지멘스 디지털 인더스트리 소프트웨어가 포뮬러 1(Formula 1)에서 오랜 기술 파트너십을 이어온 오라클 레드불 레이싱(Oracle Red Bull Racing)과의 협력 20주년을 맞았다고 밝혔다. 지멘스와의 협력을 통해 오라클 레드불 레이싱은 지멘스 엑셀러레이터(Siemens Xcelerator)를 기반으로 한 엔지니어링 인프라를 구축하고, 차량 설계와 제조를 최적화하면서, 설계 시간을 단축해 왔다. 오라클 레드불 레이싱은 2004년부터 지멘스 엑셀러레이터의 산업용 소프트웨어 포트폴리오를 기반으로 엔지니어링 인프라를 구축했다. 이후 물류 과제, 설계 복잡성 증가, 부품 수 증가, 연간 수천 건의 엔지니어링 변경 사항을 효과적으로 관리하고 제조 반복성을 개선했다. 레드불 테크놀로지(Red Bull Technology)는 지멘스 엑셀러레이터와 포괄적인 디지털 트윈 기술을 사용해 포뮬러 1 레이싱 시즌의 극심한 압박 속에서도 레이싱 차량을 설계, 반복, 제조해 경기에서 팀의 성공을 지속적으로 견인하고 있다. 오라클 레드불 레이싱 팀은 지멘스 엑셀러레이터를 통해 프로세스를 디지털 방식으로 변환했다. 그 범위는 엔지니어링 변경을 신속하게 실행하고 관리하는 방법을 재창조하는 것부터 신속한 부품 설계, 복합 부품 개발, 와이어 하네스 엔지니어링을 지원하는 최신 제품 엔지니어링 기술 채택에 이르기까지 포괄적이다. 레드불 레이싱 팀은 테크니컬 센터와 레이싱 경기 사이의 트랙사이드에서 지속적으로 부품을 설계, 제조하고 나아가 적층제조까지 진행하고 있다.     구체적으로 살펴보면, 오라클 레드불 레이싱은 지멘스의 포괄적인 디지털 트윈 기술을 활용해 포뮬러 1이 요구하는 빠른 속도의 챔피언십 위닝 카(winning car)를 설계, 테스트, 검증, 제조하고 있다. NX 소프트웨어를 사용해 부품 설계 주기 시간을 300% 단축했고, 복잡한 형상 모델링 기능을 통해 차체 설계를 위한 반복 작업당 처리 속도가 1000% 빨라졌다. NX의 생성형 설계 기능을 사용해 구조적 지지와 냉각 부품에 최적화된 설계를 생성함으로써, 설계 시간을 2주에서 2일로 단축한 것도 눈에 띈다. 오라클 레드불 레이싱의 엔지니어링 팀은 팀센터(Teamcenter) 소프트웨어를 사용해 경기 시즌마다 수천 건의 설계 변경을 수행하고 모두 관리하고 릴리스하며, 차량당 약 1만 개의 고유 부품을 추적한다. 또한, 전 세계 각 트랙에서 요구하는 다양하고 구체적인 차량 구성을 관리하며, 설계 변경에 대한 승인 시간을 몇 주에서 몇 시간으로 단축했다. 또한, 지멘스의 파이버심(Fibersim) 포트폴리오가 지원하는 복합재 설계와 제조를 통해 설계에서 납품까지 걸리는 시간을 30% 단축했다. 엔지니어링 팀은 심센터(Simcenter) 소프트웨어, NX, 파이버심을 결합해 각 드라이버를 최적의 위치에서 지원하는 맞춤형 시트를 제작했다. 이를 통해 경기 중 피로를 줄이고 제어력을 향상시켰다. 와이어 하네스 설계와 개발에는 지멘스의 캐피털(Capital) 소프트웨어를 사용해, 물리적 프로토타입이 없는 작업 방식으로 전환했다. 이를 통해 초기 개발 속도를 300% 높이고, 변경 주문 해결을 500% 개선하면서, 품질과 통합 가시성을 향상시킬 수 있었다. 레드불 포드 파워트레인 팀은 2026년 사양의 지속 가능한 고속 동력 장치를 개발하고 있다. 이때 설계와 검증을 지원하기 위해 지멘스의 심센터 스타-CCM+(Simcenter STAR-CCM+) 소프트웨어의 시뮬레이션과 테스트 기능을 활용하고 있다. 오라클 레드불 레이싱의 크리스천 호너(Christian Horner) CEO 겸 단장은 “우리는 지멘스와 함께 그 아이디어를 어느 때보다 빠르게 현실화할 수 있는 디지털 백본(backbone)을 갖췄다. 지멘스의 툴은 엔지니어가 자유롭게 혁신하고 적응하며 민첩성을 유지할 수 있도록 지원한다. 이는 포뮬러 1에서 승패를 가를 수 있는 요소이다. 지멘스와의 파트너십은 매 시즌 우리를 새로운 차원으로 끌어올려 준다”고 전했다. 지멘스 디지털 인더스트리 소프트웨어의 벤 시스(Ben Sheath) 영국과 아일랜드 지역 부사장 겸 매니징 디렉터는 “처음부터 레드불 레이싱과 함께 일한 것은 개인적으로나 회사적으로 놀라운 여정이었다. 레드불 레이싱이 포뮬러 1의 강자로 성장하는 과정을 지켜보면서 지멘스의 기술이 핵심적인 역할을 했다는 사실에 큰 자부심을 느낀다. 양사는 한계를 뛰어넘는 파트너십을 구축해 왔으며, 그 모든 과정을 함께 할 수 있어 기쁘다”고 말했다.

SimericsMP for NX CAD의 해석 과정 소개   시메릭스MP(SimericsMP)는 FVM 기반의 유동 해석 프로그램이다. 직교형(cartesian) 격자를 이용하여 정확하고 빠른 격자 생성 시간, MGI(mismatched grid interface)를 이용한 인터페이스 면 처리, 그리드 디포메이션(grid deformation)을 통한 형상 변화 등의 특징을 가지고 있다. 그리고 널리 사용되는 CAD 프로그램에 애드인(add in)되어 있어, CFD를 많이 접하지 않은 초보자부터 유동 해석을 전문으로 하는 엔지니어까지 넓은 범위를 만족시킬 수 있는 유동 해석 프로그램이다.    ■ 자료 제공 : 케이더블유티솔루션, www.kwtsolution.com   시메릭스MP의 특징은 빠른 격자 생성과 손쉬운 경계 조건 대입으로 정리할 수 있다.   빠른 격자 생성 <그림 1>은 자동차 전체와 엔진 내부의 격자 형태를 보여주고 있다. 자동차 전체 내부 격자를 생성하는 시간은 일반 PC에서 1시간 30분 정도로 짧은 시간에 가능하다. 이렇게 짧은 시간에 격자 생성이 가능한 이유는, 격자의 밀집을 위한 조건 설정이 간단하고 바이너리 트리(binary tree) 형식의 격자이기 때문에 직교형 격자를 빠르게 만든다. 그리고 격자를 만든 후 벽면 부분을 잘라내기 때문에 격자의 틈, 고체의 형상에 상관 없이 격자를 빠르게 만들 수 있다.    그림 1. 시메릭스MP를 이용한 자동차 내부 격자 생성   쉬운 NX 애드인 세팅 과정  Simerics MP 애드인을 설치하면 NX 메뉴에 SimericsMP가 나타나게 된다. 이 메뉴를 사용하여 유동 해석이 가능하다. 해석 과정은 다음과 같다.    CAD 불러오기    그림 2    <그림 2>에서 보면, CAD를 불러온 후 메뉴의 ‘SimericsMP’를 선택하면 왼쪽에 SimericsMP 메뉴가 나타나게 된다. 이 메뉴를 통해 물리 모델, 경계 조건 등 해석 조건을 세팅할 수 있다.   시뮬레이션 도메인 선정    그림 3   <그림 3>처럼 ‘Select SIM Domains’를 선택하면 CAD 면이 나타나고 볼륨 메시(Volume mesh)에 필요한 면을 선택해 준다.   유동 영역 및 격자 설정   그림 4    <그림 4>의 메뉴에서 유동 공간을 선정하면 선정된 공간에 대해서 유동 해석을 위한 격자를 생성해야 한다. 유동 공간이 만들어지면 왼쪽 창에 고체와 유체 공간이 분리되어 표시된다. ‘Generate Mesh’를 선택하면 격자를 생성할 수 있는 창(Mesh Generation)이 나타난다. 격자 생성 모드는 노멀 모드(normal mode)와 어드밴스드 모드(advanced mode)로 나누어진다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술 (16)   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 지오메트리 준비를 위한 팁과 메시의 생성/변형/세분화에 대한 내용을 소개한다.    ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   효과적인 지오메트리 준비를 위한 팁 지오메트리 생성 후에는 안정적인 터보 기계 시뮬레이션을 달성하기 위해 효과적인 모델 준비가 필수이다. 이 프로세스를 관리하는 데 도움이 되는 팁을 다음과 같이 소개한다.  지오메트리 정리 및 수리 : CAD 모델에서 틈새, 겹침 또는 중복된 가장자리를 복구한다. 양질의 메시를 생성하려면 깨끗하고 빈틈없는 지오메트리가 필요하다.  메시 최적화 : 날카로운 모서리나 모서리에 필렛을 추가하고 지오메트리를 분할하여 로컬 메시를 세분화할 수 있도록 한다.  가능한 경우 단순화 : 연구 중인 유동 물리학에 필수적이지 않은 작은 피처와 디테일을 제거한다.  매개변수화 : 설계 연구를 위해 치수를 쉽게 변경할 수 있도록 지오메트리를 매개변수화한다. 이러한 팁을 따르면 엔지니어는 터보 기계 형상이 최고 수준의 표준에 맞게 준비되었다고 확신할 수 있다.   메시 생성 지오메트리 생성 및 준비 외에도 전처리에는 복잡한 형상을 위한 메시 생성이 포함되며, 이는 종종 터보 기계 CFD 워크플로의 병목 현상이 된다. 터보 기계 구성 요소의 복잡성과 작동의 동적 특성으로 인해, 정확한 시뮬레이션 결과를 얻기 위해서는 정밀하고 잘 구성된 메시가 필요하다. 자동화 및 템플릿 기반 접근 방식을 활용하면 이 단계의 효율성을 높이고 전반적인 생산성을 높일 수 있다.   메시 생성의 기본 사항 메시 생성은 계산 영역을 셀 또는 요소라고 하는 작은 영역으로 세분화하여 그 위에 지배 방정식을 푸는 프로세스이다. 잘 구성된 그리드는 필수적인 흐름 특징과 물리적 현상을 포착하는 정확하고 효율적인 터보 기계 시뮬레이션을 보장한다. [참고] 피델리티 오토메시를 통한 향상된 터보 기계 메싱 피델리티 오토메시(Fidelity Automesh) 소프트웨어 패키지는 회전 기계 메싱을 위한 툴로, 피델리티 오토그리드를 통한 자동화된 멀티블록 구조형 메싱과 피델리티 헥스프레스를 통한 비정형 메싱 기능을 제공한다. 모든 유형의 터보 기계 애플리케이션을 위한 템플릿을 갖춘 이 설루션은 메시 프로세스를 간소화하여 복잡한 지오메트리를 손쉽게 처리하고 고품질 메시를 빠른 시간 내에 제공한다. 피델리티 오토메시로 시뮬레이션 워크플로를 가속화하여 설계 혁신과 최적화에 집중할 수 있다.   그림 1. (a) 풍력 터빈의 구조화된 메시, (b) 로터 블레이드 팁의 하이브리드 메시   메시 유형 터보 기계 시뮬레이션에 사용되는 주요 메시 유형과 기법은 다음과 같다.  Structured : 일정한 간격의 그리드 포인트로 구성된 구조화된 메시(그림 1-a)는 일관된 패턴을 사용하며, 종종 격자형 구조와 유사하다. 예측 가능한 흐름 패턴이 있는 영역에서는 고품질 해상도를 제공하지만, 복잡한 지오메트리에서는 구현하기가 어려울 수 있다.  멀티블록 : 계산 도메인은 구조화된 격자로 개별적으로 메시 처리된 여러 개의 간단한 블록으로 나뉜다. 이 방법을 사용하면 복잡한 도형에 대해 국소적인 세분화가 용이하고 그리드를 쉽게 생성할 수 있다.  Unstructured : 이러한 메시는 불규칙한 패턴으로 구성되며 2D에서는 삼각형, 3D에서는 사면체로 구성되는 경우가 많다. 복잡한 형상에 적합한 비정형 메시는 복잡한 모델에 쉽게 적용할 수 있지만, 중요한 흐름 영역에서 해상도가 저하되는 경우가 있다.  Hybrid : 구조화된 메시와 구조화되지 않은 메시의 장점을 결합한 하이브리드 메시(그림 1-b)는 경계 레이어와 같이 더 높은 해상도가 필요한 영역에는 구조화된 그리드를 사용하고, 복잡한 기하학적 영역에는 구조화되지 않은 그리드를 사용한다.  Conformal : 이 기술은 지오메트리의 여러 부분에 걸쳐 메시가 연속되도록 하여 인접한 메시 블록 사이의 간격과 중첩을 제거한다. 컴프레서나 터빈의 블레이드와 같이 간격이 좁은 구성 요소 사이의 흐름을 정확하게 캡처하는 데에 필수이다.     ■ 자세한 기사 내용은 PDF로 제공됩니다.

개발 및 공급 : 태성에스엔이 주요 특징 : 확률적 머신러닝 알고리즘 접근 방식 사용, 기존 데이터 활용 또는 새로운 데이터 수집 계획으로 샘플과 자원의 효율적 관리, 전문가의 도움 없이도 확률적 머신러닝 작업 수행, 2D 및 3D FEM/CFD 등 다양한 형상과 데이터 형식 학습 가능, 실제 실험 데이터와 시뮬레이션 데이터의 유연한 처리 등   ▲ DIM-GP 알고리즘   Stochos(스토코스)는 딥러닝(DL)과 가우시안 프로세스(GP)를 독창적으로 결합하여 각 알고리즘의 장점을 최대화하고 단점을 최소화한 혁신적인 머신러닝 솔루션(DIM-GP : Deep infinite mixture of Gaussian Processes)을 제공한다. 기존 머신러닝 기업이 주로 딥러닝에 의존해 많은 하이퍼 파라미터 튜닝을 요구하는 것과 달리, 하이퍼 파라미터 훈련이 전혀 필요하지 않다. 또한 온프레미스(on-premise) 방식으로 학습 및 응용 시에 사내에서 안전하게 처리 및 보관할 수 있어 보안이 강화되며, 비용과 자원이 많이 드는 클라우드 컴퓨팅 솔루션이 요구되지 않는다.  낮은 하드웨어 요구 사항으로 빠른 AI 모델 구축 가능(클라우드 필요 없음) 하이퍼 파라미터 설정 불필요(AI 전문 지식 필요 없음) 다양한 형태의 데이터 사용 가능(1D/2D/3D, 이미지, 실험 데이터, 정해석, 과도해석 등) CAE 해석 프로그램의 종류에 무관하게 적용 가능 적은 데이터 수로 높은 정확도 구현 자동 노이즈 처리 데이터는 고객에게 보관됨 Stochos는 지도 학습, 비지도 학습, 강화 학습의 세 가지 유형의 머신러닝을 모두 지원한다. 지도 학습에서는 시뮬레이션 솔버를 대체하고 최적화를 수행하는 데에 유용하다. 비지도 학습의 예로는 모델이 센서 데이터에서 이상을 분석하는 예측 유지보수 작업이 있다. 강화 학습 작업은 로봇 공학이나 자율주행과 같은 실시간 제어 작업을 모두 포괄한다. 이 소프트웨어는 CPU, GPU, 마이크로 컨트롤러 등 다양한 하드웨어 플랫폼에서 작동하여 실시간 응답을 제공할 수 있다.   2D 유동 과도 해석, 사용 샘플 5개 변수 : 받음각 엔비디아 4090 GPU, 학습 시간 14분 1 CPU(8 코어), 학습 시간 32분   3D 고주파 해석, 사용 샘플 37개 변수 : 안테나 위치 엔비디아 4090 GPU, 학습 시간 7초, CPU  학습 시간 10초   3D 과도 충돌 해석, 사용 샘플 32개 변수 : 판재 두께 엔비디아 4090 GPU, 학습 시간 21초   3D 열유동 해석, 사용 샘플 34개 변수 : 냉각채널 형상 엔비디아 4090 GPU, 학습 시간 6시간   또한, Stochos의 AI 라이브러를 이용해 업체 맞춤형 AI 제작 프로그램을 만들어, 해석 및 분석 작업의 효율을 최대화할 수 있다.    ▲ Stochos 라이브러리를 이용한 맞춤형 AI 프로그램 제작     ■ 기사 내용은 PDF로도 제공됩니다.

‘AI와 CAE 융합을 통한 차세대 제조 혁신 전략’을 주제로 한 ‘CAE 컨퍼런스 2024’가 지난 11월 8일 수원컨벤션센터에서 진행됐다. 스마트공장구축 및 생산자동화전(SMATEC 2024) 전시회와 함께 치러진 이번 행사에서는 제품 개발 과정에서 필수로 여겨지는 CAE 기술의 발전과 함께, 제조산업에서 AI(인공지능)의 방향성을 짚는 기회가 마련됐다. ■ 정수진 편집장      ■ 같이 보기 : [포커스] CAE 컨퍼런스 2024, 제조 혁신을 위한 CAE와 AI의 융합 전략 소개   이번 ‘CAE 컨퍼런스 2024’에서는 최신 CAE 기술 및 인공지능 기술의 흐름, 산업에서의 적용 사례 등이 소개됐다. 나니아랩스의 강남우 대표는 ‘로코드 AI 플랫폼을 이용한 설계 생성/예측/최적화 방법 및 사례’ 발표를 통해, 제조 도메인 전문가가 설계안을 효과적으로 생성하고 예측하며 최적화하는 데에 도움을 줄 수 있는 로코드(low-code) AI 플랫폼인 AslanX에 대해 설명했다. AslanX는 사용자 친화적인 인터페이스를 제공하여 비전문가도 쉽게 활용할 수 있다는 점을 특징으로 내세운다. 실제 사례를 통해 AslanX의 유용성을 소개한 강남우 대표는 “로코드 AI 플랫폼은 복잡한 설계 과정을 간소화하여 제조업체가 빠르게 효율적인 설계안을 생산할 수 있도록 지원하고, 데이터 기반 예측 기능을 통해 기업이 설계 효율을 높이면서 잠재적인 위험 요소를 미리 발견해 더 나은 의사결정을 내릴 수 있도록 돕는다”고 전했다.   ▲ 나니아랩스 강남우 대표   HP의 김태화 P3D 매니저는 ‘HP 3D 프린팅 자동화 설루션이 주도하는 산업의 디지털 트랜스포메이션’이라는 주제 발표를 통해 “과거 3D 프린팅 기술은 주로 시제품 제작에 쓰였지만, 지금은 최종 부품 생산에도 점점 더 많이 활용되고 있으며 앞으로 그 비중이 더욱 커질 것”이라고 전망했다. 김태화 매니저는 이러한 변화에 대응하기 위해 HP의 젯 퓨전 5600(Jet Fusion 5600) 3D 프린터와 자동화 시스템을 소개했다. 젯 퓨전 5600은 생산 속도와 품질을 동시에 향상시키고, 고객 맞춤형 파라미터 조정 기능을 통해 다양한 요구를 충족시킬 수 있도록 설계되었다. 김태화 매니저는 “젯 퓨전 3D 프린터를 중심으로 한 자동화 시스템은 비용 절감과 생산성 향상을 지원하며, 고객 요구에 맞는 맞춤형 제조 환경을 제공한다”고 전했다.   ▲ HP 김태화 P3D 매니저   피도텍의 최병열 연구위원은 ‘최적설계 대중화를 위한 AADO 기술’을 소개했다. 최적설계의 개념을 ‘최소한의 자원으로 최대의 결과를 도출하는 과정’으로 설명한 최병열 연구위원은 최적 설계 기술의 필요성이 늘면서 많은 기업이 최적화 도구에 대한 필요성을 느끼고 있지만, 접근성을 높이는 것이 해결 과제라고 짚었다. 최병열 연구위원은 “기존 최적설계 기술의 복잡한 접근 방식을 간소화해 모든 엔지니어가 접근할 수 있도록 할 방법을 고민했다”면서, “그 결과 탄생한 AADO(AI Aided Design Optimization)는 AI와 데이터 분석, 비주얼라이제이션 기술을 결합해 최적 설계 도구의 혁신 방안을 제시하고, 이를 통해 엔지니어가 더 효율적으로 설계 문제를 해결할 수 있도록 돕는다”고 전했다.   ▲ 피도텍 최병열 연구위원   케이더블유티솔루션의 변성준 이사는 ‘CAD와 CFD 융합을 통한 제품 설계 혁신’ 발표에서 “CFD(전산 유체 역학)가 제품 설계 과정에서 필수 요소로 자리잡고 있으며, CAD와 CFD의 통합은 설계 시간 절약과 데이터 분석의 정확성을 높여 기업 경쟁력에 기여한다”고 설명했다. 변성준 이사가 소개한 SimericsMP for NX는 NX CAD에 통합된 유한 체적법(FVM) 기반의 CFD 소프트웨어로, CAD 환경에서 직접 CFD 해석을 빠르고 효율적으로 수행할 수 있도록 돕는다. 변성준 이사는 “SimericsMP for NX는 격자 생성 시간을 줄이고 정확도를 높이면서, 복잡한 형상에서 해석의 일관성을 유지하는 것이 특징”이라고 소개했다.   ▲ 케이더블유티솔루션 변성준 이사   LG전자의 박우철 책임연구원은 ‘가전 개발에서 CAE와 AI 활용’에 대해 발표를 진행했다. LG전자는 제품 개발 프로세스에서 동역학 해석과 진동 해석을 통해 제품의 품질을 확보하고, 극한 시나리오에 품질을 검증하는 등에 CAE를 활용하고 있다. “머신러닝은 이점과 함께 실행 과정의 복잡성도 갖고 있다”고 짚은 박우철 책임연구원은 “AI의 적용 가능성을 높이기 위해 설계와 생산 과정에서 신뢰성 있는 데이터를 확보하고, 해석 결과의 일관성을 확보할 방법을 고민해야 한다”고 전했다. 또한 AI를 도입하는 과정에서 초기 투자 비용, 데이터 확장성, 전문 인력의 확보 등을 고려할 필요가 있다고 덧붙였다.   ▲ LG전자 박우철 책임연구원   지멘스 디지털 인더스트리 소프트웨어의 이종학 프로는 ‘제품 개발과 검증의 가속화를 위한 심센터 AI 설루션’에 대해 발표했다. 이종학 프로는 “AI 기술을 활용한 자동화 설루션은 제품 설계와 실험 과정에서 시간을 단축하고 효율성을 높일 수 있다”고 전했다. 지멘스의 시뮬레이션 포트폴리오인 심센터(Simcenter) 내에 탑재된 AI 기능을 소개한 이종학 프로는 “반복적인 작업의 자동화를 구현하기 위해서는 제품 개발 프로세스의 단계에서 사용할 데이터의 수집 및 흐름을 체계적으로 구성해야 한다. 또한 AI 모델을 활용해 최적의 디자인을 찾는 과정에서 최적화 알고리즘을 적용해 반복 작업을 효율적으로 관리하고, 그 결과에서 유의미한 인사이트를 도출하는 과정이 중요하다”고 전했다.   ▲ 지멘스 디지털 인더스트리 소프트웨어 이종학 프로   현대자동차의 김용대 글로벌R&D마스터는 ‘모빌리티 아키텍처 단계 타이어 시스템의 버추얼 개발 프레임워크’에 대해 소개했다. 전기차 타이어의 경우, 배터리와 차량의 무게가 늘어남에 따라 스트레스 및 성능에 있어 새로운 요구사항이 발생한다. 이에 대응해 타이어의 재설계가 필요한데, 김용대 마스터는 “초기 개발 단계에서 가상 모델을 기반으로 하는 새로운 방식이 필요하며, 이를 통해 실물 타이어에 의존하는 전통적인 접근에서 벗어나는 것도 고민해야 한다”고 말했다. 김용대 마스터는 “다양한 미래 모빌리티 환경에 적응하기 위해 시스템 엔지니어링 관점을 통합할 필요성이 있다”면서, “데이터 기반 의사결정을 통해 협력사와의 관계를 더욱 견고히 하고, 통합된 시스템으로 전환해 타이어 및 완성차 개발의 완성도를 높여야 할 것”이라고 덧붙였다.   ▲ 현대자동차 김용대 글로벌R&D마스터   현대모비스의 정원태 책임연구원은 ‘NVH 해석 분야에서의 고전적 방법론과 디지털 기술 융합 사례’ 발표를 통해 “기술의 발전이 CAE의 변화와 새로운 접근 방식을 요구하고 있다”면서, 데이터 중심의 AI 및 머신러닝의 활용 가능성과 함께 도전 과제를 극복하기 위한 방법론을 소개했다. 전기차의 복합 시스템 모델링 방법과 자유도 문제 해결, 모달 모델을 통한 복잡한 시스템의 간소화, 머신러닝 기법을 활용한 모터의 품질 예측 등 사례를 소개한 정원태 책임연구원은 “고전적 방법론과 AI, 머신러닝 기술의 결합은 더 빠르고 정확한 모델링을 가능케 하며, 디지털 트윈 기술은 복잡한 엔지니어링 문제를 해결하는 데에 도움을 준다”면서, 모델링과 데이터에 대한 깊은 이해를 바탕으로 효과적인 문제 해결을 위해 꾸준히 고민할 것을 당부했다.   ▲ 현대모비스 정원태 책임연구원

‘AI와 CAE 융합을 통한 차세대 제조 혁신 전략’을 주제로 한 ‘CAE 컨퍼런스 2024’가 지난 11월 8일 수원컨벤션센터에서 진행됐다. 스마트공장구축 및 생산자동화전(SMATEC 2024) 전시회와 함께 치러진 이번 행사에서는 제품 개발 과정에서 필수로 여겨지는 CAE 기술의 발전과 함께, 제조산업에서 AI(인공지능)의 방향성을 짚는 기회가 마련됐다. ■ 정수진 편집장      CAE 컨퍼런스 2024 준비위원회의 위원장인 KAIST 강남우 교수(나니아랩스 대표)는 개회사에서 “사전 학습된 대규모 모델의 활용이 활발해지면서, AI로 할 수 있는 일이 무궁무진해지고 있는 것 같다. 한편으로 CAE와 제조 분야에서는 어떻게 AI를 활용해야 할 것인지에 대해 아직 의문점이 많다”면서, “최고 전문가들이 현장의 소리를 전하는 CAE 컨퍼런스 2024에서 이런 의문을 풀고 AI와 제조 혁신을 위한 인사이트와 아이디어를 얻을 수 있기를 바란다”고 전했다.   제조 혁신을 위한 통섭의 중요성 에스엔에이치의 민태기 연구소장은 ‘기술독립과 통섭에서 배우는 CAE 엔지니어를 위한 판타레이’를 주제로 기조연설을 진행했다. 그는 “애플이 ‘기술과 리버럴 아트의 교차점’을 강조한 이후, 우리나라에서는 ‘리버럴 아츠’를 인문학으로 해석해 인문학 열풍이 일었다. 하지만 ‘리버럴 아츠’는 중세 대학의 교양 과목인 문법, 수사학, 논리학, 산술, 기하학 등을 포함하며, 단순히 인문학에 국한되지 않는다. 기술 혁신에 대한 이러한 오해를 바로잡을 필요가 있다”고 강조했다. 기술 혁신의 목적은 생산성 향상이며, 이는 공정의 변화를 통해 이루어졌다. 석기 시대에서 청동기, 철기 시대로의 변환, 증기기관을 활용한 대형 철갑선과 방적기의 등장 등은 모두 생산성 차이에 따른 제조 공정의 혁신이 사회와 역사를 근본적으로 변화시킨 사례이다. 민태기 연구소장은 “우리 중소기업에게 제조 혁신은 생존의 문제이기도 하다. AI를 활용하는 것은 기존 편견을 극복하고 새로운 영역을 개척하는 데 초점을 맞춰야 한다”며, “우리 제조산업의 미래는 디지털 기술을 활용한 제조 혁신에 달려 있다. 이를 위해 정밀 공학과 창의적 사고의 융합으로 새로운 성장 동력을 만들어야 한다”고 전했다.    ▲ 에스엔에이치 민태기 연구소장   AI/ML과 디지털 플랫폼을 통한 CAE 혁신 헥사곤 매뉴팩처링 인텔리전스의 전완호 본부장은 ‘AI/ML과 디지털 리얼리티 플랫폼을 통한 CAE 혁신 전략’을 주제로 기조연설을 진행했다. 그는 디지털 전환을 “데이터와 프로세스를 디지털화하여 생산성과 창의성을 극대화하는 과정”으로 정의하며, “센서 기반의 실제 데이터를 활용하는 것이 해석 데이터만 사용하는 것보다 더 정확하고 유용하다”고 강조했다. 헥사곤은 센서를 통해 실제 세계의 형상을 디지털 환경으로 가져와 설계와 시뮬레이션을 거쳐 다시 실제 세계로 반영하는 ‘디지털 리얼리티 설루션’을 내세운다. 전완호 본부장은 AI와 머신러닝을 활용한 축소 차수 모델(ROM)을 이용해 데이터를 실시간으로 예측하고 활용함으로써 디지털 트윈의 운영 효율을 높이는 기술과 사례를 소개했다. 그리고 “헥사곤은 다양한 데이터를 통합하는 넥서스(Nexus) 플랫폼을 통해 CAE, 제조, 품질 관리 등 여러 팀이 협업할 수 있는 환경을 제공한다”고 전했다. 통합 플랫폼과 AI/머신러닝을 결합해 실시간 시뮬레이션과 디지털 트윈을 운영하고, 데이터의 수집부터 해석, 최적화, 협업까지 모든 과정을 하나의 플랫폼에서 관리함으로써 디지털 전환을 더욱 효과적으로 추진할 수 있다는 것이 전완호 본부장의 설명이다.    ▲ 헥사곤 매뉴팩처링 인텔리전스 전완호 본부   SDV 전환과 소프트웨어 품질 강화 전략 현대오토에버의 박경훈 실장은 ‘SDV 체계 전환 및 차량 소프트웨어 품질 경쟁력 강화 방안’을 주제로 기조연설을 진행했다. 자동차는 이동 수단에서 벗어나 소프트웨어 중심의 차량(SDV)으로 변화하고 있다. 차량의 전자화와 함께 서비스와 사용자 경험을 중시하게 되면서 소프트웨어의 중요성이 더욱 부각되고 있다. 자동차 업계는 소프트웨어의 품질을 높이고, 출시 시간을 줄이면서, 시장 점유율을 확보하기 위해 핵심 기능을 빠르게 구현하고 테스트하는 애자일(agile) 방식의 개발 체계로 전환하고 있으며, OTA 업데이트를 통해 지속적으로 소프트웨어를 개선하고 있다. 박경훈 실장은 “오토에버는 이러한 산업 변화에 따라 국제 표준 및 컴플라이언스를 준수하는 개발 환경을 구축하고, 가상 검증 및 지속적인 테스트 체계를 도입하고 있다”고 소개했다. 가상 검증은 제어기를 가상화하여 테스트를 앞당기고 품질을 높이는 방식으로, 전통적인 개발 뒷단에서의 문제를 앞단에서 발견하여 해결하는 데에 중점을 두고 있다. 이를 위해 오토에버는 클라우드 기반의 검증 체계를 구축했고, 클라우드 컴퓨팅을 활용한 다양한 테스트 시나리오의 자동화를 통해 시간과 비용 절감을 추진하고 있다는 것이 박경훈 실장의 설명이다.    ▲ 현대오토에버 박경훈 실장   타이어 개발의 디지털 트윈 시스템과 생산 최적화 금호타이어의 김기운 전무는 ‘타이어 개발 프로세스에 대한 디지털 트윈 시스템 구축’에 대해 기조연설을 진행했다. 그는 4차 산업혁명 시대 타이어의 기술 진화 방향으로 IoT 센서, 빅데이터 분석, AI 예측 모델, 로보틱스를 활용한 공장 자동화를 짚으면서, 이를 통해 타이어 개발과 생산 과정을 디지털화하고 최적화하는 것이 목표라고 짚었다. 금호타이어는 설계부터 성능 평가, 최적화까지 전체 과정을 디지털화하고 자동화하는 타이어 디지털 트윈 시스템을 구축 중이다. 이 시스템은 ▲타이어 단면 및 트레드 패턴의 자동 설계 ▲빅데이터와 CAE 기술을 이용한 타이어 성능 예측 ▲AI와 유한 요소 해석(FEM)을 통한 설계 최적화 그리고 ▲시뮬레이션을 통한 타이어 성능 가상 평가 등 네 가지 모듈로 구성된다.김기운 전무는 “디지털 트윈을 통해 개발자가 쉽게 성능 평가 결과를 확인하고 빠르게 제품 개발을 진행할 수 있어, 개발 시간 단축과 비용 절감을 기대할 수 있다”고 설명하며, “앞으로 제조 공정에도 디지털 전환을 적용하고, 차량 동역학 해석을 업그레이드하여 드라이빙 시뮬레이터까지 예측하고자 한다”고 전했다.   ▲ 금호타이어 김기운 전무   ■ 이어 보기 : [포커스] CAE 컨퍼런스 2024 발표 내용 정리     ■ 기사 내용은 PDF로도 제공됩니다.

엔비디아가 ‘슈퍼컴퓨팅 2024(SC24)’ 콘퍼런스에서 ‘엔비디아 옴니버스 블루프린트(NVIDIA Omniverse Blueprint)’를 발표했다. 이는 소프트웨어 개발업체가 항공우주, 자동차, 제조, 에너지, 기타 산업의 컴퓨터 지원 엔지니어링(CAE) 고객들이 실시간 상호작용이 가능한 디지털 트윈을 제작할 수 있도록 지원한다. 알테어, 앤시스, 케이던스, 지멘스와 같은 소프트웨어 개발업체는 실시간 CAE 디지털 트윈을 위한 엔비디아 옴니버스 블루프린트를 사용해 고객이 개발 비용과 에너지 사용량을 절감하면서 시장 출시 기간을 단축할 수 있도록 지원한다. 엔비디아는 이 블루프린트가 1200배 빠른 시뮬레이션과 실시간 시각화를 달성하기 위한 엔비디아 가속 라이브러리, 물리-AI 프레임워크, 대화형 물리 기반 렌더링을 포함하는 레퍼런스 워크플로라고 설명했다. 블루프린트의 첫 번째 적용 분야 중 하나는 전산유체역학(CFD) 시뮬레이션이다. 이는 자동차, 비행기, 선박 등 여러 제품의 설계를 가상으로 탐색하고 테스트하며 개선하는데 있어 중요한 단계이다. 기존의 엔지니어링 워크플로는 물리 시뮬레이션부터 시각화와 설계 최적화에 이르기까지 완료하는 데 몇 주 또는 몇 달이 걸릴 수 있다. 실시간 물리 디지털 트윈을 구축하려면 실시간 물리 솔버(solver) 성능과 대규모 데이터 세트의 실시간 시각화라는 2가지 기본 기능이 필요하다. 옴니버스 블루프린트는 이러한 기능을 달성하기 위해 엔비디아 쿠다-X(CUDA-X) 라이브러리를 활용해 솔버 성능을 가속화한다. 또한, 엔비디아 모듈러스(Modulus) 물리-AI 프레임워크를 사용해 플로 필드를 생성하기 위한 모델을 훈련하고 배포한다. 마지막으로, 엔비디아 옴니버스 애플리케이션 프로그래밍 인터페이스를 통해 3D 데이터 상호운용성과 실시간 RTX 지원 시각화를 제공한다.      앤시스는 옴니버스 블루프린트를 채택해 유체 시뮬레이션 소프트웨어인 앤시스 플루언트(Ansys Fluent)에 적용해 전산 유체 역학 시뮬레이션을 가속화했다. 앤시스는 텍사스 첨단 컴퓨팅센터에서 320개의 엔비디아 GH200 그레이스 호퍼 슈퍼칩(Grace Hopper Superchip)으로 플루언트를 실행했다. 2,048개의 x86 CPU 코어에서는 거의 한 달이 걸리던 25억 셀의 자동차 시뮬레이션을 6시간 만에 완료했다. 이를 통해 밤새 고충실도 CFD 분석을 수행할 수 있는 실현 가능성을 향상시키고 새로운 업계 벤치마크를 수립했다. 루미너리 클라우드 또한 블루프린트를 채택하고 있다. 엔비디아 모듈러스를 기반으로 구축된 이 회사의 새로운 시뮬레이션 AI 모델은 GPU 가속 CFD 솔버에서 생성된 훈련 데이터를 기반으로 기류장과 자동차 형상 간의 관계를 학습한다. 이 모델은 솔버 자체보다 훨씬 빠른 속도로 시뮬레이션을 실행해 옴니버스 API를 사용해 시각화된 실시간 공기 역학 흐름 시뮬레이션을 가능하게 한다. 엔비디아와 루미너리 클라우드는 SC24에서 가상 풍동을 시연했다. 이는 터널 내부에서 차량 모델을 변경하더라도 실시간으로 상호작용하는 속도로 유체 역학을 시뮬레이션하고 시각화할 수 있다. 엔비디아는 알테어, 비욘드 매스, 케이던스, 헥사곤, 뉴럴 컨셉, 지멘스, 심스케일, 트레인 테크놀로지스 등이 자체 애플리케이션에 옴니버스 블루프린트 도입을 검토하고 있다고 밝혔다. 옴니버스 블루프린트는 아마존 웹 서비스(AWS), 구글 클라우드, 마이크로소프트 애저를 비롯한 주요 클라우드 플랫폼에서 실행할 수 있다. 엔비디아 DGX 클라우드(DGX Cloud)에서도 사용할 수 있다.  리스케일은 엔비디아 옴니버스 블루프린트를 사용해 단 몇 번의 클릭만으로 맞춤형 AI 모델을 훈련하고 배포할 수 있도록 지원한다. 리스케일 플랫폼은 전체 애플리케이션-하드웨어 스택을 자동화하며, 모든 클라우드 서비스 제공업체에서 실행될 수 있다. 조직은 어떤 시뮬레이션 솔버를 사용해도 훈련 데이터를 생성하고, AI 모델을 준비, 훈련, 배포하며, 추론 예측을 실행하고, 모델을 시각화하고 최적화할 수 있다. 엔비디아의 젠슨 황(Jensen Huang) CEO는 “우리는 모든 사물이 디지털 트윈을 가질 수 있도록 옴니버스를 구축했다. 옴니버스 블루프린트는 엔비디아 옴니버스와 AI 기술을 연결하는 레퍼런스 파이프라인이다. 이는 선도적인 CAE 소프트웨어 개발자가 설계, 제조부터 운영에 이르기까지 세계 최대 산업을 위해 산업 디지털화를 혁신할 획기적인 디지털 트윈 워크플로를 구축할 수 있도록 지원한다”고 말했다.

산업 디지털 전환을 위한 버추얼 트윈 (6)   이번 호에서는 다쏘시스템의 3D익스피리언스 플랫폼(3DEXPERIENCE Platform)의 모드심(MODSIM) 기능을 활용하여, 리브 형상을 단순화한 B-필러 어퍼 트림 모델을 통해 간단한 정적 구조해석을 진행하고 자동으로 설계 변수를 손쉽게 변경할 수 있는 설계 탐색까지 수행하는 과정을 설명한다. 이를 통해, 설계 엔지니어도 초기 설계 단계에서 신속하게 다양한 설계안을 검토하고 최적 개념 설계안을 손쉽게 도출하는 방법을 제시한다. 이러한 접근 방식은 초기 설계 단계에서 빠르고 정확한 설계 검토를 가능하게 하여 제품 개발의 효율을 높일 수 있다.    ■ 이아라  다쏘시스템코리아 시뮬레이션-구조팀에서 인더 스트리 프로세스 컨설턴트를 담당하고 있다. 자동 차 및 항공 업체 현업 경험을 기반으로 아바쿠스 및 3D익스피리언스 시뮬리아 기반의 솔루션을 제 안하고 있다.  홈페이지 | www.3ds.com/ko   자동차 B-필러 어퍼 트림(B-pillar upper trim)은 자동차 내부의 주요 구성 부품 중 하나로, 리브(rib) 구조를 가진 부품이다. 보통 차량의 앞문과 뒷문 사이에 위치한 수직 지지 구조로, 차량의 내구성과 안전성에 중요한 역할을 한다. 특히, 교통 사고 시 탑승자의 머리 손상을 방지하기 위해 북미교통안전국(NHTSA)에서 규정한 법규를 준수해야 하며, 이를 위해 설계 시 리브의 두께와 개수와 같은 여러 변수를 조정해 다양한 설계안을 검토하는 과정이 필수적이다. 최근에는 이러한 설계 과정을 자동화하고 최적화를 통해 제품 개발을 가속화하는 것이 중요한 트렌드로 자리잡고 있다.    3D익스피리언스 플랫폼을 활용한 MODSIM 소개  모드심(MODSIM)은 ‘Modeling&Simulation’의 약자로, 3D익스피리언스 플랫폼을 통해 CAD(모델링)와 CAE(해석)를 통합하여 실행하는 방법론이다. 개념 설계 단계부터 컴퓨터 이용 공학(CAE)을 활용하려는 노력이 수년간 이루어져 왔지만 현실에서는 설계와 해석이 독립적으로 수행되고 있고, 이로 인해 개발 단계에서 개발 기간이나 비용을 절감하는데 한계가 있다.  하지만 3D익스피리언스 플랫폼을 활용한다면 설계 엔지니어는 카티아나 솔리드웍스와 같은 설계 프로그램에서 설계 모델을 작성한 후 플랫폼과 바로 연동해서 구조해석, 열해석 등을 수행하고 위상최적화, 프로세스 자동화를 플랫폼 내에서 진행할 수 있다. 이를 통해 설계 엔지니어는 제품 개발 초기 단계에서 손쉽게 개념 설계를 빠르게 탐색할 수 있다.    모드심을 활용한 자동차 B-필러 개념 설계 적용 사례  이번 사례에서는 카티아 V5에서 작업한 B-필러 어퍼 트림 모델을 3D익스피리언스 플랫폼과 연동해서 구조해석과 설계 탐색을 진행한다. 이 과정은 다음과 같은 단계로 구성된다.   카티아 V5와 3D익스피리언스 연결  3D익스피리언스 플랫폼의 앱 중 ‘Design with CATIA V5’ 앱을 사용하여 카티아 V5를 자동으로 실행한다.    그림 1. Design with CATIA V5 앱    자동으로 실행된 카티아 V5의 메뉴를 자세히 살펴보면 ‘3DEXPERIENCE’ 메뉴가 생성된 것을 확인할 수 있다. 카티아 V5에서 작업할 B-필러 어퍼 트림 모델을 불러온 후에 3D익스피리언스에 저장하면 3D익스피리언스에서 모델이 연계된다.    그림 2. 카티아 V5에서 파일 저장    연계된 카티아 V5에서 저장한 파일을 3D익스피리언스에서 찾아서 불러올 수 있다.    매개변수 연동 3D익스피리언스에서 'Parametric Bridge'(설계 프로그램에서 생성한 매개변수를 3D익스피리언스에 연계해서 그대로 사용할 수 있는 기능)를 사용해 카티아 V5에서 설정한 매개변수를 3D익스피리언스와 연동한다. 해당 매개변수 중 일부는 추후에 설계 탐색에 활용할 수 있다.   그림 3. 카티아 V5와 3D익스피리언스 연계 화면 : 매개변수 연계 확인     ■ 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.

개발 및 공급 : 펑션베이 주요 특징 : 지속적인 솔버 개발을 통한 접촉 기능 향상, 마찰열을 고려한 유연 다물체 동역학 해석, 열전도 및 열응력을 고려한 동역학 해석 개선, DriveTrain 툴킷 개선 등  사용 환경(OS) : 64비트 윈도우 10/11    2024년 11월, 리커다인 2025(RecurDyn 2025)가 새롭게 출시되었다. 지속적인 솔버 개선을 통해 이번 버전에서도 다양한 솔버 관련 기능이 강화되었다. 접촉 성능이 향상되었으며, 유연체를 포함한 동역학 모델의 열해석이 강화되었다. 또한, 드라이브트레인(DriveTrain)의 지속 개발을 통해 이번에도 기능 개선이 이루어졌다.  이러한 개선 사항들을 좀 더 자세히 소개하면 다음과 같다.    솔버 기능 강화  지오 콘택트 개선  리커다인의 강력한 접촉 요소인 지오 콘택트(Geo Contact)의 다양한 성능이 향상되었다. 특히 접촉점의 수가 자주 변경되는 접촉 모델에 대해 보다 안정적이고 정확한 해석을 수행할 수 있다. 또한, Sliding & Stiction 마찰 옵션을 모든 지오 콘택트에서도 사용할 수 있도록 개선되었다. 이를 통해 지오 콘택트를 이용한 접촉 모델에서도 Stiction 옵션을 이용하여 미끄러짐이 없는 정지 마찰 상태를 시뮬레이션할 수 있다.  그리고 강체의 접촉에 대해서도 컨투어(contour)를 통해 Sliding Velocity와 Pressure Velocity 결과를 확인할 수 있게 되어, 접촉 모델에서 마모 특성을 효율적으로 분석할 수 있다.    그림 1. 접촉점의 수가 자주 변경되는 경우 MPM 옵션 사용 권장    프리미티브 콘택트 개선 각 형상에 대한 전용 접촉 요소로서 빠르고 정확한 접촉 계산이 가능한 프리미티브 콘택트(Primitive Contact)에 대해서도 개선이 이루어졌다. 토러스(torus)와 실린더(cylinder) 형상에 대한 전용 접촉 요소인 Tours In Cylinder Contact가 새롭게 추가되어, Tripod Type CV Joint와 같은 시스템에서 더욱 빠르고 정확한 접촉 해석을 수행할 수 있다.    그림 2. Tours In Cylinder Contact를 이용한 Tripod CV Joint    또한, Cone To Cylinder Contact 사용 시 콘(cone)과 실린더의 면과 면 간 접촉도 고려할 수 있도록 개선되었다. 그리고 모든 프리미티브 콘택트에 대하여 Force Vector, Normal Force, Friction Force에 대한 시각적인 표시가 되도록 개선되었다.    그림 3. Cone To Cylinder Contact    지오 롤 콘택트  롤러(실린더)에 시트를 감는 롤 투 롤(roll to roll) 시스템을 위한 전용 접촉 요소인 지오 롤 콘택트(Geo Roll Contact)가 새롭게 추가되었다. 유연체에 대한 전용 접촉으로 유연체로 구성된 시트의 두께 정보와 감겨 있는 횟수를 활용하여, 시트가 롤러에 감기는 현상을 빠르게 해석할 수 있다.    그림 4. 지오 롤 콘택트를 이용한 시트 적층 해석   이 기능을 이용하면 롤 투 롤 시스템에서 시트 적층 시 발생하는 시트의 장력 변화, 시트의 적층에 따른 두께 증가에 의한 거동 변화 등을 고려한 해석을 빠르게 수행할 수 있다.    MFBD 기능 강화  프릭션 히트  지오 콘택트를 통해 유연체에 접촉 마찰로 인해 발생하는 열을 고려한 해석을 수행할 수 있게 되었다. 지오 콘택트에 추가된 프릭션 히트(Friction Heat) 기능을 이용하여 접촉에 의한 마찰로 인해 발생하는 열과 열전도에 의한 열응력을 고려한 MFBD(Multi Flexible Body Dynamics : 유연 다물체 동역학) 해석을 수행할 수 있다.    그림 5. 프릭션 히트를 이용한 브레이크의 마찰열 해석   열해석 개선 유연체의 열전도에 의한 열응력을 동역학 해석에 실시간으로 적용할 수 있는 FFlex Thermal에 대하여 열해석에 소요되는 시간을 줄이기 위한 기능이 추가되었다. FFlex 보디의 열변형 고려 여부를 선택할 수 있게 함으로써, 열해석 시 해석 시간을 단축할 수 있다. 또한, 새롭게 추가된 서멀 부스트(Thermal Boost) 옵션을 이용하여 온도장의 정상 상태에 빠르게 도달시킴으로써, 보다 효율적인 해석을 수행할 수 있다.    그림 6   Patch Constraint  Patch Constraint 기능이 새롭게 추가되어 두 유연체를 연결할 수 있게 되었다. 이 기능을 통해 두 FFlex 보디가 접합된 것처럼 모델링하고 시뮬레이션할 수 있다.    그림 7. Patch Constraint를 이용한 유연체 접합    제어 기능 강화  코링크의 파이썬 기능 개선  리커다인의 다물체 동역학 해석 환경에 통합된 제어 해석 툴킷 인 코링크(CoLink)의 파이썬(Python) 기능이 개선되었다. 기본으로 내장된 파이썬 패키지에 넘파이(NumPy)가 추가되었으며, 기본 내장된 파이썬 외에도 사용자가 설치한 파이썬 패키지를 지정하여 활용할 수 있게 개선되었다.  또한, 리커다인 리눅스 스탠드얼론 솔버(RecurDyn Linux Standalone Solver)를 사용할 때에도 코링크의 파이썬을 사용할 수 있게 되었다.    툴킷 기능 강화  드라이브트레인 개선  리커다인 드라이브트레인 툴킷의 GearKS로 만든 기어쌍에 대한 Mesh Stif fness를 확인할 수 있게 개선되었다. 또한 BearingKS로 만든 베어링에 대한 Rotational Resistance 기능이 추가되어, 축 방향 회전에 대한 베어링의 구름 저항을 고려한 해석을 수행할 수 있다.    그림 8. 기어쌍에 대한 Mesh Stiffness      ■ 자세한 기사 내용은 PDF로 제공됩니다.