 설계 속도를 크게 높일 수 있었다는 것이다. 또한, 빠르게 발전하고 있는 생성형 AI(generative AI)는 반복되는 검증 작업이나 코드 생성을 빠르게 자동화하여, 엔지니어가 더 높은 수준의 추상화 및 목표 지향적 설계에 집중할 수 있도록 돕는다. 프라부 이사는 “미래 엔지니어의 핵심 역량은 목표 지향적 사고와 설계 루프 자체를 설계하는 능력이 될 것”이라고 전망했다.   ▲ 매스웍스 사미르 M. 프라부 이사   MBD 환경에서 AI의 생산성 높인다 MBD를 구현하는 매스웍스의 핵심 플랫폼인 시뮬링크(Simulink)는 전통적으로 AI 알고리즘을 정교한 룩업 테이블의 발전된 형태로 통합해 활용해 왔다. 엔지니어는 매트랩(MATLAB) 등에서 훈련한 AI 모델과 특징 추출 코드를 시뮬링크로 가져와 프로세서 탑재 제어 모듈용 C 코드를 자동 생성해 하드웨어에 곧바로 배포할 수 있다. 매스웍스는 최근 이 환경에 생성형 AI의 생산성을 결합한 시뮬링크 코파일럿(Simulink Copilot)을 도입하여 플랫폼을 한 단계 더 진화시켰다. 시뮬링크 코파일럿은 MBD 환경에 생성형 AI의 생산성을 결합했다. 대화형 챗 인터페이스를 통해 복잡한 시뮬링크 모델의 동작 원리를 자연어로 사용자에게 설명해 준다. 또한 특정 제어 시스템이나 상태 머신 모델을 개선하기 위한 구체적인 아이디어를 제안할 수 있다. 코파일럿은 단순히 조언을 건네는 데 그치지 않고, 해당 작업에 바로 적용할 수 있는 최적의 도구와 관련 기술 문서까지 함께 추천하며 설계 과정의 어려움을 해결하도록 돕는다. 프라부 이사는 “우리의 비전은 생성형 AI와 MBD 모델 기반 설계를 사용해서 이런 챗 인터페이스와 함께 생성형 AI의 생산성 향상을 제공하고, 사용자가 결과를 빠르게 얻을 수 있도록 하는 것”이라면서, 시뮬링크 코파일럿의 새로운 기능이 엔지니어의 작업 속도와 전반적인 효율을 높여 줄 열쇠라고 강조했다.   ▲ 매스웍스코리아 박주일 사장   제조업 경쟁력 강화를 위한 전략과 미래 비전 매스웍스는 크게 두 가지의 AI 전략을 소개했다. 첫째는 물리적 하드웨어를 대체하거나 보완하기 위해 AI 모델을 최종 시스템의 구성 요소로 직접 내장하는 방식이다. 둘째는 AI가 스스로 방대한 설계 공간을 탐색하며 문제 해결 루프 자체를 주도하도록 만드는 방식이다. 또한, 매스웍스는 매트랩 코파일럿과 시뮬링크 코파일럿 등 생성형 AI를 자사의 기존 플랫폼에 내재화하여 일상적인 코딩과 검증 업무의 자동화까지 지원할 계획이라고 밝혔다. 다만 안전이 최우선인 엔지니어링 산업의 특성상, AI의 환각 현상이나 비결정적 특성은 치명적인 위험을 일으킬 수 있다. 이에 대해 박주일 사장은 “기존에 있는 플랫폼에 AI가 들어가기 때문에 워크플로간 충돌이나 정합성 이슈가 상대적으로 적다는 것이 매스웍스의 유니크한 강점”이라고 설명하면서, “수십 년간 업계 표준으로 자리 잡은 MBD 플랫폼과 강력한 검증 및 확인 워크플로를 통해 AI 결과물의 신뢰성을 통제할 수 있을 것”이라고 전했다. 한국 시장에서 매스웍스가 그리는 청사진은 한국 제조업의 근원적인 경쟁력을 한 단계 끌어올리는 데 집중되어 있다. 기하급수적으로 증가하는 제품 개발의 복잡도와 출시 기간 단축이라는 압박 속에서, 매스웍스는 국내의 엔지니어링 커뮤니티를 기술적으로 뒷받침하는 조력자 역할을 하겠다는 계획이다. 나아가 기업에 대한 지원뿐 아니라 학계와의 협력을 통해 미래 공학 인력을 양성하는 일에도 투자할 것이라고 밝혔다. 박주일 사장은 “자동차 산업에서 촉발된 소프트웨어 정의 제품(software-defined product)의 흐름이 우주항공, 조선, 에너지 등 모든 산업으로 확장되는 변화가 일어나고 있다. 매스웍스코리아는 새로운 산업 영역의 기술적 간극을 메우고 디지털 전환을 선도하는 핵심 파트너로 자리매김하고자 한다”고 전했다.   ■ 같이 보기 : [인터뷰] 시뮬링크로 배터리 BMS 신뢰성 확보 및 로직 검증 자동화 구현     ■ 기사 내용은 PDF로도 제공됩니다.

SAP는 4월 20일~24일 독일에서 열리는 ‘하노버 메세 2026’에 참가한다. SAP는 이번 박람회에서 ‘신뢰할 수 있는 오케스트레이션과 더 스마트한 실행’을 주제로 에이전틱 AI 기반의 제조 및 공급망 혁신 설루션을 공개한다고 전했다. 비즈니스 AI가 기업의 핵심 운영 프로세스를 어떻게 혁신하는지에 대한 구체적인 비전을 제시한다는 계획이다. SAP의 크리스티안 클라인 CEO는 이번 행사에서 AI 전략적 목표를 실제 비즈니스 실행으로 전환하는 방법론에 대해 발표한다. 그는 제조업계가 마주한 원가 상승과 글로벌 경쟁 심화 등의 문제를 해결하기 위해 AI를 비즈니스 프로세스에 직접 내재화하는 방향성을 강조할 예정이다. SAP는 비즈니스 AI가 포함된 제조, 공급망, 클라우드 ERP 애플리케이션을 통해 기업이 시장 변화를 새로운 성장 기회로 전환하도록 지원한다. 특히 이번 박람회에서 선보이는 에이전틱 AI는 핵심 워크플로에 통합되어 작동한다. AI 에이전트가 변화를 감지하고 운영 제약 조건을 분석해 최적의 행동을 실시간으로 자동 실행하는 방식이다. 이를 통해 기업이 단순한 가시성 확보를 넘어 더 빠르고 정확한 의사결정을 내릴 수 있다는 것이 SAP의 설명이다.     SAP는 설계와 계획부터 제조, 물류, 자산 관리에 이르는 전 과정에서 데이터와 프로세스를 통합한다. SAP 공급망 오케스트레이션 설루션은 실시간 지식 그래프와 생성형 AI인 쥴(Joule)의 역량을 결합해 다단계 공급업체 네트워크의 위험을 사전에 감지한다. 또한 디지털 제품 여권과 전자 인보이스 컴플라이언스 등 규제 준수 기능을 비즈니스 프로세스에 내재화해 복잡한 글로벌 규제 환경에서도 지능적인 사업 확장을 돕는다. 글로벌 파트너사와의 협업도 강화한다. SAP는 액센츄어, 삼일PwC, 캡제미니 등과 함께 엔드 투 엔드 제조 및 공급망 설루션을 시연하며, 스노우플레이크와는 데이터 세션을 공동 진행한다. 아울러 제조 가치사슬 전반에서 기업 간 데이터를 안전하게 교환하는 ‘매뉴팩처링-X’ 이니셔티브를 통해 디지털 제조 생태계 구축에서의 역할을 보여준다. 현장 부스에서는 방문객을 위한 가이드 투어와 체험 공간이 운영된다. 독일 공작기계 기업 DMG 모리의 CNC 머신이 부품을 생산하고 울만 패키징 머신에 투입하는 실물 연동 시연이 진행된다. 휴머노이드 로봇이 자율적으로 피킹과 패킹 작업을 수행하는 시연을 통해 디지털 의사결정이 물리적 실행으로 연결되는 미래 제조 현장을 확인할 수 있다. SAP의 도미닉 메쯔거 공급망 관리 부문 최고제품책임자는 “제조 기업은 복잡성을 관리하면서 변화에 민첩하게 대응해야 하는 과제에 직면해 있다”면서, “에이전틱 AI를 핵심 비즈니스 프로세스에 내재화해 시장 변화를 실시간으로 감지하고 즉각적인 실행으로 연결하도록 지원할 것”이라고 밝혔다.

다이슨(Dyson)은 최적의 물청소 솔루션을 개발하기 위해 새로운 접근 방식이 필요하다는 연구 결과를 도출했다. 그 결과물이 바로 수세기의 역사를 지닌 가정용 청소 도구인 대걸레를 재해석한 청소기 ‘다이슨 워시G1(Dyson WashG1)’이다. 다이슨 엔지니어들은 이 제품을 개발하기 위해 항공우주 산업 등 복잡한 시스템 설계에 쓰이는 엔지니어링 방법론을 일상 제품에 적용했다. 기존 제품의 개선 버전을 개발할 때는 효과적이었던 다이슨의 문서 기반 워크플로가 완전히 새로운 제품군을 만드는 데는 적합하지 않았기 때문이다. 이에 다이슨의 첨단 제어 시스템 수석 엔지니어인 로맹 기셰르(Romain Guicherd)는 팀을 설득해 모델 기반 설계(model-based design : MBD)를 도입했다. 모델 기반 설계란 시스템 레벨 시뮬레이션 모델을 활용해 시스템 개발 방식을 개선하는 방법론이다. 이를 통해 개발 워크플로를 가속화하고, 테스트를 위한 보다 강건한 코드를 구현할 수 있었다.   모델 기반 설계로 바꾼 제품 개발 방식 다이슨은 진공청소기 등 기존 제품 라인업의 신제품을 개발할 때, 팀 간 요구사항의 전달에서 서면으로 된 문서 기반 방식을 사용해 왔다. 이러한 방식은 이전의 설계 및 임베디드 소프트웨어를 참고하고 반복 개선할 수 있어, 이미 안정화된 기존 제품군 개발에 적합한 방식이다. 그러나 완전히 새로운 제품군을 개발하는 과정에서는 이러한 문서 전달 방식이 오히려 혼선을 초래할 수 있었다. 문서로 작성된 설계 사양은 엔지니어마다 요구사항을 다르게 해석할 가능성이 있기 때문이다. 새로운 제품군 개발은 팀 간 오해를 줄이고 보다 원활한 협업을 가능하게 하는 새로운 개발 방식을 모색하게 하는 계기가 됐다.    ▲ 다이슨 워시G1은 습식 오염과 건식 이물질을 모두 제거한다.   다이슨은 모델 기반 설계가 새로운 기능과 설계 방향을 탐색하는 데 적합한 개발 방식이라고 봤다. 개발 초기에는 다양한 개념과 방향을 동시에 검토해야 했는데, 시뮬링크(Simulink) 기반의 모델 기반 설계를 도입한 덕분에 팀은 기존 문서 기반 프로세스 대비 두 배 빠르게 새로운 아이디어를 구현할 수 있었다. 워시G1의 핵심 세척 방식은 촘촘한 마이크로파이버 천으로 감싼 역방향 회전 롤러를 탑재한 세척 헤드를 중심으로 구성된다. 습식 오염과 건식 이물질을 분리하기 위해 보조 롤러가 고체 이물질을 트레이에 모으고, 트레이 바닥의 메시 필터를 통해 액체가 오수 탱크로 흘러내려가는 구조다. 기셰르의 팀은 이 모든 기능을 구현하고 다양한 상황에 대응하기 위해, 상호작용하는 시스템 구성요소의 시뮬레이션을 용이하게 하고 설계부터 코드 생성, 소프트웨어 테스트까지 전 과정을 아우르는 툴이 필요했다. 팀은 세척 롤러 제어 장치 개발을 위해 심스케이프 일렉트리컬(Simscape Electrical)로 폼 롤러 모터와 모터 드라이브를 모델링했다. 또한 스테이트플로(Stateflow)를 활용해 청소기에 탑재된 두 개의 펌프, 즉 깨끗한 물로 롤러에 수분을 공급하는 펌프와 오수를 배출하는 펌프의 스케줄링과 제어 로직을 설계했다. 제품의 자동 세척 메커니즘 구현에도 스테이트플로가 활용됐다. 워시G1의 세척 성능을 구현하기 위해서는 단계별로 선택 가능한 수분 공급 수준과 각 단계의 세밀한 민감도 조정이 모두 뒷받침돼야 했다. 다양한 설정 값과 세척 부하 변화에 대응하려면 정밀한 전압 제어가 필수였다. 팀은 시뮬링크 모델로 매개변수를 조정하고 다양한 값을 반복 테스트하며 모터 전압 제어 로직을 빠르게 최적화했다. 실제 프로토타입을 제작하지 않고도 시뮬레이션만으로 설계 변경의 영향을 사전에 파악할 수 있었다는 점도 개발 효율을 높이는 데 크게 기여했다.   ▲ 심스케이프로 모델링된 다이슨의 롤러 기술   다이슨은 요구사항 툴박스(Requirements Toolbox)를 활용해 요구사항을 시뮬링크 모델에 연결함으로써 각 요구사항이 제품 기능으로 어떻게 구현되는지 확인할 수 있었다. 요구사항 툴박스(Requirements Toolbox)를 사용하기 전에는 하드웨어 테스트 단계에 이르러서야 요구사항의 오류를 발견할 수 있었다. 하지만 요구사항을 모델에 연결한 이후로는 각 요구사항의 구현 방식과 요구사항 간 상호 관계를 사전에 명확히 파악할 수 있게 됐다.   시스템 시뮬레이션이 설계에 가져온 변화 시뮬링크와 심스케이프를 활용한 모델 기반 설계는 보다 체계적인 개발 접근 방식을 가능하게 했고, 다이슨이 프로토타입을 제작하고 테스트하기에 앞서 다양한 유형의 인더루프(in-the-loop) 테스트를 수행할 수 있도록 하였다. 모델 기반 설계 덕분에 엔지니어는 멀티도메인 모델링을 수행하고 타 팀과 긴밀하게 협업할 수 있었다. 일례로 기셰르의 팀은 배터리 셀 및 배터리 관리 시스템 팀의 데이터를 활용해 정밀한 4셀 배터리팩 모델을 구축했다. 또한 전자팀과 협력해 심스케이프 일렉트리컬로 전력전자 하드웨어의 동작을 모델링하고 시뮬레이션했다. 시뮬링크를 통한 시스템 레벨 시뮬레이션은 더 많은 설계 옵션을 검토하고 트레이드오프를 비교할 수 있는 환경을 만들어줬다. 그 결과 팀은 프로젝트의 설계 단계에 더 많은 시간을 투자할 수 있었고, 설계 오류와 통합 문제를 수정하기 훨씬 쉽고 비용도 적게 드는 초기 단계에서 발견할 수 있었다.   소프트웨어 아키텍처와 임베디드 코드 개발 이후 프로젝트에서 팀은 소프트웨어 아키텍처 개발을 위해 시스템 컴포저(System Composer)를 추가로 도입했다. 시스템 컴포저를 통해 제품팀과 소프트웨어팀은 소프트웨어 인터페이스와 스케줄링을 함께 개발하고 다양한 시나리오를 모델링할 수 있었다. 또한 대규모 모델을 논리적 단위로 구조화해 병합 충돌 없이 원활한 팀 간 협업이 가능해졌다. 시뮬링크 모델은 제품 동작을 시각적으로 표현함으로써 개발 전 과정에 걸쳐 팀원 간의 협업을 촉진했다. 제어 시스템 모델에서는 C 코드가 생성됐다. 팀은 모델을 수정하고 일부 구간에 주석을 달거나 새로운 블록을 추가하는 방식으로 소프트웨어 엔지니어에게 청소기의 새로운 동작을 보여줬다. RCP(Rapid Control Prototyping)를 활용하면 코드를 빠르게 생성하고, 다음 날 바로 실험실에서 제품의 동작을 확인할 수 있었다. 팀은 직접 코딩 대신 임베디드 코더(Embedded Coder)로 시뮬링크 모델에서 C 코드를 자동 생성했고, 소프트웨어팀은 이를 NXP 마이크로컨트롤러의 메인 코드에 통합했다. 임베디드 코더 도입 이후 소프트웨어 릴리스 주기는 기존 약 10주에서 9일로 단축됐다. 초기에는 실험실 환경에서의 동작 구현에 집중하였기 때문에 모델과 코드 생성을 핵심으로 삼았지만, 곧 모델과 코드, 테스트, 커버리지가 함께 어우러질 때 제품 완성도가 한층 높아진다는 사실을 확인했다.   테스트 효율을 높인 모델 기반 개발 팀은 이전 제품 개발 때보다 설계 개선에 더 많은 시간을 쏟았다. 시뮬링크를 통해 시뮬레이션 중 발생한 오류를 신속하게 수정할 수 있었고, 그 효과는 테스트 단계에서 그대로 나타났다. 이 테스트 단계는 과거보다 훨씬 단순하고 빨라졌으며, 팀의 개발 시간과 노력을 절감하는 데 기여했다. 모델에서 정상 작동하도록 설계한 것은 실제 제품에 적용해도 동일하게 구현됐고, 이는 무결점 제품 출시로 이어졌다. 워시G1의 모델 기반 설계와 코드 자동 생성이 성공을 거두면서, 초기에 회의적이었던 소프트웨어팀의 시각도 달라졌다. 자동 생성 코드가 내부 표준 준수와 실행 효율성을 담보할 수 있을지 우려하던 소프트웨어팀은 이제 코드에 대한 확신을 갖게 됐다. 현재 소프트웨어팀은 하드웨어팀과 협력해 자동 생성 코드의 API를 함께 정의하고 있으며, 모델 기반 설계에 시뮬링크를 활용하면서 유연성과 개발 속도 모두를 향상시켰다. 이제는 소프트웨어팀이 먼저 나서서 동일한 프로세스를 다른 제품에도 적용해 달라고 요청할 만큼, 프로젝트 복잡도가 높아질수록 모델 기반 설계의 가치는 더욱 분명해지고 있다. 다이슨 팀은 향후 워시G1 후속 모델 개발 시 기존 모델의 구성 요소를 재사용할 수 있다. 또한 이번 모델 기반 설계 방법론의 성공 사례는 사내 다른 부서에서도 주목받고 있다. 헤어 케어 제품과 다른 플로어 케어 제품군에도 이를 적용하는 방안이 검토되고 있어, 다이슨 내 추가 혁신 가능성을 넓히고 있다.   ■ 이웅재 | 매스웍스코리아 이사     ■ 기사 내용은 PDF로도 제공됩니다.

가상 제품 개발을 위한 MBSE 및 SysML의  이해와 핵심 전략 (6)   복잡한 시스템 설계를 최적화하기 위해 시스템 모델링 언어인 SysML의 역할이 커지고 있다. 이번 호에서는 블록 정의 및 내부 블록 다이어그램을 통한 설계 애셋의 재사용성과 파라메트릭 모델을 활용한 검증 방법을 살펴본다. 또한 객체지향 시스템 엔지니어링 방법론인 OOSEM의 주요 개발 활동과 모델 요소 간의 연결 구조를 분석한다. 이를 통해 복잡한 요구사항을 체계적으로 관리하고 설계 일관성을 확보하는 통합적인 시스템 엔지니어링 접근법을 제시한다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   블록 정의 및 사용   그림 1. BDD와 IBD에 의한 자동차의 ABS 시스템 예시(제동 시스템)   <그림 1>은 블록 정의 다이어그램(Block Definition Diagram : BDD)과 내부 블록 다이어그램(Internal Block Diagram : IBD)의 관계를 SysML 모델링에서의 블록 정의와 사용(Definition and Usage) 개념을 설명하는 것이다. 특히 시스템 모델에서 정의(definition)와 사용(usage)의 구분이 어떻게 나타나는지를 자동차의 ABS 시스템(제동 시스템) 예시를 통해 직관적으로 설명하고 있다. BDD는 시스템 구성 요소를 정의(definition 또는 type)하는 다이어그램이다. 여기서 블록은 하나의 설계 단위 또는 유형으로 간주되며, 그 자체로는 구현이 아닌 속성, 인터페이스, 동작 등을 기술한다. 예를 들어 Anti-Lock Controller는 하나의 중심 블록으로 정의되어 있고, Traction Detector(d1), Brake Modulator(m1), Sensor(s1)와 같은 하위 블록과 구조적 관계를 가진다. 이들 블록은 각각 독립적으로 정의된 타입이며, 다른 시스템에서도 재사용이 가능하다. Definition에서 Block은 하나의 유형(type)이며 속성, 동작, 포트 등을 정의하여 여러 콘텍스트에서 재사용된다. 연결 방식은 관계 선(연결 구조) 위주로 나타낸다. IBD는 정의된 블록을 특정 콘텍스트에서 사용하는 방식을 나타낸 다이어그램으로 정의된 블록의 실제 사용/구현 구조 표현이다. 여기서는 AntiLock Controller 블록의 내부를 구성하는 part(사용 인스턴스)들이 나타난다. Part(인스턴스 또는 역할)로 모델 내부 특정 위치에 배치된다. 연결방식은 포트와 커넥터로 물리적/논리적 인터페이스로 구성한다. 예를 들어 s1:Sensor, d1:Traction Detector, 102 · m1:Brake Modulator는 모두 정의된 블록을 특정 역할(역할/파트)로 사용하는 형태이다. 각 파트는 인터페이스 포트(c1, c2)를 통해 상호 연결되며, 모델 내 실제 연결 구조를 명시한다. Usage에서 Part는 정의된 블록의 사용 인스턴스이며 특정 콘텍스트에서 기능 역할로 배치되며 블록에 의해 타입(Type)이 지정되며 역할(role) 또는 구성요소(instance)로도 불린다. 또한 <그림 1>은 모델 기반 시스템 설계에서 중요한 개념인 정의와 사용의 분리(separation of definition and usage)를 설명하고 있다. 정의된 블록은 단일 설계 요소로서 명세되고, 이를 다양한 콘텍스트에서 조합하여 모듈화, 재사용성, 유연한 시스템 확장이 가능해진다. SysML에서 BDD와 IBD는 각각 설계와 구성, 추상화와 구현을 잇는 핵심적인 다이어그램으로 활용된다.   매개변수 - 구속조건 정의 및 사용   그림 2. 매개변수 간의 수학적 관계와 제약 조건의 정의 및 실제 시스템 모델에 적용 방법   <그림 2>는 SysML 파라메트릭 다이어그램(Parametric Diagram)을 활용하여 매개변수(변수) 간의 수학적 관계와 제약 조건(구속조건)을 정의하고, 이를 실제 시스템 모델에 적용(usage)하는 방법을 보여준다. 실제로 매개변수와 구속조건 정의 및 사용으로 시스템의 무게 조건을 예로 들어 설명하고 있다. 구속조건 정의(Constraint Definition)의 BDD 부분은 모델링된 제약 조건을 정의한 것이다. 이 영역에서는 다음 두 개의 제약 블록(constraint block)이 정의되어 있다. Total Weight는 수식 wt = Σw로 정의되어 각 구성 요소의 무게를 모두 더하여 총 무게를 계산하는 수식이다. 입력 매개변수는 wi(각 구성 요소의 무게들)과 결과로 wt(총 무게)를 나타낸다. Max Weight는 수식 result = (wt<2000 Ton)이며 총 무게가 2000톤 미만인지 여부를 판단한다. 결과는 불린(boolean) 타입으로 반환(true 또는 false)된다. 이 두 제약 블록은 상위 분석 블록인 Ship Weight Analysis에 속하며, 전체 시스템에서 무게 제한 분석을 수행하기 위한 논리적 조건으로 사용된다. 파라메트릭 다이어그램(Parametric Diagram)은 앞에서 정의한 제약 조건들을 Ship Weight Analysis 블록에 실제 적용한 예시이다. 이 다이어그램에서는 다음과 같은 구성으로 모델이 연결되어 있다. wt는 Total Weight 제약 블록이며 입력 값으로 w1, w2, w3가 연결되며 각각 ship.weight, cargo.weight, ammo.weight와 연결되어 전체 무게를 계산한다. Mw는 Max Weight 제약 블록이며 앞에서 계산된 총 무게 wt를 입력으로 받아 그것이 2000톤 미만인지 여부를 결과로 피드백한다. 이 다이어그램에서 사용된 두 제약 블록은 «usage» 관계로 상단의 BDD에서 정의된 constraint block을 참조하고 있으며, 결과적으로 시스템 설계 모델에 제약을 수학적으로 통합하는 구조이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

산업을 위한 AI와 버추얼 트윈 기술 (2)   이번 호에서는 다쏘시스템의 LBM 기반 CFD 설루션인 파워플로(PowerFLOW)를 활용하여, 하중 및 회전에 의해 변형되는 트레드 타이어를 반영한 정밀 유동 예측 워크플로를 제시한다. 드라이브에어(DrivAer) 모델 적용을 통해 접지면과 사이드월 돌출부 형상 변화가 차량 항력 및 후류 구조에 미치는 영향을 분석하고, 실제 주행 조건을 고려한 차세대 공력 최적화 설계 프로세스의 방향성을 제안한다.   ■ 고석원 다쏘시스템의 유동해석 컨설턴트로, 국내 완성차 업체의 공력 및 공력소음 분야 CFD 프로젝트 수행 및 기술 지원을 담당하고 있다. 홈페이지 | www.3ds.com/ko   EV(전기자동차) 시대에 접어들면서 공력 성능은 단순한 항력 계수(Cd : Drag Coefficient) 저감의 문제가 아니라, 에너지 효율과 주행거리 경쟁력을 결정하는 핵심 설계 변수로 자리잡았다. 특히 고속 주행 영역에서는 타이어 주변에서 형성되는 복잡한 와류 구조가 전체 항력에 상당한 영향을 미친다. 그러나 현재까지 많은 외부 유동해석은 계산 효율과 모델 단순화를 이유로 강체 타이어 형상을 가정해왔다. 실제 주행 조건에서는 차량 하중과 회전에 의해 타이어 접지면이 평탄화되고, 트레드 패턴이 국부적으로 변형된다. 이러한 기하학적 변화는 경계층 발달과 박리 위치, 그리고 후류 구조에 직접적인 영향을 미친다. 그럼에도 불구하고 설계 단계에서 이러한 변형 효과는 충분히 반영되지 못하는 경우가 많다. 이 간극은 단순한 수치 오차를 넘어, 설계 의사 결정의 신뢰성 문제로 이어질 수 있다. 기존의 전산유체역학(CFD : Computational Fluid Dynamics) 접근에서는 회전 조건을 MRF(Moving Reference Frame) 혹은 LRF(Local Reference Frame) 기법을 구현하고, 접지부는 이상적인 평면 조건으로 단순화한다. 이 방식은 빠른 비교 분석에는 적합하지만, 접지부 인근의 비대칭 유동 구조와 시간에 따라 변화하는 와류 변동을 충분히 재현하기 어렵다. 특히 하중에 의해 형성되는 접지부 형상 변화는 타이어 하부 압력 분포를 바꾸고, 이는 차체 하부 유동과 상호작용하며 항력 특성에 영향을 미친다. 고속 주행 시에는 원심력에 의한 외경 변화까지 더해져 형상 변형이 복합적으로 발생한다. 따라서 현실 기반 공력 예측을 위해서는 타이어 변형을 포함한 해석 전략이 요구된다.   파워플로 기반 정밀 유동 예측 방법론 이번 호에서는 LBM(Lattice Boltzmann Method) 기반 CFD 설루션인 파워플로를 활용하여 하중 및 회전 변형을 반영한 해석 환경을 구축하였다. 차량 모델은 <그림 1>과 같이, 오픈소스 표준 차체 형상인 드라이브에어 모델을 적용하였다. 타이어 형상은 단순 강체 모델과 실제 하중 조건을 반영한 변형 트레드 타이어 모델을 사용하였다. 변형 형상은 파워플로의 전처리 모듈인 파워델타(PowerDELTA)를 통해 구현되었으며, <그림 2>와 같이 정적 하중에 의해 형성되는 접지면(contact patch)과 사이드월 돌출부(bulge)를 기하학적으로 재현하였다. 수치해석 방법에는 회전하는 타이어에 IBM(Immersed Boundary Method)을 적용하여 타이어 인근에서 시간에 따라 변화하는 유동 구조와 후류 거동을 정밀하게 분석하였다.   그림 1. 드라이브에어 차량 형상   그림 2. 접촉면과 돌출부의 형상(왼쪽 : 접촉면, 오른쪽 : 돌출부)   해석 케이스 구성 해석 케이스는 변형 타이어의 적용 유무와 <그림 3>에 나타낸 바와 같이, 타이어 변형 효과를 체계적으로 비교하기 위해 다음 세 가지 인자를 독립적으로 변화시켰다. 사이드월 돌출부(bulge, B) 횡방향 삽입각(slip angle, α) 접지면 폭(contact patch width, W)   그림 3. 변형 타이어 인자 변화 조건   각 변수 변화에 따른 항력 특성 및 후류 구조 변화를 비교함으로써, 설계 관점에서 지배적인 인자를 도출하고자 하였다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술   해운 산업의 탈탄소화가 가속화되는 가운데, 블루핀(Bluefins)은 고래 지느러미에서 영감을 받은 파력 변환 추진 시스템인 웨이브드라이브(WaveDrive)를 통해 연료비와 온실가스 배출을 20% 절감하는 설루션을 개발했다. 이 시스템은 케이던스의 피델리티 CFD(Fidelity CFD) 소프트웨어를 활용해 실제 해상 조건에서의 운동을 정밀하게 모델링하고 최적화 성능을 검증했다. 특히 오버셋 메시 기법과 피델리티 파인 마린(Fidelity Fine Marine)의 고급 기능을 통해 복잡한 유동 해석과 시스템 동역학 분석을 성공적으로 수행하며, 지속 가능한 해운 기술의 가능성을 제시하고 있다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   해운 산업의 탈탄소화 해운 산업은 전 세계 무역의 약 90%를 운송할 만큼 글로벌 경제에서 필수적인 역할을 한다. 대형 선박은 하루에 20~70톤의 연료를 소비하며, 이는 연간 약 1500만 유로의 연료 비용으로 이어진다. 이러한 연료 소비는 선박 한 척당 연간 최대 75,000톤의 이산화탄소 환산량(CO₂)을 배출하는 결과를 초래한다. 또한 전 세계 해운 산업은 질소산화물(NOx)과 황산화물(SOx)을 포함해 전체 온실가스(GHG) 배출량의 약 3%를 차지하고 있다. 따라서 해운을 탈탄소화하고 운송을 더욱 지속 가능하게 만들기 위해서는 관련 시스템과 기술을 도입하는 것이 매우 중요하다. 블루핀은 고래의 지느러미에서 영감을 받은 파력(파도 에너지) 변환 기술을 개발하여 온실가스 배출과 연료 운영 비용을 20% 절감하는 것을 목표로 하고 있다.   블루핀과 고래 지느러미에서 영감을 받은 추진 시스템   그림 1   블루핀은 선박의 구조, 안전성 및 기타 특정 요구사항이나 제약 조건을 고려하여 각 선박 유형에 맞춤형 무배출 보조 추진 설루션을 개발한다. 이러한 추진 시스템은 프랑스의 대표적인 해양 연구기관인 Ifremer(프랑스해양개발연구소)와의 협력을 통해 개발되고 있다. 고래에서 영감을 받은 추진 시스템인 웨이브드라이브는 선미에 장착되는 하이드로포일(hydrofoil)로 구성되며, 선박의 종동요(pitching) 운동을 추력으로 변환한다. 이 기술은 신조 선박뿐만 아니라 기존 선박의 개조(refit) 작업 시에도 통합 적용이 가능하다.   피델리티 CFD를 활용한 블루핀 추진 시스템 모델링 블루핀은 피델리티 CFD 소프트웨어를 활용하여 다양한 운항 조건 및 실제 해상 파랑 조건에서 웨이브드라이브 추진 시스템을 설계하고 최적화한다. 이 소프트웨어의 고급 기능을 통해 플랩(flap)의 세부 분석, 시스템 동역학 분석, 그리고 하이드로포일 하중 예측이 가능하며, 이를 통해 추진 성능을 최적화한다. 이러한 시뮬레이션은 다양한 해상 조건에서 시스템의 운동을 센서 기반으로 제어하기 위한 첫 단계에 해당한다. 다음은 사용된 방법론 및 설정 개요이다.   메시 설정 기계 시스템은 다섯 개의 개별 구성 요소로 분해되었으며, 각 구성 요소의 반쪽(body half)은 피델리티 CFD 2025.1 버전에서 개별적으로 메시(mesh) 처리되었다. 선체(hull)는 피델리티 CFD의 C-Wizard 기능을 통해 자동으로 메시가 생성되었으며, 그 결과 880만 개의 셀(cell)을 갖는 고해상도 메시가 구축되었다. 부가 구조물(appendages)은 각각 개별적으로 메시 처리되어 오버셋 메시(overset mesh)로 활용되었다.   그림 2   피델리티는 오버셋 메시(overset mesh) 기법을 활용하여 겹쳐진 격자(overlapping grids)를 사용하고, 격자 간 데이터 보간(interpolation)을 수행함으로써 복잡한 유동을 정밀하게 시뮬레이션하고 각 구성 요소의 큰 운동을 정확하게 제어한다. 오버셋 메시의 초기 셀 크기(initial cell size : ICS)는 배경 격자의 초기 셀 크기 대비 여섯 번째 세분화(refinement) 레벨로 설정되었다. 한편, 배경 박스(background box) 세분화는 초기 셀 크기보다 한 단계 더 거칠게(coarser) 적용되었다. 이 설정에서는 오버셋 인터페이스(overset interfaces) 구간에 3~4개의 초기 셀 크기를 배치하여 정확한 보간과 서로 다른 메시 구성 요소 간의 원활한 통합을 보장했다. 전체적으로 선체(hull)의 총 메시 크기는 약 1060만 개의 셀로 구성되었다.   그림 3   피델리티 파인 마린 설정 CFD 시뮬레이션은 피델리티 파인 마린에서 수행되었으며, 정상 상태(steady-state) 초기화로 시작한 후 벽 함수(wall functions)를 적용한 k-ω SST 난류 모델을 사용했다. 경계 조건과 수치 설정은 모범 사례(best practices)에 맞게 일관되게 적용되었다. 고체 영역의 경계 조건은 ‘wall-function’으로 설정되었으며, 갑판(deck)에는 ‘slip’ 조건이 적용되었다. 덕트 프로펠러(ducted propeller)는 액추에이터 디스크(actuator disk) 모델을 사용하여 구현되었다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (4)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA의 성능을 비약적으로 가속화시키는 AI 시뮬레이션 프레딕터(AI Simulation Predictor) 기술에 대해 자세히 살펴본다. 지난 호에서 다룬 SHERPA의 지능형 탐색 방식에 AI의 예측 통찰력을 결합하여, 어떻게 해석 시간의 병목을 해결하고 검색 효율을 극대화하는지 조명할 예정이다. 이를 통해 고비용 해석 모델에서도 실질적인 리드타임을 단축하고 더 우수한 설계안을 도출해 내는 원리를 알아보고자 한다.   ■ 연재순서 제1회 심센터 HEEDS 커넥트와 MBSE 방법론 제2회 심센터 X MDO의 새로운 HEEDS 제3회 심센터 HEEDS SHERPA의 최적 검색 원리 제4회 최적 검색 가속화를 위한 AI 프레딕터 제5회 심센터 HEEDS 2604 업데이트 제6회 모두를 위한 제너럴 포털과 맞춤 설정 제7회 특별한 워크플로 구성 및 자동화 제8회 다양한 매개변수를 위한 태깅 모드 제9회 복잡한 설정을 한번에, 오토메이션 스크립트 제10회 파이썬 스케줄러와 HEEDS 연동 제11회 심센터 HEEDS 2610 업데이트 제12회 데이터 분석을 위한 HEEDSPy API   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 HEEDS를 비롯하여 통합 설루션을 활용한 프로세스 자동화와 데이터 분석, 최적화에 대한 설루션을 담당하고 있다. 근사최적화 기법 연구를 전공하고 다양한 산업군에서 15년간 유한요소해석과 최적화 분야의 기술지원과 컨설팅을 수행하였다. 홈페이지 | www.sw.siemens.com/ko-KR 링크드인 | www.linkedin.com/in/jonghaklee-odumokgol   최적화의 병목, 해석 시간과 비용의 문제 고충실도(High-Fidelity) 해석의 딜레마 현대 엔지니어링 설계의 정점은 전산유체역학(CFD)이나 비선형 구조해석과 같은 고성능 계산 과정을 필수로 한다. 이러한 고충실도 해석은 제품 성능을 가상 공간에서 정밀하게 모사할 수 있게 해 주지만, 치명적인 약점이 있다. 복잡한 모델의 경우 1회 해석에 수 시간에서 수 일이 소요되기도 하며, 수백 번의 반복 계산이 필요한 최적화 과정에서 이는 극복하기 어려운 시간적 병목(bottleneck)이 된다.   MDAO 과정에서 직면하는 실제 문제들 연재의 배경이 되는 다분야 설계 분석 및 최적화(MDAO : Multidisciplinary Design Analysis and Optimization) 환경에서는 다음과 같은 네 가지 핵심 문제에 직면한다. 시뮬레이션 시간 & 계산 비용 : 장기간의 CAE 실행은 컴퓨터 자원의 점유와 라이선스 비용 부담을 가중시킨다. 신뢰성 : 시간 제약으로 인해 충분한 설계안을 검토하지 못하면 결과의 신뢰성이 떨어진다. 지식의 재사용 : 이전 프로젝트의 방대한 시뮬레이션 데이터를 현재 최적화에 제대로 자산화하지 못하는 한계가 있다. 시프트 레프트(shift left) : 제품 개발 초기 단계에서 오류를 발견하지 못하면 이후 단계에서 대규모 수정 비용이 발생한다.   기존 대안 : 전통적 최적화 프로세스와 근사 모델의 한계 해석 시간을 줄이기 위해 전통적인 설계 공간 탐색(design space exploration) 과정에서는 반응표면법(RSM)이나 크리깅(kriging)과 같은 근사 모델(surrogate model)이 널리 사용되어 왔다. 하지만 이러한 전통적인 방식은 프로세스 측면에서의 번거로움과 기술적 모델 구축 측면에서의 한계를 동시에 안고 있다.   그림 1   첫째, 전문가 중심의 복잡한 다단계 프로세스로 인한 고충(pain points)이 크다. 목적 정의부터 모델 단순화, 알고리즘 선택 및 튜닝, 탐색 수행, 결과 해석으로 이어지는 과정은 매우 정교한 전문 지식을 요구하며 다음과 같은 문제를 일으킨다. 모델 단순화의 오류 가능성 : 변수 선별이나 응답면 모델을 수동으로 생성하는 과정은 오류가 개입되기 매우 쉽다.(too error-prone) 알고리즘 선택 및 튜닝의 고비용 구조 : 적절한 검색 알고리즘을 결정하기 위해 수많은 반복 시도가 필요하며, 파플레이션 크기나 변이율 등 세부 매개변수 설정에 고도의 전문성이 요구되어 시간과 비용이 많이 든다.(too costly & too difficult) 제한적인 혁신 : 이러한 난이도 탓에 최적화 기술이 일부 전문가에 의해 매우 한정적인 문제에만 적용되어, 결과적으로 설계 혁신의 폭이 좁아지는 결과를 초래한다. 둘째, 기술적으로 구축된 근사 모델 자체가 가진 결정적인 한계가 존재한다. 초기 데이터 확보의 높은 비용 : 신뢰할 수 있는 모델을 구축하기 위해서는 설계 공간 전체에 걸쳐 상당수의 초기 샘플 해석이 선행되어야 하며, 고성능 CAE 환경에서는 이 초기 샘플링 과정 자체가 막대한 병목이 된다. 정적 구조의 경직성 : 한 번 구축된 모델은 최적화가 진행되는 동안 설계 공간의 특성 변화나 새로운 유망 영역의 발견을 실시간으로 반영하여 스스로 업데이트되지 않는다. 전역적 경향성과 국부적 정밀도의 딜레마 : 전체적인 경향성은 파악하지만 최적해 주변의 미세한 비선형적 거동을 포착하는 데 한계가 있어, 최종 설계안이 실제 해석 결과와 괴리를 보이는 경우가 빈번하다.   그림 2   반면, 심센터 HEEDS는 이러한 복잡한 중간 단계를 ‘Automated Search’ 하나로 통합하여 엔지니어가 본연의 설계 업무인 목적 정의와 결과 분석에만 집중할 수 있는 환경을 제공한다. 이번 호에서 다룰 AI 프레딕터(AI Predictor)는 이 혁신적인 자동 탐색 과정을 한 단계 더 가속하여 기술적 한계를 극복하고 진정한 설계 디스커버리(discovery)를 실현하는 핵심 기술이다.   기술 혁신 : Boosting SHERPA의 정의와 전략적 가치 AI 시뮬레이션 프레딕터란 무엇인가? 심센터 HEEDS의 AI 시뮬레이션 프레딕터는 최적화 검색 과정을 가속시키는 퍼포먼스 부스터(Performance Booster)이다. 단순히 정해진 데이터를 학습하는 것을 넘어, SHERPA 검색 프레임워크 상단에서 작동하는 AI 오버레이(AI Overlay) 기술을 통해 실시간으로 데이터를 학습(on-the-fly)하여 해석이 필요한 위치(DOE)를 지능적으로 선별한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

캐드앤그래픽스 지식방송 CNG TV 지상 중계   최근 AI 기술의 비약적인 발전으로 직업적 위기감이 고조되는 가운데, 인간의 고유한 경험과 AI를 결합해 새로운 가치를 창출하는 ‘슈퍼휴먼’ 전략이 제시되어 눈길을 끌고 있다. CNG TV는 지난 3월 16일, 4차산업혁명연구소 한석희 소장을 초청해 ‘AI 시대, 인간의 전략적 진화 - 슈퍼휴먼으로 거듭나기’를 주제로 줌 방송을 진행했다. 자세한 내용은 다시보기를 통해 확인할 수 있다. ■ 박경수 기자     슈퍼휴먼의 정의 : 기술에 나만의 진면목을 더하는 사람 이번 방송에서 한석희 소장은 100세 시대의 실존적 불안을 넘어 AI를 파트너로 삼아 개인의 역량을 극대화하는 구체적인 방법론과 사례를 공유했다. 한 소장은 슈퍼휴먼을 “AI를 활용해 이전에는 도달하지 못한 수준의 성과나 가치를 이루는 사람”으로 정의했다. 그는 슈퍼휴먼이 되기 위한 세 가지 조건으로 ▲자신만의 핵심 원석(경험, 직관) 발견 ▲AI를 협업 파트너로 수용 ▲AI 결과물에 인간의 인사이트를 더하는 ‘에디드 밸류(Added Value)’ 창출을 꼽았다. 한 소장은 “우리가 가지고 있는 지식과 경험은 사라지는 것이 아니라, AI를 통해 증폭되는 것”이라며, “AI를 단순한 도구가 아닌 반복 업무와 분석을 전담하는 팀원 혹은 협업 파트너로 인식하는 것이 진화의 첫걸음”이라고 강조했다.   생산성 10배 향상… 1인 미디어부터 전문 자문까지 또한 이번 방송에서는 AI를 통해 생산성을 혁신한 실전 사례가 소개되었다. 한 소장은 직접 겪은 사례를 통해 “AI와 협업하면 칼럼 집필이나 저술 속도가 4배 이상 빨라지며, 전문 자료 분석 능력은 10배 이상 향상된다”고 설명했다. 실제로 그는 AI를 활용해 자신만의 캐릭터가 담긴 ‘네 컷 만화’를 연재하고, 음악적 배경 없이도 수준 높은 작곡을 수행하며, 1인 뉴스레터 시스템을 구축하는 등 1인 기업으로서의 면모를 선보이고 있다. 특히 “AI가 글의 80%를 작성하더라도 나머지 20%에 나만의 핵심 메시지를 담아 완성도를 높인다”는 편집자적 관점을 제시해 큰 공감을 얻었다.   ▲ 4컷 만화 전문가 한석희   은퇴 후 제2의 인생, AI가 지렛대 역할 이번 웨비나에서는 시니어 세대를 위한 희망적인 메시지도 다뤄졌다. 대기업 임원 은퇴 후 AI의 도움으로 영문 서적을 출간해 아마존 베스트셀러가 된 사례나, 공무원 출신이 ESG 자문가로 변신한 사례 등이 대표적이다. 이는 AI가 인간을 소외시키는 것이 아니라, 오히려 묻혀 있던 개인의 경험을 세상 밖으로 끌어내는 강력한 도구가 될 수 있음을 시사한다. 한 소장은 웨비나를 마무리하며 “AI가 여러분을 대체하는 것이 아니라, AI를 활용하는 다른 사람이 여러분을 대체하게 될 것”이라며, “나이와 직업에 상관없이 누구나 슈퍼휴먼의 잠재력을 갖고 있으며, 지금 당장 AI와 협업하는 연습을 시작해야 한다”고 당부했다.     ■ 기사 내용은 PDF로도 제공됩니다.