최적화 문제를 통찰하기 위한 심센터 히즈 (1)   이번 호부터 제품 설계 과정에서 발생하는 다양한 문제에 대해서 최적화 방법론을 적용하고 올바른 결과를 도출하는 과정에 심센터 히즈(Simcenter HEEDS)를 활용하는 방법을 살펴보고자 한다. AI 모델을 학습시키기 위해서는 AI 모델이 정확한 패턴을 학습할 수 있도록 고품질의 데이터를 사용해야 한다. 이번 호에서는 심센터 히즈의 어댑티브 샘플링(Adaptive Sampling)과 SHERPA를 활용하여 양질의 데이터를 효율적으로 생성하는 과정을 살펴본다.   ■ 연재순서 제1회 AI 학습 데이터 생성을 위한 어댑티브 샘플링과 SHERPA의 활용 제2회 근사모델 기반의 최적화 vs. 직접 검색 기반의 최적화 제3회 수집 또는 측정된 외부 데이터의 시각화 및 데이터 분석 제4회 산포특성을 가지는 매개변수의 상관성 및 신뢰성 분석 제5회 실험 측정과 해석 결과 간의 오차 감소를 위한 캘리브레이션 분석 제6회 프로세스 자동화 Ⅰ 제7회 프로세스 자동화 Ⅱ 제8회 프로세스 자동화 Ⅲ 제9회 프로세스 자동화 Ⅳ 제10회 프로세스 자동화 Ⅴ   ■ 이종학 지멘스 디지털 인더스트리 소프트웨어에서 심센터 히즈를 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   설계 업무에서 AI를 활용하는 이유 AI는 다양한 영역에서 업무를 보조할 수 있다. 이번 연재에서는 많은 양의 데이터를 분석하여 설계 변수와 제품 성능 간의 관계에서 패턴과 트렌드를 식별하고, 데이터 기반 의사 결정을 지원하는 AI 모델을 학습시키는 것과 관련되어 있다. 잘 학습된 AI는 설계의 품질과 성능을 높이는 데 기여한다. 문제에 따라서는 기존 설계 패러다임에 도전하는 비정형적인 설계 설루션을 발견할 수 있다. 전반적으로는 설계 업무의 디지털 전환을 촉진하고, 전통적인 설계 방법의 한계를 극복하는 데 기여한다. 이는 설계의 효율성을 높이고, 혁신적인 설루션을 개발하는 데 도움을 준다.   AI 모델의 학습을 위한 데이터 AI 학습을 위해 필요한 데이터의 품질은 AI 모델의 성능과 정확성에 직접 영향을 미친다. 고품질의 데이터는 AI 모델이 정확한 패턴을 학습하고 신뢰할 수 있는 결정을 내릴 수 있도록 돕는다. 반대로, 저품질의 데이터는 모델의 성능을 떨어뜨리고 편향된 결과를 초래할 수 있다. 고품질의 데이터는 이러한 편향성을 줄이고 공정한 결과를 도출하는 데 기여한다. 데이터의 품질이 높을 수록 모델의 훈련 효율이 높아진다. 데이터가 일관성 있고 정확하면 모델이 더 빠르게 학습할 수 있다. 따라서 정확하고 일관성 있는 데이터는 모델이 올바른 결정을 내리는 데 필수이다.   시뮬레이션 데이터 생성의 자동화   그림 1   히즈는 제품 개발 프로세스에서 사용되는 다양한 설루션의 연결과 데이터 처리를 쉽게 진행할 수 있도록 자동화된 워크플로 구성환경을 제공한다. 상용 CAD 및 CAE 도구에 대한 광범위한 인터페이스를 사용하므로, 스크립트 개발이나 수동 조작 없이 많은 기술을 빠르고 쉽게 통합한다. 자동화된 워크플로에서는 서로 다른 모델링 및 시뮬레이션 간에 데이터를 자동으로 공유할 수 있다. 사용자는 프로세스의 자동화를 통해서 설계 공간 탐색을 보다 쉽고 효율적으로 수행할 수 있다. 사용자는 반복적인 업무를 벗어나 설계를 더 깊이 이해하고 성능 개선과 생산 품질 향상에 가장 적합한 조건을 선택하는 더 중요한 업무에 더욱 집중할 수 있다.    AI 학습 데이터 생성을 위한 예제 외팔보의 처짐 문제를 사용하여 데이터를 생성하고 AI 모델을 학습시키는 예제를 통해 기능을 비교해 보겠다. 외팔보의 체적을 최소화하는 최적화 문제를 다음과 같이 정의하였다. 빠른 계산을 위해 파이썬(Python)으로 계산한다.   그림 2    목적함수 외팔보 H빔의 체적을 최소화 제약 조건 최대 굽힘 응력(σ) ≤ 200 MPa • 최대 끝단 처짐(δ) ≤ 2 mm  설계 변수 Length : 5000 mm  Load P : 6500 N  E : 200 MPa  H : 50 mm ≤ H ≤ 100 mm  h1 : 5 mm ≤ h1 ≤ 30 mm  b1 : 50 mm ≤ b1 ≤ 100 mm  b2 : 5 mm ≤ b2 ≤ 50 mm  외팔보의 체적, 응력, 처짐량은 다음의 관계식으로 계산한다.  Volume = [2*h1*b1 + (H – 2*h1)*b2]*L  Stress = P*L*H/(2*I)  Deflection = P*L3/(3*E*I)  where : I = 1/12*b2*(H-2*h1)^3 + 2*[1/12*b1*h13 + b1*h1*(H-h1) 2/4]   히즈 기본 설정 파이썬 포털(Python portal)을 사용하여 예제의 입력(input)/출력(output) 파일을 등록하였다.    그림 4   전통적인 실험계획법에 의한 데이터 생성 방법 <그림 6>과 같이 4개의 설계변수를 기반으로 전통적인 실험계획법으로 데이터를 생성해보겠다. 여기서는 3 Level의 Full factorial을 사용하여 81개의 데이터가 생성된다.   그림 6   ■ 자세한 기사 내용은 PDF로 제공됩니다.

다쏘시스템은 산업용 자동화 로봇 기업인 쿠카(KUKA)와 파트너십을 맺고, 제조 산업에 로봇 및 자동화 분야의 증가하는 수요를 충족하는 종합 설루션을 제공한다고 발표했다. 다쏘시스템은 쿠카의 산업용 소프트웨어 설루션을 위한 디지털 에코시스템인 모자이크엑스(mosaixx)에 합류해, 쿠카 고객에게 3D익스피리언스 플랫폼 및 애플리케이션을 쉽게 구매하고 사용할 수 있는 방법을 제공한다. 버추얼 트윈 기술에 대한 고객의 접근성을 확대하고 협업 기능을 강화함으로써, 다쏘시스템과 쿠카는 새로 설립된 쿠카 디지털(KUKA Digital)을 통해 기업이 운영을 혁신하는 보다 효율적이고 적응력 있는 설루션 개발을 추진할 수 있는 기회를 제공할 수 있게 됐다. AI, 에너지 효율성 및 기타 트렌드에 힘입어 산업용 로봇 설치의 글로벌 시장 가치는 165억 달러로 추산된다. 2024년에는 전 세계 공장에서 400만 대 이상의 산업용 로봇이 운영 중인 것으로 추산되었으며, 2026년에는 연간 설치 대수가 71만 8000대로 증가할 것으로 예측된다. 2024년 쿠카 그룹은 산업용 로봇 분야용 소프트웨어를 위한 개방형 협업 클라우드 플랫폼을 제공하기 위해 모자이크엑스를 출시했다. 시스템 통합업체와 엔지니어는 기계 유형이나 제조업체에 관계 없이 에코시스템 접근 방식을 사용하여 공장 현장과 생산 기계의 디지털화 및 자동화를 추진할 수 있는 포괄적인 설루션에 액세스할 수 있다. 다쏘시스템의 3D익스피리언스 플랫폼과 애플리케이션은 전 세계 산업 장비 업계에서 제품, 프로세스 및 인프라를 물리적으로 생산하거나 구현하기 전에 실시간 데이터를 활용해 가상으로 설계, 시뮬레이션 및 엔지니어링하는 데 사용된다.     퀴린 고어츠(Quirin Goerz) 쿠카 디지털 CEO는 “다쏘시스템과의 협력을 통해 업계를 선도하는 버추얼 트윈 기술로 모자이크엑스 포트폴리오를 확장할 수 있게 됐다”면서, “엔지니어는 실시간 데이터를 활용해 시뮬레이션과 분석을 수행할 수 있으며, 간소화된 협업을 통해 시스템 통합업체는 유연한 애플리케이션으로 적응력과 혁신을 강화할 수 있다”고 말했다. 다쏘시스템의 지앙 파올로 바씨(Gian Paolo Bassi) 고객 경험 부문 수석 부사장은 “쿠카와의 파트너십을 통해 3D익스피리언스 플랫폼과 카티아, 델미아, 솔리드웍스와 같은 다양한 애플리케이션에 대한 간소화된 액세스를 제공할 수 있게 되었다”면서, “우리는 이번 파트너십을 기반으로 우리의 고객이 가상 세계의 혜택을 누리고 자동차, 항공우주, 전자, 금속 가공, 물류, 의료 등 다양한 분야에서 협업하고 혁신할 수 있는 새로운 가능성을 열 것”이라고 말했다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (18)   터보 기계는 흐르는 유체와 회전하는 요소 사이에서 에너지 전달이 일어나는 기계에 초점을 맞춘 기계공학의 한 분야이다. 이러한 장치는 많은 산업 분야에서 중추적인 역할을 한다.이번 호에서는 메시 작업 이후 유동 흐름 및 물리 모델을 설정하는 과정을 살펴본다.    ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   흐름 및 물리 모델 설정 메시 프로세스를 완료한 후 흐름 및 물리 모델을 설정하는 것은 정확한 예측을 위한 토대를 마련하는 중요한 작업이다. 이 프로세스에는 미묘한 터보기계 흐름 역학을 포착하는 데 중요한 적절한 층류 또는 난류 모델을 선택하는 것이 포함된다. 또한 재료 특성 지정, 경계 조건의 신중한 구성, 초기 조건 설정이 수반된다. 이러한 세부 사항에 주의를 기울임으로써 시뮬레이션 프레임워크는 복제하고자 하는 실제 물리적 시나리오를 반영할 수 있도록 잘 준비될 것이다.   머티리얼 프로퍼티 정의 재료 속성을 올바르게 지정하면 다양한 작동 조건에서 유체 또는 고체 재료의 물리적 거동을 사실적으로 캡처할 수 있다. 다음에는 지정해야 할 주요 머티리얼 프로퍼티가 나열되어 있다.  밀도 및 점도 : 유체의 경우 이러한 특성은 특히 관성 및 흐름 저항 측면에서 흐름 거동에 영향을 미치므로 정확한 밀도와 점도를 지정하는 것이 중요하다.  열적 특성 : 여기에는 열 전달과 관련된 시뮬레이션에 필수적인 비열 용량과 열전도도가 포함된다.  압축성 : 가스의 경우 밀도와 압력의 변화를 정확하게 모델링하려면 압축성 계수가 필요하다.  탄성 및 가소성(고체 재료의 경우) : FSI와 관련된 시뮬레이션에서는 유체 힘에 대한 구조적 반응을 예측하기 위해 탄성 및 가소성과 같은 기계적 특성이 필요하다. 재료 특성은 온도, 압력 및 기타 환경 요인에 따라 변화하는 경우가 많다. 특히 다양한 작동 조건이 예상되는 시뮬레이션에서는 이러한 변화를 고려하는 것이 필수이다. 재료 특성이 부정확하면 실제 성능과 상당한 편차가 발생하여 설계 프로세스가 잘못될 수 있다.   유동 모델 선택 시뮬레이션의 물리적 특성을 반영하기 위해 재료 특성을 정의했다면, 다음 단계는 적절한 유동 모델링 접근 방식을 선택하고 구현하는 것이다. 터보 기계의 흐름은 본질적으로 불안정(unsteady)하며 3차원의 점성, 불안정 효과의 조합으로 설명할 수 있다. 그러나 터보 머신의 설계는 다열 상호 작용(예 : 전위 효과 및 파동 전파), 난류(예 : 와류 흘림 및 2차 흐름), 설계 외 효과(예 : 회전 실속 및 서지), 외부 왜곡(예 : 돌풍 및 발생 바람), 블레이드 진동(예 : 플러터 및 강제 응답) 같은 현상으로 인한 불안정한 효과를 무시하고 안정된 유동 해석에 기반하는 경우가 많다.  <그림 1>에 제시된 흐름 모델은 불안정성을 올바르게 모델링하는 데 필수이다.    그림 1. 주기성 및 안정성을 기반으로 터보 기계의 불안정성을 포착하는 흐름 모델   Large Eddy Simulation(LES) & Detached Eddy Simulation(DES) : 터보 기계의 불안정한 현상을 포착하는 충실도 높은 모델이다. LES는 큰 난기류 스케일을 해결하고 작은 난기류 스케일을 모델링한다. 반대로 DES는 단단한 벽 근처의 RANS 방법과 벽에서 떨어진 영역의 LES 방법을 혼합하여 더 큰 규모의 난류 소용돌이와 흐름 분리를 포착한다. 두 방법 모두 난류와 불안정한 흐름 역학에 대한 상세한 인사이트를 제공하지만 계산 비용이 높다.  Reynold-Average Navier-Stokes(RANS) : RANS는 터보 기계의 안정적인 흐름 조건을 시뮬레이션하는 데 이상적이다. 이 접근 방식은 시간에 따른 NS 방정식의 평균을 구하여 평균 흐름 거동에 대한 통찰력을 얻는다.  Unsteady Reynolds-Averaged Navier-Stokes(URANS) : URANS는 시간에 따른 효과를 포착하기 위해 RANS 접근 방식을 확장한 것이다. 주기적 및 일시적인 실행 문제를 시뮬레이션하는 데 사용할 수 있다. 주기적 현상은 시간 평균 주기적 솔루션과 섭동을 포함하며, 과도 실행 문제는 일시적인 시작 및 종료 시나리오와 같은 불안정하고 비주기적인 현상과 관련이 있다.  Frequency Domain Method : 주기적인 불안정 현상을 시뮬레이션하기 위한 계산 방식이다. 시간에 따른 해를 계산하는 대신 진동 주파수를 고려함으로써 불안정성으로 인한 정상 상태 효과를 분석할 수 있다. 이 방법은 특히 블레이드 통과 효과와 같은 주기적 응답을 캡처하는 데 유용하며, 전체 과도 시뮬레이션에 비해 계산 비용을 절감할 수 있다.   난기류 모델링 레이놀즈 응력이라고 하는 NS 방정식의 비선형 항은 일반적으로 다양한 난류 모델을 사용하여 모델링한다. 난류는 속도 및 압력과 같은 유체 속성이 평균값 주변에서 무작위로 예측할 수 없는 변화를 보이는 것이 특징이다. 일반적으로 레이놀즈 수가 400에서 2000 사이의 임계값을 초과할 때 나타난다. 특히 산업용 애플리케이션의 95%에서 임계 레이놀즈 수가 이 임계값을 초과한다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   앤시스 플루언트(Ansys Fluent)의 iFSI 기능은 구조 연성 해석에서 매우 유용한 기능이다. 이번 호에서는 Thermo-elasticity Model을 적용한 바이메탈 열변형 해석 사례를 통해, 플루언트 iFSI 기능의 장단점을 살펴보고자 한다.    ■ 정세훈 태성에스엔이 FBU-F5팀의 수석 매니저로 유동 해석 기술 지원 및 교육, 용역 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   앤시스에서 제공하는 FSI(Fluid-Structure Interaction : 유동-구조 연성 해석) 해석 방법은 크게 ‘extrinsic FSI’와 ‘intrinsic FSI’로 나뉜다. Extrinsic FSI는 CFD 및 메커니컬 솔버의 결과(유체-구조 상호작용 경계면에서의 압력, 열 및 변위)를 시스템 커플링 또는 External Data와 같은 별도의 프로그램을 통해 특정 반복(iteration)/시간(time)마다 주고받는 연성 해석 방법이다. 반면, ‘intrinsic FSI(iFSI)’는 별도의 커플링 프로그램 및 FEA 솔버 없이 앤시스 플루언트 솔버 단독으로 FSI 해석을 수행하는 방법으로, 앤시스 2019R1 버전에서 베타 기능으로 처음 소개되었으며 2020R1 버전에서 정식 기능으로 추가되었다. 2024R2 버전 기준으로, iFSI 해석 시에는 다음과 같은 제한 및 주의 사항이 있다. 다면체(polyhedral) 셀을 지원하지 않음 FSI 솔루션이 초기화 또는 시작된 경우 격자를 교체할 수 없음 유체와 고체 영역은 반드시 양면 벽(즉, wall/wall-shadow)에 의해 분리되어야 함 구조 모델을 활성화하려면 도메인에 적어도 하나의 고체 영역이 있어야 함 다음 동적 메시 옵션은 지원되지 않음 : in-cylinder, six DOF, 접촉 감지(contact detection)  Dynamic Mesh Zones 대화 상자에서 양면 벽(즉, 벽 또는 벽 그림자) 바로 옆의 유체 셀 영역(벽 대화 상자의 Adjacent Cell Zone 필드에 의해 표시됨)에 대해서만 선택 가능 DEFINE_PROFILE과 같은 다른 경계 조건 프로파일 또는 UDF는 사용할 수 없음 shell conduction, mesh adaption, mesh morpher, optimizer, adaptive time stepping 기능은 사용할 수 없음 구조 모델은 앤시스 워크벤치에서 앤시스 플루언트를 실행할 때 사용할 수 없음 선형 탄성(linear elasticity) 구조 모델은 고체 재료의 항복 강도를 초과하지 않는 응력 하중에 적합함   Thermal-elasticity Model thermal-elasticity model은 앤시스 플루언트 솔버에 탑재된 다음과 같은 구성 방정식을 통해 열하중에 의한 구조물의 변형을 예측하는 기능이다.   εt = total strain vector ∆T= T – Tref , Tref = Starting(reference) temperature  {α} = vector of coefficients of thermal expansion  {β} = vector of thermos elastic coefficients = [D]{α}  [D]  = elastic stiffness matrix <그림 1>에서 Energy Equation을 선택하고, <그림 2>와 같이 Structural Model에서 Thermal Effect 항목을 설정하면 해당 기능을 사용할 수 있다.   그림 1. Energy Equation 선택   그림 2. Structural Model 설정   바이메탈 열변형 해석 사례 <그림 3>은 유동장 내부의 바이메탈 변형량을 예측하기 위한 iFSI 해석 사례의 개략도이다.   그림 3. 바이메탈 연성 해석 개략도   이 사례에서 바이메탈 하부 재료(steel1)는 상부 재료(steel2)에 비해 더 높은 열팽창 계수를 가지고 있으며, 각 재료의 물성은 <표 1>과 같다. 유체는 이상기체로 가정했다. 바이메탈이 뜨거운 유체에 의해 가열되어 발생하는 열팽창과 굽힘 차이를 예측하기 위해 Thermal-elasticity Model을 적용한 iFSI 기법으로 해석을 진행했다.   표 1. 바이메탈 물성값     ■ 자세한 기사 내용은 PDF로 제공됩니다.

금속 적층제조의 최적화를 위한 앤시스 애디티브   이번 호에서는 금속 적층제조 공정의 파라미터 최적화 단계에서 활용할 수 있는 앤시스 애디티브(Ansys Additive)의 다양한 기능에 대해 소개하고자 한다.   ■ 박준혁 원에이엠 DfAM 팀의 선임연구원으로, 적층제조 특화 설계 업무를 담당하고 있다. 홈페이지 | www.oneam.co.kr   금속 적층제조(AM) 기법에서 공정 최적화 작업은 가변 가능한 파라미터 변수가 많아 최적화에 상당히 많은 시간과 비용이 소요된다. 앤시스 애디티브는 이러한 애로 사항을 개선하고자 직관적으로 적층 중 발생하는 변형 및 블레이드 크래시(blade crash)를 사전 예측하여 적층 실패를 줄여주는 애디티브 프린트(Additive Print) 기능과 single bead, porosity, microstructure 해석을 통해 효율적으로 공정 파라미터 최적화 작업을 수행할 수 있는 애디티브 사이언스(Additive Science) 기능을 제공한다.  이번 호에서는 금속 적층된 Al 합금의 single bead 해석을 통한 single bead 품질 안정영역 확보, porosity 해석을 통한 Hatch Distance 영역 확보, 마지막으로 microstructure 해석을 통한 소재 물성이 우수한 공정 파라미터 영역을 확보하는 방법 등 애디티브 사이언스의 기능에 대해 소개한다. 그리고, 해석 결과를 통해 통해 애디티브 사이언스를 활용하는 방안에 대해 소개하고자 한다.   금속 적층제조의 파라미터 해석을 위한 시뮬레이션 금속 적층제조 시장이 성장함에 따라 금속 적층제조 파라미터를 해석하기 위한 시뮬레이션 시장도 같이 성장하고 있다. 이번 호에서 활용하는 장비는 금속 적층제조 장비 시장의 70% 이상을 차지하는 L-PBF(Laser-Powder Bed Fusion) 방식으로, <그림 1>과 같이 분말을 한층 깔고 그 위로 선택적 레이저 조사를 통해 응고한 뒤 다시 분말을 한 층 더 도포하는 작업을 반복하여 제품을 생산하며, SLM(Selective Laser Melting)이라고도 부른다. 이 공정은 이러한 3차원 적층물 제작에 대해 기구적으로 명확한 메커니즘을 차용하고 있어, 공정 파라미터 최적화 및 변형에 대한 시뮬레이션을 적용하고자 하는 시도가 증가하는 추세이다.   그림 1. PBF(Powder bed fusion) 모식도   앤시스 애디티브는 크게 두 가지의 활용도를 갖는다. 첫 번째로 금속 적층제조에 대하여 미시적인 영역에서 공정 파라미터가 적층 제조물의 single bead, porosity, microstructure에 미치는 영향을 해석하는 애디티브 사이언스 기능이다. 이 해석 툴은 최소한의 실험을 통하여 직접 제조하지 않고도 해당 파라미터에서의 제조 품질을 예측할 수 있어, 적층제조 공정 최적화를 목표로 활용된다. 두 번째는 애디티브 프린트로, 거시적인 영역에서 적층 제조물의 잔류응력, 제조 중의 변형 예측, Blade Crash를 해석하고 이에 따른 보상 모델을 도출 및 서포트 보강을 통한 적층제조 안정성 확보에 목적이 있다. 애디티브 사이언스 기능은 시편 제조, 측정 및 해석 툴 활용 면에서 다양한 팩터(factor)를 제시하므로 전문 엔지니어에게 추천하며, 애디티브 프린트는 빠른 경향 분석 및 서포트 추가 등 한 번의 적층에 대한 안정성을 높이는데 적합하여 필드 엔지니어에게 사용을 권장한다. 기존 금속 적층제조 공정 파라미터 최적화를 수행하기 위한 시험은 <그림 2>와 같이 시편 제작부터 최종 단계인 광학 현미경 분석에 이르기까지 문헌에 의거한 파라미터 범위 선정, 시편 제작, 시편 절단. Polishing, Etching 등 복잡한 전처리 과정이 수반된다.    그림 2. 적층 공정 파라미터 분석 절차     ■ 자세한 기사 내용은 PDF로 제공됩니다.

엔비디아가 '슈퍼컴퓨팅 2024(SC24) 콘퍼런스에서 폭스콘이 엔비디아 옴니버스(NVIDIA Omniverse)를 통해 생산성을 확대하고 있다고 밝혔다. 세계 최대 전자제품 제조업체 중 하나인 폭스콘은 현재 본격적인 생산에 돌입한 블랙웰(Blackwell)의 수요를 충족하기 위해 엔비디아 옴니버스를 사용하고 있다. 엔비디아 옴니버스는 산업용 AI 시뮬레이션 애플리케이션 개발을 위한 플랫폼으로, 현재 미국, 멕시코, 대만의 생산 설비를 온라인으로 전환하는 데에 도움을 주고 있다. 폭스콘은 생산 설비와 장비 레이아웃을 가상으로 통합하는 데에 엔비디아 옴니버스를 사용하고, 자율 로봇 테스트와 시뮬레이션에는 엔비디아 아이작 심(Isaac Sim)을, 비전 AI를 위해서는 엔비디아 메트로폴리스(Metropolis)를 활용하고 있다. 옴니버스는 산업 개발자가 실제 환경에서 비용이 많이 드는 변경 사항을 배포하기 전에 디지털 트윈에서 테스트와 최적화를 거쳐 효율성을 극대화할 수 있도록 돕는다. 폭스콘은 멕시코 공장에서만 큰 폭의 비용 절감과 연간 30% 이상의 전략 사용량 감소를 기대하고 있다.     폭스콘의 공장 기획자들은 수요에 대응하기 위해 옴니버스와 엔비디아 AI를 사용해 물리 AI 기반 로봇 공장을 구축하고 있다. 옴니버스를 통해 디지털 트윈을 구축한 폭스콘은 지멘스의 팀센터 X(Teamcenter X)와 오토데스크 레빗(Revit)과 같은 주요 산업 애플리케이션의 생산 설비와 장비 정보를 가상으로 통합할 수 있도록 했다. 평면도 레이아웃은 디지털 트윈에서 먼저 최적화된다. 그리고 기획자는 메트로폴리스 시각 AI 에이전트를 통해 운영을 간소화하는 방법을 측정하고 식별하는데 도움이 되는 최적의 카메라 위치를 찾을 수 있다. 건설 과정에서 폭스콘 팀은 옴니버스 디지털 트윈을 데이터 소스로 사용해 장비의 정확한 레이아웃과 배치를 전달하고 검증한다. 옴니버스의 가상 통합은 실제 운영에서 비용이 많이 드는 변경 사항을 줄임으로써 공장 기획자에게 수백만 달러를 절약할 수 있는 상당한 이점을 제공한다는 것이 엔비디아의 설명이다. 공장의 디지털 트윈이 구축되면, 공장은 산업용 매니퓰레이터와 자율 주행 로봇을 비롯한 폭스콘의 자율 로봇을 위한 가상 훈련장이 된다. 폭스콘의 로봇 개발자는 실제 로봇에 배포하기 전에 엔비디아 아이작 심에서 AI 로봇 모델의 시뮬레이션과 테스트, 검증을 진행한다. 폭스콘은 옴니버스를 사용해 로봇 AI를 시뮬레이션한 후, 엔비디아 젯슨(Jetson) 기반 자율 주행 로봇에 배포할 수 있다. 그리고, 조립 라인에서는 아이작 매니퓰레이터(Manipulator) 라이브러리와 AI 모델을 사용해 자동 광학 검사, 물체 식별, 결함 감지, 경로 계획을 시뮬레이션할 수 있다. 또한, 생산설비 기획자는 옴니버스를 통해 실제 환경에 설치하기 전에 인텔리전트 카메라 배치를 테스트하고 최적화할 수 있다. 이를 통해 공장 현장을 파악하며 작업자의 안전을 지원하고 시각적 AI 에이전트 프레임워크의 기반을 마련한다. 폭스콘은 엔비디아 옴니버스와 AI를 사용해 전 세계에 걸쳐 정밀 생산 라인을 복제할 계획이다. 이를 통해 폭스콘은 통합 표준을 충족하는 고품질 생산설비를 신속하게 배포해 시장에서의 경쟁 우위와 적응력을 향상시킬 것으로 기대한다. 폭스콘의 신속한 복제 능력은 생산 전략을 신속하게 조정하고 리소스를 재할당해 변화하는 수요에 맞춰 연속성과 안정성을 제공한다. 이를 통해 전 세계적인 생산시설 구축을 가속화하고 공급망 중단에 대한 탄력성을 강화할 수 있다는 것이 엔비디아의 설명이다. 폭스콘의 멕시코 공장은 2025년 초에, 대만 공장은 12월에 생산을 시작할 예정이다.

엔비디아가 ‘엔비디아 AI 서밋 재팬’에서 토요타, 야스카와, 리케이 코퍼레이션 등 일본 기업의 사례를 소개하면서, 엔비디아 옴니버스(Omniverse), 아이작(Isaac), 메트로폴리스(Metropolis)를 공급해 피지컬 AI와 산업용 AI를 혁신시키고 있다고 발표했다. 산업과 피지컬 AI 기반 시스템은 로봇 AI 모델 훈련, 테스트, 시뮬레이션, 배포를 가능하게 하는 세 가지 컴퓨터 설루션을 통해 가속화되고 있다. 토요타 공장에서 중금속을 운반하는 로봇. 공장에서 인간과 함께 일하는 야스카와의 로봇. 이러한 노력을 가상으로 진행하기 위해 리케이 코퍼레이션은 계획을 지원하는 디지털 트윈 툴을 개발하고 있다.  토요타는 로봇의 모션, 파지를 위한 물리 시뮬레이션에 엔비디아 옴니버스를 활용해 금속 단조 능력을 향상시키고 있다. 이를 통해 로봇이 단조 재료를 운반하는 방법을 훈련하는 데에 걸리는 시간을 단축할 수 있다. 토요타는 로봇의 작업 처리와 로봇 모션을 엔비디아 피직스(PhysX)의 정확도로 재현하는 것을 검증하기 위해 옴니버스를 사용하고 있다. 옴니버스는 현실 세계의 사물과 시스템의 물리적 특성을 정확하게 복제하는 공장과 기타 환경의 디지털 트윈 모델링을 지원한다. 이는 차세대 자율 시스템을 구동하기 위한 피지컬 AI 구축의 기반이 된다. 토요타는 옴니버스를 통해 질량 특성, 중력, 마찰 등을 모델링해 테스트의 물리적 표현과 결과를 비교할 수 있다. 이는 조작과 로봇 모션 작업에 도움이 될 수 있다. 또한 토요타는 고도의 기술이 필요한 문제에 대해 로보틱스로 선임 직원의 전문 지식을 복제할 수 있다. 뿐만 아니라 공장 직원이 금속 단조 생산 라인과 관련된 고온, 열악한 환경에서 작업할 필요가 없어 안전성과 처리량이 향상된다.   ▲ 이미지 제공 : 토요타   야스카와는 60만 대 이상의 로봇을 출하하고 자동차 산업용 로봇, 협동 로봇, 양팔 로봇 등 약 200개의 로봇 모델을 제공하는 선도적인 글로벌 로봇 제조업체이다. 야스카와는 작업 적응, 다용도성, 유연성을 갖춘 적응형 로봇 모토맨 넥스트(MOTOMAN NEXT)를 통해 새로운 시장으로 확장하고 있다. 모토맨 넥스트는 엔비디아 아이작과 옴니버스 플랫폼으로 구동되는 첨단 로보틱스를 기반으로 하며, 식품, 물류, 의료, 농업 산업을 위한 자동화를 제공하는 데에 주력하고 있다. 야스카와는 엔비디아 가속 라이브러리와 AI 모델의 레퍼런스 워크플로인 엔비디아 아이작 매니퓰레이터(Manipulator)를 사용해 산업용 로봇 팔에 AI를 통합해 광범위한 산업 자동화 작업을 완료할 수 있는 능력을 부여하고 있다. 야스카와는 정밀한 6D 포즈 추정, 추적을 위해 파운데이션포즈(FoundationPose)를 사용하고 있다. 이러한 AI 모델은 야스카와 로봇 팔의 적응력과 효율성을 향상시킨다. 아울러 모션 제어로 시뮬레이션에서 현실로의 전환을 가능케 해 다양한 산업 분야에서 복잡한 작업을 효과적으로 수행할 수 있도록 지원한다. 야스카와는 옴니버스 토대로 구축된 엔비디아 아이작 심(Sim) 기반의 디지털 트윈과 로봇 시뮬레이션을 채택했다. 이를 통해 야스카와의 로봇 설루션 개발과 배포를 가속화해 시간과 리소스를 절약하고 있다. 시스템 설루션 제공업체인 리케이 코퍼레이션은 제조 부문을 위한 공간 컴퓨팅과 확장 현실 기술을 전문으로 하는 기업이다. 이 기술 회사는 일본 제조 산업을 위한 디지털 트윈 애셋 라이브러리인 재팬 USD 팩토리(JAPAN USD Factory)를 개발했다. 엔비디아 옴니버스를 기반으로 개발된 재팬 USD 팩토리는 일본 전역의 제조 현장에서 일반적으로 사용되는 자재와 장비를 디지털 형태로 재현한다. 이를 통해 일본 제조업체들은 공장과 물류창고의 디지털 트윈을 보다 쉽게 구축할 수 있다. 리케이 코퍼레이션은 이러한 디지털 자산을 통해 제조 공정의 다양한 설계, 시뮬레이션, 운영 단계를 간소화해 디지털 트윈을 통한 생산성 향상을 목표로 하고 있다. 범용 3D 애셋 교환인 오픈USD(OpenUSD)로 개발된 재팬 USD 팩토리는 개발자가 팔레트와 랙과 같은 애셋 라이브러리에 액세스하게 해 툴과 워크플로 전반에 걸쳐 원활한 통합을 제공한다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (15)   터보 기계는 흐르는 유체와 회전하는 요소 사이에서 에너지 전달이 일어나는 기계에 초점을 맞춘 기계공학의 한 분야이다. 이러한 장치는 많은 산업 분야에서 중추적인 역할을 한다.  이번 호에서는 성능 최적화, 안전성 보장, 효율성 향상을 위한 정확한 시뮬레이션의 중요성을 강조하면서 터보 기계 시뮬레이션의 복잡성에 대해 살펴본다.    ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   오늘날의 기술 중심 세계에서는 터보 기계의 동작을 정확하게 예측하는 것이 무엇보다 중요하다. 이를 통해 항공기 추진 시스템에 결함이 없고, 에너지 시스템은 최소한의 낭비로 최대 출력을 제공하며, 전 세계 산업은 수요에 따라 흔들리지 않는 기계에 의존할 수 있다. 하지만 이러한 노력은 간단하지 않다. 여러 층의 복잡성, 기본 원리에 대한 이해, 고급 계산 기술의 적용이 필요하다.  이번 호부터 소개할 가이드에서는 터보 기계의 시뮬레이션 프로세스를 설명하고자 하는데, 이론적 토대와 실제 적용 사례를 모두 조명하는 것을 목표로 한다. 내용은 풍부하고 상세하지만, 전문성을 향상하고자 하는 전문가, 한계를 뛰어넘고자 하는 연구자, 핵심을 파악하고자 하는 초보자를 위해 명확하게 구성되어 있다.  향후 연재할 가이드를 통해 터보 기계 시뮬레이션의 원리, 방법론, 향후 발전 방향에 대해 살펴본다. 단순한 지식 전달을 넘어 이 분야에 대한 깊은 이해를 심어주는 것이 목표이다.    터보 기계의 기초  터보머신을 시뮬레이션하려면 유체 역학 및 열역학에 대한 기본적인 이해가 필요하다. 이 장에서는 이러한 정교한 기계의 시뮬레이션을 안내하는 핵심 원리, 터보 기계의 유형 및 주요 구성 요소에 대해 설명한다.    기본 원리  터보머신의 핵심은 로터라고 하는 회전 메커니즘을 통해 에너지를 전달하는 장치를 말한다. 공기, 증기, 물, 휘발유, 디젤, 고온 가스 등 지속적으로 흐르는 유체가 회전하는 구성 요소(예 : 블레이드, 베인, 임펠러)와 상호작용하여 유체에서 에너지를 추출하거나 유체에 전달한다. 이러한 에너지 전달은 유체 속도, 압력, 때로는 온도의 변화로 나타나며, 기계적 작업 결과물 또는 유체 에너지의 증가로 이어진다. 디지털 시대에는 전산 유체 역학(CFD)이 터보 기계를 시뮬레이션하는 주요 수단 이 되었다.  많은 CFD 소프트웨어는 다음에 정의된 유체 운동에 보존 법칙을 적용하여 도출된 나비에-스토크스(Navier-Stokes) 방정식을 기반으로 한다.  질량 보존(연속성 방정식) : 이 법칙은 닫힌 시스템에서는 질량이 생성되거나 소멸될 수 없다는 것을 말한다. 유체의 경우, 이는 질량이 부피에 들어오는 속도와 부피에서 나가는 속도가 같아야 하며, 부피 내에 축적된 질량은 모두 같아야 함을 의미한다. 이 원리는 연속성 방정식으로 이어진다.  운동량 보존(뉴턴의 운동 제2법칙) : 유체에 적용되는 뉴턴의 제2법칙으로, 유체 요소의 운동량 변화율은 그 요소에 작용하는 힘의 합과 같다는 것을 말한다. 이러한 힘에는 유체 요소의 표면에 작용하는 압력 힘과 유체 내의 점성 응력이 모두 포함된다. 운동량 보존 법칙이 유체에 적용되면 운동량 방정식이 성립한다.  에너지 보존(열역학 제1법칙) : 이 법칙에 따르면 에너지는 생성되거나 파괴될 수 없으며, 한 형태에서 다른 형태로만 전달되거나 변환될 수 있다. 유체 역학에서 이 보존 법칙은 전도, 대류 및 유체 내의 열원이나 흡원으로 인한 열 에너지 전달을 설명하는데 적용된다. 비압축성(밀도가 일정한) 및 등온성(온도가 일정한) 흐름의 경우 열 효과는 나비에-스토크스 방정식에 나타나지 않는 경우가 많다. 그러나 압축성 및 비등온성 흐름의 경우 에너지 방정식을 나비에 스토크스 방정식과 결합하여 유체 내의 온도장 및 열 전달을 설명할 수 있다.  이 세 가지 보존 법칙은 나비에-스토크스 방정식의 핵심을 이루며 편미분 방정식으로 표현된다. 나비에-스토크스 방정식은 특히 복잡한 경계 조건의 경우 해석적으로 풀기 어려운 경우가 많다. 따라서 근사 해를 구하기 위해 수치적 방법을 자주 사용한다. 나비에-스토크스 방정식을 수치적으로 풀면 터보 기계 내부의 유체 흐름 특성에 대한 통찰력을 얻을 수 있다.   그림 1. 다단 원심 컴프레서의 계산 모델에서 흐름이 간소화된다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공사례   ASME BPVC, Section-VIII, Division-2, Part 5는 해석을 통한 설계 요구사항에 대해 설명하고 있다. 이 중에서 5.4 Protection Against Collapse From Buckling은 좌굴 해석에 대해 설명하고 있는데, 2023년판부터 좌굴 해석의 내용을 좀 더 상세하게 설명하고 평가 방법도 변경되었다.  이번 호에서는 2021년판과 2023년판에서 설명하고 있는 선형 좌굴 해석 방법을 알아보고, 예제를 통해 하중계수 및 관련 요소들을 산출하는 방법에 대해 이해하고자 한다.    ■ 정준영 태성에스엔이 MBU-M5팀의 수석매니저로 구조 해석 기술 지원 및 교육, 용역 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   ASME(American Society of Mechanical Engineers)는 미국 기계 학회의 약칭으로, 기계에 관한 표준 정립, 보일러 및 압력 용기의 설계, 제작, 검사에 관한 기술 기준을 제시하고 있다. ASME 규격은 1900년대 초까지 많은 보일러 사고에 의해 수 많은 인명 피해가 발생함에 따라, 보일러에 대한 안정성 확보가 필요하다는 관점에서 정립되어 설계에 대한 지침을 제공하고 있다. 그 중에서 Section-VIII-2, 5.4 항에 설명된 좌굴 해석은 2021년판까지 세 가지 타입으로 구분하여 설명하고 있었으나, 2023년판부터 개정되어 두 가지(A-탄성, B-소성) 방법을 제시하고 있다.    그림 1. ASME BPVC-VIII-2-2023   지금부터 2021년판 타입-1과 2023년판부터 개정된 방법-A에 설명된 선형 좌굴 해석 방법에 대해 소개한다.   ASME-VIII-2, 2021 Edition, 5.4.1.2 구조 안정성 평가에 사용되는 설계 계수(design factor)는 수행된 좌굴 해석 유형에 기반한다. 좌굴 하중이 수치 해석(분기 좌굴 해석 또는 탄소성 붕괴 해석)을 통해 결정될 때, 셸 부재에 적용하기 위한 최소 설계 계수는 다음의 세 가지 유형으로 정의한다.    TYPE-1 : Elastic Stress Analysis without Geometric Nonlinearities in the Solution(Minimum Design Factor, ΦB=2/βcr)  구성 요소의 전하중(prestress)을 결정하기 위해 솔루션에서 기하학적 비선형성 없이 탄성 응력을 이용하여 분기 좌굴 해석을 수행하는 경우 최소 설계 계수 ΦB=2/βcr을 사용해야 하며, 다음 의 βcr 계수에 대한 사용 값을 제시하고 있다.  The Capacity Reduction Factors, βcr   For unstiffened or ring stiffened cylinders and cones under axial compression    For unstiffened and ring stiffened cylinders and cones under external pressure    For spherical shells and spherical, torispherical, elliptical heads under external pressure    앞의 내용에서는 ASME-VIII-2, Table 5.3의 설계 하중 조합 (1)~(9)를 바탕으로 부품의 전하중을 설정한다.(그림 2)    그림 2. Load Case Combination and Allowable Stresses for an Elastic Analysis    <그림 2>에 있는 Table 5.3의 파라미터는 <그림 3>의 ASME-VIII-2 Table 5.2를 참고한다.   TYPE-2 : Elastic-Plastic Analysis with the Effects of Nonlinear Geometry in the Solution(ΦB=1.667/βcr) 부품의 전하중을 결정하기 위해 솔루션에서 비선형 형상의 영향을 받는 탄소성 응력을 사용하여 분기 좌굴 해석을 수행하는 경우, 최소 설계 계수 ΦB=1.667/βcr를 사용하며 <그림 2>의 설계 하중 조합 (1)~(9)를 바탕으로 부품의 전하중을 설정한다.   그림 3. Load Combination Parameters     ■ 자세한 기사 내용은 PDF로 제공됩니다.