#태성에스엔이 #CAE교육 #유동, 구조, 전자기장 이론 단 4시간에 CAE 기본기 완성! 유동, 구조, 전자기장 핵심이론과 AI 시대의 CAE 동향까지 만나보세요   이 내용이 보이지 않으신다면 여기를 눌러주세요!   왜 기본기가 중요할까요? 35년 이상 전통을 가진 태성에스엔이에서 오랜 노하우를 녹여 해석의 기본기를 다질 수 있는 세미나를 준비했습니다. 태성에스엔이의 CAE Academy 교육 중 가장 인기 많은 강좌를 아시나요? 바로 기본 교육 입니다. 예비 엔지니어도, 신입 엔지니어도, 10년 이상 경력직 엔지니어도 해석의 기본에 대한 니즈가 있더라고요. 단 4시간에 유동/구조/전자기장 해석의 기본기를 복기하고 싶다면 꼭 참석하세요. CAE에 대한 관심과 레벨업을 위한 갈증이 있으신 분이라면 모두 환영합니다! AI의 시대, 기본만 다루냐구요? AI와 Ansys 유동/구조/전자기장 해석을 접목시켜 새로운 해석을 만들어내는 방법부터 해석의 기본 이론과 실제 현업에서 사용되고 있는 기술사례까지! 엔지니어가 가장 궁금해 하는 내용을 그야말로 All-in-One 코스로 준비했습니다. 국내 유일, 최고 등급 [Ansys Apex Channel Partner] 태성에스엔이가 하루완성 CAE : 유동해석, 구조해석, 전자기장 해석의 기본기 다지기 프로젝트를 시작합니다.     ✔️#세미나별 #핵심 키워드 유동해석 : 6월 12일(수) #실내유동 #열전달 #공력해석 #Meshing #다상유동 #운동해석 #AI와 CFD 동향   구조해석 : 7월 4일(목) #재료 비선형 #진동해석 #피로수명 #해석 실무사례 #설계 #AI와 구조해석 동향   전자기장해석 : 7월 25일(목) #EMI·EMC #모터전자장 #SI·PI·EMC #변압기 #안테나 #방열해석 #AI접목   세미나 장소 : 포스코타워 역삼 3F 이벤트홀 *위 내용은 내부 사정에 따라 변경될 수 있으니 자세한 사항은 홈페이지에서 확인하세요!

앤시스 워크벤치를 활용한 해석 성공사례   CPU를 이용한 해석을 진행할 때 여러 개의 코어(core)를 사용하여 병렬 연산을 진행하기 때문에, 성능은 낮아지고 전력 소모량은 늘어나는 단점이 존재한다. 반면 GPU를 이용할 경우, 수백 개의 작은 코어를 사용하기 때문에 단순 작업 병렬화로 인해 CPU보다 높은 효율을 보인다.  앤시스 2023R1에서는 GPU가 적용된 앤시스 네이티브 GPU 솔버(Ansys Native GPU Solver)가 출시되었다. 이번 호에서는 앤시스 플루언트 GPU 솔버(Ansys Fluent GPU Solver)의 소개를 비롯해 사례 및 해석 시간 비교부터 결과까지 확인해보자.   ■ 김은자 태성에스엔이 FBU에서 근무하고 있으며, 유동 해석 기술 지원 및 교육, 용역 업무를 담당하고 있다. 홈페이지 | www.tsne.co.kr   GPU의 병렬연산을 활용하는 해석 솔버 우리가 해석해야 하는 내용은 점점 더 복잡해지고 보다 어려워졌으며 보다 많은 해석을 필요로 하고 있다. 그리고 보다 빠른 시간 안에 정확한 결과를 얻고자 한다. 앤시스에서는 계산 시간을 단축하기 위하여 HPC(High Performance Computing) 기능을 유상으로 제공하며, 일반적으로 HPC는 CPU를 이용하여 병렬 연산을 수행한다. 싱글 코어를 기준으로 CPU는 큰 코어를 사용하여 처리 속도가 빠르고 다양한 작업을 한꺼번에 수행할 수 있으나, 여러 개의 코어를 사용하여 병렬 연산을 할 경우에는 성능이 떨어지고 전력 소모량은 증가하는 문제가 발생한다. GPU는 CPU와 다르게 수백 개의 작은 코어를 사용하기 때문에, 병렬 연산 시 많은 코어로 단순 작업을 병렬화하여 CPU보다 나은 효율을 보인다.  앤시스는 CPU 병렬 연산의 문제점을 해결하고자 GPU를 도입하려 노력하였으나, GPU는 CPU와 계산 방식이 다르기 때문에 기존의 CPU 솔버에 GPU를 적용시키기에는 어려움이 있었다. 하지만 앤시스는 GPU를 활용하기 위하여 많은 노력을 해왔으며, 앤시스 2023R1에서 앤시스 네이티브 GPU 솔버를 정식 출시하였다.   플루언트 네이티브 GPU 솔버 앤시스 플루언트 네이티브 GPU 솔버는 GPU가 국부적인 연산에만 참여하는 것이 아니라, 전체 연산에 참여하여 효율이 향상된 솔버이다. 사용자들이 알고 있는 일반적인 플루언트 솔버와는 다른 솔버이다.   그림 1. 앤시스 플루언트 네이티브 솔버   플루언트 CPU 솔버와 플루언트 네이티브 GPU 솔버는 어떤 차이가 있을까? CPU는 코어로 구성되어 있고, GPU는 많은 CUDA(쿠다) 코어가 포함된 SMs(Streaming Multiprocessors)으로 구성되어 있다. 병렬 연산을 위하여 앤시스 HPC(Ansys HPC) 기능을 사용하고자 한다면 CPU의 경우 코어 수를 기반으로 하며, GPU의 경우 SMs 수를 기반으로 한다. 앤시스의 HPC 1 Task는 CPU의 1코어를 지원하며, GPU의 경우 1 SMs를 지원한다. GPU의 개수가 아닌 SMs 숫자를 기반으로 앤시스 HPC를 사용한다.  앤시스 HPC 기능을 사용하여 플루언트 CPU 솔버(인텔 스카이레이크 48코어)와 플루언트 GPU 솔버(싱글 GPU)의 병렬 연산 성능을 비교해보자.    그림 2. 계산 시간 비교   <그림 2>는 200만개 정도의 격자 수를 가진 자동차 외부 유동 사례를 비교한 결과이다. <그림 2>에서는 스카이레이크 48코어와 GPU 카드(5종)의 계산 시간을 비교하였다. GPU 카드가 나열된 순서대로 계산 속도가 향상되었음을 알 수 있다. 인텔 스카이레이크 48코어에 비해 엔비디아 테슬라(Tesla) P100은 약 2.6배, 테슬라 V100은 약 4.6배, 테슬라 A100은 약 7.8배의 속도 향상을 보인다.  플루언트 CPU 솔버와 성능을 비교한 GPU 카드의 정보는 <표 1>과 같다.   표 1. GPU 카드 비교     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공사례   파이앤시스(PyAnsys)는 파이썬(Python)을 활용하여 앤시스(Ansys) 제품을 사용할 수 있는 라이브러리를 뜻한다. 파이앤시스는 구조해석과 관련한 PyMAPDL, PyMechanical과 전처리 및 후처리에 대한 PyDPF가 있다. 이와 같은 라이브러리를 이용하면 파이썬 내에 있는 패키지와 함께 다양한 작업이 가능해진다. 이번 호에서는 파이앤시스 중에서도 PyMAPDL에 대한 사용 방법과 활용 예시를 소개하고자 한다.   ■ 노은솔 태성에스엔이 구조 3팀 매니저로 구조해석 및 자동화 프로그램에 대한 기술 지원을 담당하고 있다. 이메일 | esnoh@tsne.co.kr 홈페이지 | www.tsne.co.kr   앤시스에서 구조, 열, 음향 등 다양한 해석에 사용되는 유한요소 솔버 중 하나인 Mechanical APDL은 명령어를 기반으로 구동된다. 복잡한 연산이나 매개변수 설정 및 자동화 기능이 가능하기 때문에 여전히 많이 사용되고 있다. 하지만 앤시스 워크벤치(Ansys Workbench)의 제한적인 기능을 활용할 경우, 추가적으로 APDL 명령어를 사용해야 한다. 말하자면 APDL 명령어로 여러 기능을 구현할 수 있지만, 넓은 범위에서 적용하기에는 한계가 있는 것이다. 예로 머신러닝이나 딥러닝과 관련한 라이브러리인 텐서플로(TensorFlow)나 케라스(Keras) 등은 APDL 명령어 내에서는 사용할 수 없으며, 파이썬과 APDL 연동에도 한계가 있다.  이 때 PyMAPDL 라이브러리를 사용하면 파이썬 내에서 APDL을 사용하기 때문에 활용도가 넓어진다. 이번 호에서는 PyMAPDL의 사용 방법과 활용 예시를 다뤄보고자 한다.    PyMAPDL 사용 방법 PyMAPDL은 파이썬에서 사용될 때 gRPC(Google Remote Procedure Call)를 기반으로 파이썬 명령어를 APDL 명령어로 변환하여 MAPDL 인스턴스(Instance)에 전송하고, 결과를 파이썬으로 다시 반환한다. 이러한 작업 과정 때문에 파이썬과 MAPDL 간 원활한 데이터 통신이 가능해지며, 다수의 MAPDL 인스턴스를 생성하여 다른 명령으로 동시 작업 또한 가능하다.   그림 1. PyMAPDL gRPC   먼저 PyMAPDL을 사용하기 위해서 앤시스 메커니컬(Ansys Mechanical)이 설치되어 있어야 하며, 관련 라이선스를 보유하고 있어야 한다. 현재 파이앤시스 홈페이지에 따르면 파이썬 3.8 이상 버전을 지원하고 있으며, gRPC 기반으로 사용하기 위해서 앤시스 2021 R1 이상을 권장한다. 파이썬과 앤시스 모두 설치되어 있는 환경이라면 추가적으로 PyMAPDL 라이브러리를 설치해야 한다. 터미널 창에 ‘pip install ansys-mapdl-core’ 한 줄의 입력으로 쉽게 설치되며, 버전을 따로 지정하지 않을 경우 최신 버전으로 설치된다. PyMAPDL은 <그림 2>와 같이 ‘launch_mapdl’ 함수를 호출하여 사용한다. 이는 Mechanical APDL Product Launcher를 실행하는 것과 유사하다. 해당 함수를 활용할 때 입력 가능한 주요 인자들을 입력하여 작업 폴더 위치나 파일 이름, 계산 방식 및 라이선스 등을 지정할 수 있다.    그림 2. PyMAPDL 실행 명령어   기존에 APDL에서 육면체 형상을 모델링하여 요소를 생성하는 과정은 <그림 3>과 같이 작성되고, 동일한 작업을 PyMAPDL로는 <그림 4>와 같이 구성할 수 있다. 작성된 APDL과 PyMAPDL 명령어를 비교하면 형태가 매우 유사한 것을 볼 수 있다. 이 때 PyMAPDL은 파이썬에서 두 가지 방식으로 사용된다. 첫 번째는 ‘run’ 명령어를 활용하여 APDL 명령어를 스트링(string)으로 입력해 직접 실행하는 방법이며, 두 번째는 파이썬 명령어로 변환해서 처리하는 방법이다.   그림 3. MAPDL 모델링 및 요소 생성 예시   그림 4. PyMAPDL 모델링 및 요소 생성 예시     ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공사례   앤시스 차지 플러스(Ansys Charge Plus)는 재료의 충전과 방전 현상을 분석하기 위한 시뮬레이션 프로그램으로, 2021년에 국내에 처음 도입되었다. 앤시스 차지 플러스를 이용하면 그동안 해석하기 어려웠던 Air ESD(비접촉 정전기 방전)를 쉽고 간단하게 해석할 수 있다. 이번 호에서는 Air ESD의 영향을 평가하고 방전을 방지하거나 줄이기 위한 앤시스 차지 플러스의 사용법에 대해 간단하게 소개하고자 한다.   ■ 김대현 태성에스엔이 EBU HF팀 매니저로 RF/Antenna 해석 및 Ansys EMC & Charge Plus에 대한 기술지원을 담당하고 있다. 이메일 | dhkim22@tsne.co.kr 홈페이지 | www.tsne.co.kr   앤시스 차지 플러스는 EMA3D Charge의 후속 버전으로, 2021년 9월에 출시되었다. 앤시스 차지 플러스는 앤시스의 다른 전자기장, 유동 제품군과 연동이 용이하고, 앤시스 디스커버리(Ansys Discovery) GUI를 사용하여 프로그램 접근성이 뛰어나다. 앤시스 차지 플러스는 항공우주, 전기전자, 자동차 산업과 같은 다양한 분야에서 대전, 입자 이동, 아크(arc) 등의 문제를 예방하거나 해결할 수 있다. 또한, 멀티피직스 시뮬레이션을 통해 플라스마 및 ESD와 관련된 다양한 현상을 정확하고 빠르게 해석할 수 있고, Air ESD 문제를 효과적으로 해결할 수 있다.   앤시스 차지 플러스 소개 앤시스 차지 플러스는 과거 ‘EMA3D Charge’라고 불리던 시뮬레이션 툴이 리뉴얼되어 ‘차지 플러스’로 이름이 바뀌었다. 간략하게 소개를 하자면 ‘앤시스 EMC 플러스(Ansys EMC Plus)’와 ‘앤시스 차지 플러스(Ansys Charge Plus)’로 구분된다. EMC 플러스의 경우 플랫폼 단위에서 Electromagnetic Cable을 모델링 혹은 EMC 해석을 진행할 때 유용한 시뮬레이션 소프트웨어이고, 차지 플러스는 다수의 솔버를 이용한 멀티피직스 해석이 가능한 시뮬레이션 솔루션이다. 앤시스 차지 플러스는 시간 도메인(time domain) 솔버를 사용하여 공기, 재료의 표면 및 내부 아크를 분석하고, FEM Electromagnetics, Fluid, Particle 솔버를 통해 플라스마 환경을 해석한다. 차지 플러스는 디스커버리 GUI를 사용하여 기존의 사용자들이 쉽고 빠르게 CAD 모델을 단순화하고, 시뮬레이션 환경의 정의 및 해석을 진행할 수 있다. <그림 1>은 앤시스 차지 플러스의 GUI를 나타낸 그림이다. 앤시스 차지 플러스의 GUI는 앤시스 디스커버리와 동일하게 구성되어 있고, 사용자의 편의를 위해 <그림 2>와 같이 어두운 테마(Dark Theme)와 밝은 테마(Light Theme)를 제공하여 사용자는 취향과 환경에 맞게 테마를 선택할 수 있다.   그림 1. 앤시스 차지 플러스 GUI   그림 2. 앤시스 차지 플러스 테마   ESD란 ESD(Electrostatic Discharge)는 정전기 방전이라고 하며 양극과 음극으로 대전된 물체가 접촉하여 일시적으로 전하의 이동이 발생하는 현상을 의미한다. 주로 건조한 환경에서 발생하며, 두 물체 사이의 전압 차이가 크면 공기 또는 다른 매질을 통해 전하가 이동하여 방전 현상이 생길 수 있다. 이 방전은 짧은 시간 동안 매우 높은 전류를 생성할 수 있어 전자 부품이나 회로에 손상을 입히고, 특히 반도체나 집적 회로와 같이 민감한 전자제품에 심각한 손상을 가할 수 있다. ESD는 접촉 방식과 비접촉 방식이 있다. 비접촉 방식 ESD는 물체에 직접적으로 접촉하지 않아도 정전기 방전이 발생할 수 있는 경우를 말하며, 주로 물체가 전하로 충전된 상태로 서로에게 근접할 때 발생한다. 예를 들어, 사람의 손이 전자 부품 근처에 오는 것만으로도 전자 부품 주변의 공기가 충분히 전하를 이동시키고 공기를 통해 정전기 방전이 발생할 수 있다. 비접촉식 ESD는 주로 공기나 다른 매질을 통해 전하가 이동하고 이로 인해 방전이 발생한다. 접촉식의 경우 앤시스 HFSS를 통한 해석이 가능하나, 비접촉식 즉 Air ESD의 경우는 HFSS를 통한 해석이 쉽지 않았다. 그러나 앤시스 차지 플러스가 출시되면서 <그림 3>과 같은 ESD 웨이브폼(Waveform)을 사용하여 Air ESD를 간단한 설정을 통해 해석이 가능하게 되었다.   그림 3. ESD 웨이브폼   ■ 상세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공사례   이번 호에서는 국제 조명 위원회(CIE)의 CIE 171:2006 테스트를 거쳐 광학 모델링 소프트웨어로서 정확성을 인증받은 앤시스 스페오스(Ansys Speos)를 활용하여, 최근 자동차 램프에 많이 적용되고 있는 라이트 가이드(light guide)의 설계 방법 및 해석 방법에 대하여 소개하고자 한다.   ■ 최낙정 태성에스엔이 SBU팀 매니저로 광학 프로그램에 대한 기술 지원을 담당하고 있다. 홈페이지 | www.tsne.co.kr   앤시스 스페오스 소개 앤시스 스페오스(Ansys Speos)는 자동차, 전자 제품, 조명, 레이저 및 머신 비전, 항공 우주, 생물 의학 연구 분야의 글로벌 기업이 사용하는 광학 시스템 최적화 및 검증을 위한 전문 해석 솔루션이다. 광학 부품의 정밀한 해석을 위해 인간의 시각 능력을 반영하여 해석 및 다양한 분석 기능을 제공하며, 광 성능 분석에 기본이 되는 광도, 조도, 휘도 분석 이외에도 색상, 재료, 질감, 눈부심 효과 등이 고려된 가시성 분석이 가능하다.   ▲ 앤시스 스페오스를 통해 해석된 자동차 점등 이미지   또한, OPD(Optical Part Desing) 기능을 활용하여 라이트 가이드, 프리폼 렌즈(freeform lens) 등 다양한 형태의 렌즈를 손쉽게 설계하고, GPU를 사용한 시뮬레이션이 가능하기 때문에 설계부터 해석까지 시간과 비용을 절감할 수 있다.   ▲ 앤시스 스페오스에서 제공하는 다양한 OPD 기능   라이트 가이드란 라이트 가이드(light guide)는 기본적으로 사용자가 원하는 목표 지점까지 광손실을 최소화하여 빛을 보내기 위한 광학 구조물이다. 램버시안 분포로 나오는 빛을 믹싱(mixing)하여 균일하게 만들어 주는 역할을 하기도 하고, 사용자의 목적에 따라 프리즘 옵틱을 적용하여 광원부를 노출시키지 않고 사용자가 원하는 빔 패턴을 만들 수 있어 심미성과 성능을 모두 확보해야 할 때 많이 사용되고 있다.   ▲ 자동차 DRL(Daytime Running Lamp)에 적용된 라이트 가이드   라이트 가이드의 설계 과정 앤시스 스페오스를 활용하면 라이트 가이드를 손쉽게 설계할 수 있다. 기본적으로 라이트 가이드를 생성하기 위해서는 형상 프로파일(profile)과 가이드 커브(guide curve)를 정의해야 한다. 해당 인자를 통해서 원하는 형상으로 라이트 가이드의 베이스를 만들어 줄 수 있다. 라이트 가이드의 베이스를 만들었다면, 빔 패턴을 사용자의 목적에 맞게 만들기 위해서 프리즘 옵틱을 설계해야 한다. 프리즘 옵틱의 설계의 경우 설계 인자가 약 10개 정도 되어 사용자가 원하는 빔 패턴을 만드는데 용이하게 활용할 수 있다. 또한, 효율을 향상시키거나 LED 적용 개수에 따라 라이트 가이드의 입사부 형상에 변화를 주기도 한다. 라이트 가이드의 초기 설계가 완료되었다면, 각 부품에 대한 물성치와 광원, 센서에 대한 정의를 완료한 후 시뮬레이션을 통해 원하는 수준의 광학 성능이 나왔는지 초기 성능 분석을 진행한다. 초기 성능 분석을 통해 만족하지 못한 성능을 보완해주기 위해 스페오스 내에 있는 최적화 도구를 활용하여 최적화 타깃(target) 값을 정의하고 설계 주요 파라미터들을 선정하여 각 파라미터에 대한 최적화를 진행한다. 최적화 완료 후 다시 한 번 시뮬레이션을 진행하여 원하는 수준의 배광 성능이 나왔는지, 점등 필링은 괜찮은지 등을 확인하고 최종적으로 라이트 가이드에 대한 설계를 완료한다.   ▲ 앤시스 스페오스를 활용한 라이트 가이드 설계 단계   ■ 상세한 기사 내용은 PDF로 제공됩니다.

  아래 글이 안보이신다면 여기를 눌러주세요. 

물리 법칙을 학습하는 인공지능으로 시뮬레이션을 개선   최근 인공지능(AI)에 대한 관심이 높아짐에 따라 시뮬레이션 분야에서도 딥러닝을 적용하려는 움직임이 크다. 이번 호에서는 시뮬레이션에서 딥러닝을 어떻게 응용하고 있는지 살펴보고, DNN과 PINN 알고리즘을 응용한 두 가지 예시를 소개한다.   ■ 안지수 태성에스엔이 유동 2팀 매니저로 유동해석에 대한 기술 지원을 담당하고 있다. 이메일 | jsan@tsne.co.kr 홈페이지 | www.tsne.co.kr   신경망 기법에 대한 이해 시뮬레이션 분야에 인공지능을 적용하는 다양한 방법 중 하나는 딥러닝을 사용하는 것이다. 딥러닝은 기본적으로 신경망 기법을 기반으로 하며, 초기는 컴퓨팅 장비의 한계로 인해 간단한 구조의 단층 퍼셉트론을 사용하였다. 그러나 최근에는 컴퓨팅 장비 및 병렬 연산 능력의 발전으로 인해 대규모 데이터셋과 고성능 계산을 처리할 수 있는 환경이 조성되면서 생성형 인공지능, 설명 가능한 인공지능, AutoML 모델 등 다양한 알고리즘으로 발전할 수 있었다. 딥러닝의 대표적인 구조를 살펴보면 <그림 1>과 같이 입력층(Input), 은닉층(Function f:), 출력층(Output)으로 나눌 수 있다. 이 구조는 함수와 유사하게 작동하며, 입력층과 출력층에 데이터를 제공하면 은닉층을 스스로 찾아낸다. 은닉층의 구성을 살펴보면 노드와 노드를 잇는 선으로 표현된다. 각 노드에는 신호를 계산하는 활성화 함수가 포함되어 있으며, 이러한 노드들이 여러 층을 형성하여 최종적으로 은닉층을 구성하게 된다. 이 노드들은 서로 데이터를 전달하면서 반복적인 학습을 진행하고, 일정 기준을 달성하면 인공지능 모델이 생성된다. 딥러닝의 장점 중 하나는 입력과 출력에 사용할 원본 데이터 형태가 중요하지 않다는 것이다. 그림, 소리, 문자 등 다양한 형태의 데이터도 학습이 가능하다.   그림 1. 신경망 구조의 예   시뮬레이션 AI 접근 방식 소개 시뮬레이션에서 인공지능을 응용하는 방법은 크게 두 가지로 나눌 수 있다. 첫 번째는 이미 알고 있는 데이터를 기반으로 목표 값을 예측하는 방법이 있고, 두 번째는 데이터 없이 목표 값을 예측하는 방법이 있다. 물론 기술이 발전할수록 이 두 가지 방법은 상호보완적으로 진화하기 때문에 이분법적인 구분은 상대적으로 의미가 줄어든다. 그럼에도 불구하고, 이 두 가지 방법에 대한 이해는 다음 단계로 나아가기 위한 기반을 제공하기 때문에 각각의 방법을 소개한다.  첫 번째로, 데이터 기반 인공지능 예측 모델을 활용한 경우로는 앤시스 옵티스랭(Ansys OptiSLang)의 Adaptive Metamodel of Optimal Prognosis(AMOP) 기능이 있다. AMOP은 고전적 수치해석 및 통계 기법과 인공지능을 결합하여, 최적화를 위해 더 합리적인 기법을 찾아내는 기능을 제공한다. 이 방법이 데이터 기반인 이유는 원하는 정보를 얻기 위해 일부 데이터를 수집해야 하기 때문이다.(그림 2) 따라서 처음부터 알 수 없는 변수를 찾는 것보다는 차수 축소, 차원 축소, 시스템 최적화 등 ROM(Reduced Order Models)과 같은 목적으로 활용된다.    그림 2. AMOP을 사용하기 위한 전처리 데이터   이와 같이 데이터 기반 인공지능 모델의 경우 어느 정도 시뮬레이션 시장에 나타나고 있다. 그러나, 두 번째 경우인 데이터 없이 예측 값을 출력하는 모델은 수치해석의 정확도를 유지하면서 빠른 결과 도출을 목표로 하기 때문에 아직 많은 연구가 진행 중에 있다. 이 모델의 대표적인 알고리즘으로 PINN(Physics-Informed Neural Networks) 알고리즘이 있다. 기존 신경망 기법은 입력값과 결과값 사이의 물리적 상관관계를 고려하지 못하는데 반해, PINN은 물리적 상관관계를 바탕으로 결과값을 예측하기 때문에 다른 딥러닝 알고리즘에 비해 더욱 타당한 결과를 예측한다는 장점이 있다. 앤시스에서도 PINN 알고리즘을 응용하여 새로운 솔버를 개발 중에 있다.      ■ 자세한 기사 내용은 PDF로 제공됩니다.

 태성에스엔이 홈페이지: https://www.tsne.co.kr/  

버스바의 최적 설계 프로세스 단축하기   파워서플라이나 전기차 배터리와 같은 고전력 장치에 사용되는 버스바(BusBar)는 최적 설계 도출을 위해 다수의 전열 해석이 동반되어 수많은 워크플로를 진행해야 한다. 태성에스엔이가 자체 개발한 전열 해석 자동화 프로그램인 BeHAP을 이용하면 단일 환경에서 전열 해석을 한 번에 진행 가능하다. 이번 호에서는 버스바 전열 해석 자동화 프로그램에 대한 소개와 사용 방법을 설명하고자 한다.   ■ 김재원 태성에스엔이 구조 2팀 매니저로 구조해석 및 자동화 프로그램에 대한 기술 지원을 담당하고 있다. 이메일 | jwkim21@tsne.co.kr 홈페이지 | www.tsne.co.kr   파워 서플라이나 전기차 배터리와 같은 고전력이 필요한 장치에 많이 사용되는 버스바는 전선과 동일한 기능을 가지면서 형상적으로 단단하고 정밀한 제작이 가능하기 때문에, 보다 효율적인 공간 활용이 가능하다.  그에 따라 형상 최적 설계에 대한 연구가 많이 진행되고 있으나 최적 설계 도출을 위해서 다수의 전열 해석을 수행해야 하기 때문에, 수많은 워크플로 생성으로 인해 업무 효율성이 떨어지는 어려움이 있다. 태성에스엔이에서 제작한 버스바 전열 해석 자동화 프로그램인 BeHAP을 사용하면 다수의 전열 해석이 필요 없이 단일 환경에서 다양한 전열 해석 수행이 가능하다.    BeHAP 소개 전열 해석은 전기 해석과 발열 해석의 연성 해석이 필요하기 때문에, 다양한 환경에서 해석이 진행된다.(그림 1)   (a) 해석 시스템 생성   (b) 물성 추가   (c) 형상 수정   (d) 격자 생성 및 경계 조건 부여   (e) 결과 확인 그림 1. 앤시스 환경에서의 전열 해석 프로세스   <그림 1>과 같이 앤시스의 전열 해석 프로세스는 워크벤치(그림 1-a~b), SCDM(그림 1-c), 메커니컬(그림 1-d~e) 환경을 거쳐 전/후처리를 진행하기 때문에, 워크플로가 매우 복잡해진다. 이러한 경우 BeHAP을 사용하여 이러한 문제를 해결할 수 있다. BeHAP은 <그림 2>와 같이 하나의 환경에서 전/후처리를 한 번에 수행할 수 있다. 또한, 해석 워크플로의 단순화로 해석 숙련도가 낮은 설계 엔지니어도 쉽게 사용할 수 있다는 장점이 있다.   (a) 모델 불러오기   (b) 물성 추가 및 적용   (c) 경계 조건 부여   (d) 결과 확인 그림 2. BeHAP에서의 전열 해석 프로세스     ■ 자세한 기사 내용은 PDF로 제공됩니다.