케이던스 디자인 시스템즈(Cadence Design Systems)의 일원이 된 MSC Software(구 Hexagon D&E)의 시뮬레이션 기술을 기반으로, 스마트 건설장비의 가상 개발(Virtual Development) 및 설계 검증 사례를 공유하는 자리가 마련된다. 최근 건설장비 산업은 탄소 저감, 소음 규제 등 강화되는 환경 규제와 AI·IoT 기술 발전에 따라 전동화 및 친환경 기술 도입이 가속화되고 있다. 특히 작업 현장의 안전과 생산성을 높이기 위한 자율주행 및 지능화 기술에 대한 요구가 커지면서, 설계 초기 단계부터 실제 작업 조건을 반영해 시스템 거동과 성능을 예측하는 CAE(Computer-Aided Engineering) 기반 검증 환경이 핵심 경쟁력으로 부상하고 있다. 3월 11일(수) 오후 2시 ~ 3시 30분까지 진행되는 이번 웨비나에서는 시뮬레이션 환경을 활용한 가상 개발 전략을 중심으로 ▲건설장비 시스템 동역학 ▲자율주행 기술 ▲전동화 구동계 설계 검증 ▲CFD 기반 열관리 해석 등 CAE 통합 적용 전략과 구체적인 설계 검증 사례를 상세히 소개할 예정이다. 온라인으로 진행되는 웨비나는 사전등록 후 무료 시청할 수 있다.

안녕하세요? 캐드앤그래픽스에서는 HP ZBook Ultra G1a 노트북 성능을 체험해 보고 리뷰해 주실 리뷰어를 찾습니다. 리뷰 기사는 캐드앤그래픽스 2026년 5월호에 실을 예정으로, 리뷰용 제품을 받으신 후 2주 정도 실제로 사용해 보시고, 4월 3일(금)까지 리뷰 원고를 보내 주시면 됩니다. 잡지에 실리는 리뷰 기사에 대해서는 소정의 원고료를 드립니다. 리뷰를 원하시는 분은 간단한 자기소개 및 사용하시는 소프트웨어에 관한 내용을 메일(cadgraphpr@gmail.com)로 보내주세요. - 제목 :  HP ZBook 노트북 리뷰어 지원 - 보내실 내용 : 간단 약력 등 자기소개, 사용 소프트웨어, 전화/메일/소속 (참고할 만한 기고 이력이나 블로그 링크 등 있을 경우 같이 기재) - 모집 기간 : 리뷰어 선정 시 마감 예정 (이력 검토 후 선정) 문의 : 02-333-6900 / cadgraphpr@gmail.com 리뷰어 모집 대상  :  제조, 건축, 엔지니어링 분야 엔지니어(캐드, CAE, 3D 디자인 및 렌더링 등 사용자)     ------------------------------------------------------------------------------------------------------ [제품 리뷰 참고 후기] HP Z북 울트라 G1a 리뷰 (1) - AI 크리에이터와 3D 작업을 위한 최적화 HP Z북 울트라 G1a 리뷰 (2) - 설계 엔지니어 관점에서 본 고성능 노트북  

안녕하세요? 캐드앤그래픽스에서는 "HP Z북 울트라 G1a" 노트북 성능을 체험해 보고 리뷰해 주실 리뷰어를 찾습니다. 리뷰 기사는 캐드앤그래픽스 2026년 5월호에 실을 예정이며, 리뷰용 제품을 받으신 후 2주 정도 실제로 사용해 보시고, 4월 3일(금)까지 리뷰 원고를 보내 주시면 됩니다. 잡지에 실리는 리뷰 기사에 대해서는 소정의 원고료를 드립니다. 리뷰를 원하시는 분은 간단한 자기소개 및 사용하시는 소프트웨어에 관한 내용을 메일(cadgraphpr@gmail.com)로 보내주세요.   - 제목 :  HP ZBook 노트북 리뷰어 지원 - 보내실 내용 : 간단 약력 등 자기소개, 사용 소프트웨어, 전화/메일/소속 (참고할 만한 기고 이력이나 블로그 링크 등 있을 경우, 같이 기재 바람) - 모집 기간 : 리뷰어 선정 시 마감 예정 (이력 검토 후 선정) 문의 : 02-333-6900 / cadgraphpr@gmail.com 리뷰어 모집 대상  :  제조, 건축, 엔지니어링 분야 엔지니어(캐드, CAE, 3D 디자인 및 렌더링 등 사용자)     ------------------------------------------------------------------------------------------------------ [제품 리뷰 참고 후기] HP Z북 울트라 G1a 리뷰 (1) - AI 크리에이터와 3D 작업을 위한 최적화 HP Z북 울트라 G1a 리뷰 (2) - 설계 엔지니어 관점에서 본 고성능 노트북  

제품 개발 혁신을 돕는 크레오 파라메트릭 12.0 (8)   PTC는 설계부터 제조까지의 전 과정을 아우르는 디지털 스레드(digital thread)를 더욱 강화한 크레오 파라메트릭 12.0(Creo ParametrIC 12.0) 버전을 2025년 4월 출시했다. 12.0 버전은 시뮬레이션 기반 설계(SimulationDriven Design) 환경을 한층 더 고도화하였으며 특히 인공지능(AI)을 활용하여 최적의 형상을 찾아내는 제너레이티브 디자인(generative design, 생성형 설계)의 개선 기능이 포함되었다. 기존의 제너레이티브 디자인이 구조적 경량화에 초점을 맞추었다면 크레오 12.0은 열 최적화(thermal optimization)와 복합형 보디(hybrid body)의 정밀 분석, 그리고 제조 형상 제어 기능을 강화하여 엔지니어가 실무에서 바로 활용할 수 있는 수준의 완성도 높은 형상 결과를 제공한다. 이번 호에서는 크레오 12.4 업데이트에 포함된 제너레이티브 디자인의 핵심 개선 사항들을 알아보자.   ■ 김성철 디지테크 기술지원팀의 이사로 크레오 전 제품의 기술지원 및 교육을 담당하고 있다. 홈페이지 | www.digiteki.com   복합형 보디의 면적 및 부피 측정 제너레이티브 디자인 형상이 포함된 복합 보디의 표면적 및 부피 측정을 지원한다. 분석(Analysis) 탭 → 측정(Measure) 그룹에서 영역(Area) 또는 볼륨(Volume)을 선택한다.     이제 제너레이티브 디자인에서 생성된 최적화된 형상의 중량을 예측하고, 도장 면적 산출 및 금형 투영 면적 계산 등에 활용하여 후속 공정의 필요한 데이터를 빠르게 제공할 수 있다.   복합형 확장된 형상 분석 지원 생성한 복합 보디에 대한 음영처리 곡률, 반사, 새도 및 슬로트 분석 등 다양한 형상 분석 기능을 지원한다. 분석(Analysis) 탭에서 형상 검사(Inspect Geometry)를 선택한다.     복합 보디에 대한 반사를 분석할 수 있다.     복합 보디에 대한 슬로프 분석이 가능하다.     복합 보디에 대한 확장된 형상 분석으로 설계자는 표면 품질을 직관적으로 시각화하고 검토할 수 있다. 다양한 형상 분석을 통해 급격한 곡률 변화로 인한 형상 문제나 제조 과정에서 발생할 수 있는 오류를 사전에 빠르게 파악할 수 있다.   열 최적화 검토 생성형 설계의 열 검토(Thermal Study) 기능을 활용하면 전자기기 및 열 민감 제품에 대한 설계 최적화 과정에서 강력한 분석과 최적화를 수행할 수 있다. 안정 상태 열 해석을 기반으로 전도 및 대류 조건을 정의할 수 있으며, 전열/열류/열 생성 하중과 같은 새로운 하중 유형을 적용할 수 있다. 또한 최고 온도 최소화 또는 질량 최소화와 같은 최적화 목표를 설정하여 다양한 사용 사례에 대응할 수 있다. 생성형 설계(Generative Design) 탭에서 검토(Study) → 열 검토(Thermal Study)를 선택한다.     열 검토의 설계 공간 설정에서 보존된 형상을 선택하면 다중 보디에서 보존 형상과 시작 형상을 명확히 구분하여 정의할 수 있어, 최적화 과정에서 불필요한 형상 변경을 방지하고 효율적인 설계 공간을 정의할 수 있다.     열 검토(Thermal Study)에서는 경계 조건으로 온도(Temperature)와 대류(Convection)를 선택하여 공기나 유체에 의한 냉각 효과를 정의할 수 있다. 온도 조건은 지정된 표면에 일정한 온도를 부여하여 열 전달을 제어하며, 대류 조건은 외부 환경과의 열 교환을 모사한다. 특히 대류 조건은 상온을 기준으로 자동 설정되어 별도의 입력 없이도 기본적인 냉각 효과를 반영할 수 있다.     생성형 설계의 열 검토(Thermal Study)에서 다양한 열 하중을 정의하여 실제 사용 환경을 보다 정밀하게 모사할 수 있다. 열 하중(Heat Load) : 발열원을 정의하며, 와트(W) 단위로 입력한다. 특정 부품이나 영역에서 발생하는 발열량을 직접 지정할 수 있어 전자기기와 같은 발열 요소를 정확히 반영할 수 있다. 열류(Heat Flux) : 단위 면적당 열의 이동량을 정의한다. 표면을 통해 전달되는 열 흐름을 제어할 수 있으며 냉각판이나 방열판과 같은 열 관리 구조의 성능을 검토하는 데 활용된다. 열 생성(Heat Generation) : 부품 내부에서 발생하는 발열 조건을 정의한다. 재료 자체의 발열 특성이나 내부 전기/화학 반응으로 인한 열 발생을 모델링할 수 있다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

산업을 위한 AI와 버추얼 트윈 기술 (1)   국제적으로 환경 규제가 강화됨에 따라 조선산업에서는 설계 초기 단계부터 탄소 배출을 정량적으로 관리하는 체계가 필수로 자리잡고 있다. 다쏘시스템은 카티아 매직(CATIA MagIC)과 다이몰라(Dymola)를 통해 모델 기반 시스템 엔지니어링(MBSE)과 다물리 시뮬레이션을 결합한 ‘프론트 로딩’ 환경을 제공한다. 이를 통해 선박의 복잡한 시스템을 통합적으로 검증하고 최적의 설계 대안을 도출함으로써, 저탄소 친환경 선박 개발의 리스크를 줄이고 기술 경쟁력을 강화할 수 있다.   ■ 신정일 다쏘시스템코리아 조선해양 TechnICal Executive 홈페이지 | www.3ds.com/ko   전 세계 교역 물량의 약 90%를 담당하는 해운 산업은 전 지구적 온실가스 배출의 약 3%를 차지하고 있으며, 기후 위기 대응의 핵심 산업으로 빠르게 부상하고 있다. 국제해사기구(IMO)는 2050년까지 해운 산업의 온실가스 순배출 제로(net-zero)를 목표로 설정하고, 기존선 에너지효율지수(EEXI : Energy EffICiency Existing Ship Index)와 탄소집약도지표(CII : Carbon Intensity IndICator) 등 규제를 본격적으로 시행하고 있다. 이러한 규제 환경은 선박의 성능을 단순히 ‘만족’시키는 수준을 넘어, 설계 초기 단계에서부터 탄소 배출을 정량적으로 예측, 관리, 검증할 수 있는 체계를 요구하고 있다. 이러한 변화로 인해 기존의 2D 도면 중심 설계와 부문별로 단절된 해석, 사후 검증 위주의 접근 방식만으로는 더 이상 효과적인 대응이 어렵다는 인식이 확산되고 있다. 이에 따라 최근 조선산업에서는 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE)과 시스템 단위 시뮬레이션을 중심으로 한 디지털 전환이 핵심적인 대응 방안으로 부상하고 있다.   조선산업에서 MBSE가 필수인 이유 선박은 본질적으로 추진, 전력, 연료, 안전, 제어, 열, 규제 요구사항이 복합적으로 얽힌 통합 시스템(system of systems)이다. 그러나 전통적인 설계 방식에서는 이러한 요소들이 개별 부서, 개별 해석 도구, 개별 문서로 관리되어 왔으며, 시스템 차원의 상호 영향은 설계 후반부나 시운전 단계에서야 드러나는 경우가 많았다. MBSE는 이러한 한계를 극복하기 위한 접근 방식이다. 선박을 하나의 통합 시스템으로 정의하고 요구사항–기능–구성요소–성능 간의 관계를 모델로 명확히 연결함으로써, 설계 변경이 전체 시스템에 미치는 영향을 사전에 검증할 수 있도록 한다. 이는 단순한 설계 효율화가 아니라, 규제 대응 리스크와 기술 불확실성을 구조적으로 줄이는 방법이다. 특히 저탄소 친환경 선박에서는 연료 소비, 이산화탄소 배출, 에너지 흐름, 운항 조건이 서로 긴밀히 연결되어 있기 때문에, 시스템 차원의 모델링과 시뮬레이션 없이는 설계 단계에서 신뢰성 있는 판단을 내리기 어렵다.   친환경 시스템 설계를 위한 성능 검증 다쏘시스템의 카티아 매직(CATIA MagIC)은 이러한 복잡성을 관리하기 위해 MBSE를 단순한 개념이 아니라 설계–검증–의사결정이 유기적으로 작동하는 실질적인 실행체계로 구현한다. 요구사항 관리와 시스템 아키텍처를 중심으로 선박 전체의 구조와 기능을 정의하고, 그 결과를 물리 성능 시뮬레이션과 직접 연결함으로써 설계 초기 단계의 판단이 실제 성능 검증으로 즉시 이어지는 ‘프론트 로딩(front loading)’ 환경을 제공한다. 이 과정에서 다이몰라(Dymola)는 MBSE에서 정의된 시스템 아키텍처를 물리적으로 검증하는 핵심 가교 역할을 수행한다. 카티아 매직에서 정의된 요구사항과 검증 시나리오는 다이몰라의 시스템 모델로 전달되며, 다이몰라는 추진, 전력, 연료공급, 열관리 및 제어시스템 등 선박의 복합한 거동을 다물리(multi-physICs) 기반으로 시뮬레이션하여 정량적인 성능 결과를 도출한다. 이러한 결과는 다시 시스템 아키텍처로 피드백되어 설계 대안 간 트레이드오프 분석과 전체 시스템 최적화에 활용된다. 특히 다이몰라는 오픈소스로 무료 사용이 가능한 표준 모델링 언어인 모델리카(ModelICa)를 채택하고 있어, 조선소가 자사의 설계 철학과 운용 조건을 반영한 컴포넌트를 직접 구현할 수 있는 높은 유연성을 제공한다. 이를 통해 특정 벤더의 정형화된 라이브러리에 종속되지 않고, 기업 고유의 도메인 지식과 설계 노하우를 모델로 축적하고 활용할 수 있으며, 지식재산권 보호 측면에서도 경쟁력을 확보할 수 있다. 이러한 특성은 복잡성과 다양성이 높은 조선산업의 설계 및 생산 환경에서 성능을 검증, 최적화하는 데 적합하다.   그림 1   즉, MBSE가 ‘무엇(what)을 만족해야 하는가’를 정의한다면, 다이몰라는 ‘그 요구사항이 실제 물리 법칙 하에서 가능한가(how)’를 입증하는 역할을 담당한다. 이러한 시스템 아키텍처–성능 시뮬레이션 간 폐순환(closed-loop) 구조를 통해 설계 변경이 발생하더라도 그 영향이 신속하게 시뮬레이션 모델에 반영되며, 엔지니어는 그 결과를 바탕으로 데이터에 근거한 최적의 설계 대안을 도출할 수 있다. 이러한 초기 단계에서의 검증은 선박의 생산 및 시운전 단계에서의 시행착오를 획기적으로 줄이고, 한국 조선업의 기술적 리더십을 공고히 하는 핵심 경쟁력이 될 것이다.   카티아 매직과 다이몰라를 활용한 저탄소 친환경 성능 검증 사례 카티아 매직과 다이몰라는 이미 글로벌 조선산업에서 저탄소 성능을 설계 초기부터 검증하는 데 활용되고 있다. 대표적인 사례로는 전력 시스템 성능 검증, 그리고 IMO CII 규제 검증이 있다. 첫 번째 예로, 유럽의 한 조선소에서 선박 운항 중 전력 부하 해석을 통해 케이블, 변압기, 발전기 등 주요 전력 구성 요소의 적정 용량을 산정하고, 제어기를 포함한 전력 시스템의 전력 소모를 최소화하여 친환경 운항을 도모한 사례이다. <그림 2>와 같이 부하 흐름(load flow) 해석과 과도(transient) 시뮬레이션을 통해 주요 전력 구성 요소의 용량과 전력 계통의 거동을 설계 초기 단계에서 검증함으로써, 전압 강하 및 과부하 발생 여부를 사전에 평가할 수 있다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

가상 제품 개발을 위한 MBSE 및 SysML의이해와 핵심 전략 (5)   이번 호에서는 모델 기반 시스템 엔지니어링(MBSE)의 핵심 언어인 SysML의 정의와 역할을 설명한다. SysML은 기존 문서 중심 방식의 한계를 극복하기 위해 복잡한 시스템을 시각화하고 설계 일관성을 유지하며, 모델리카(ModelICa)와의 연동을 통해 수치 해석 및 검증 능력까지 제공한다. 결과적으로 SysML은 요구사항 정의부터 물리적 검증까지 전체 과정을 유기적으로 통합하여 가상 제품 개발의 생산성을 높이는 데에 기여한다.   ■ 오재응 한양대학교 명예교수, 시뮬레이션 랩 CTO   SysML이란 SysML(Systems Modeling Language)은 시스템을 대상으로 한 그래픽 모델링 언어로, UML(Unified Modeling Language)을 기반으로 확장하여 개발된 것이다. SysML은 OMG(Object Management Group), INCOSE(International Council on Systems Engineering), 그리고 ISO STEP AP233(시스템 엔지니어링 데이터 교환 표준)의 요구사항을 반영한 엔지니어링 RFP(Request for Proposal)에 따라 만들어졌으며, UML 2.0의 하위 집합을 기반으로 하되, 시스템 모델링에 특화된 확장 기능을 포함하고 있다. 즉, UML의 한 프로파일(profile)이면서도 시스템 중심 기능이 강화된 언어이다. SysML은 하드웨어, 소프트웨어, 데이터, 입력/출력, 절차 및 설비 등 복합적인 요소를 포함하는 시스템을 요구, 분석, 설계, 검증, 검증 및 검토(V&V) 등 전 과정에 걸쳐 모델링할 수 있도록 지원한다. 이를 통해 복잡한 시스템을 시각적으로 표현하고, 다양한 구성요소 간의 관계를 추적할 수 있다. 또한, SysML은 XML 기반 메타데이터 교환(XMI)을 통해 다른 모델 및 데이터 시스템과의 연동을 지원하며, 국제 표준인 AP233의 진화 과정과도 연계되어 있다. 이러한 상호운용성과 표준성은 SysML이 시스템 모델 중심 개발(model-driven SE)을 위한 핵심 언어로 자리매김하게 된 중요한 배경이다. 결론적으로, SysML은 전통적인 문서 중심 시스템 개발 방식에서 벗어나, 시각적 모델 중심으로 시스템을 통합적으로 정의하고 분석하며 검증할 수 있도록 해주는 핵심 도구라 할 수 있다. 이는 특히 모델 기반 시스템 엔지니어링(Model-Based Systems Engineering : MBSE)을 실현하기 위한 기반 언어로 널리 사용된다.   왜 SysML 모델링 언어와 MBSE가 연계되는가 지금까지 기본 시스템 엔지니어링의 시스템 설계 활동에 대해 설명해 왔지만 이들의 활동의 주요 목적은 MBSE에서도 마찬가지이다. 그러나 지금까지의 시스템 엔지니어링은 두 가지 ‘불편’이 있었다. 하나는 자연 언어 그 자체의 기술력으로 인한 불편이다. 예를 들어, 자연 언어로 시스템 엔지니어링 영역에서 널리 사용되는 계층 구조와 병렬 동작을 동시에 설명하는 것은 어렵다. 또한, 입력한 정보의 조감과 여러 원인과 결과를 가진 인과 관계를 설명하기도 어렵다. SysML은 시스템 엔지니어링을 위해 개발된 준 형식적 도식 언어이며 이러한 불편을 해소하기 쉽다. 또 다른 불편은 설명 내용의 일관성 유지라는 문제이다. 자연 언어로 작성된 문서 간에 걸친 정보의 완전성 및 일관성을 유지하는 것은 어렵고 문서에 설명된 정보가 변경될 때 시스템의 수명주기에 미치는 영향을 예측하기가 어렵다. 이들에 대해서도 모델링 툴을 병용하면서 SysML을 사용하면 이러한 불편을 없앨 수 있다. 한편 ‘개발 현장용’ 모델 언어의 의미와 메타 모델로서 추적성을 완비해야 한다. 아직 설계서로부터의 자동 코드 생성은 주류가 아니고, 사람의 손으로 프로그래밍에 의존하는 실태를 감안하면 다양한 능력의 사람이 이해하고 사용할 수 있는 설계 모델 언어여야 한다. 즉, 엄밀하지만 그것을 읽어내는데 수학적인 기능이 필수인 형식 언어나 SysML을 자유롭게 구사해 표현한 모델에서는 많은 리뷰어가 이해하는 데 고생하고, 종합적으로는 생산성을 떨어뜨릴 수 있다. 따라서 모델 간 추적성 정의만 엄격하게 한 모델 표현(언어)을 정의했다. 또한 설계 프로세스로 알려진 크게 복잡하고 세밀한 개발 단계를 결정하는 것만으로 그치지 않고 상품 디자인에 집중할 수 있도록, 모델 레벨에서 설계 순서 및 모델 간의 추적성을 나타내고 있다. SysML은 구조, 동작, 속성 및 요구 사항 측면에서 복잡한 시스템 설명을 캡처하기 위한 표준화된 범용 그래픽 모델링 언어이다. 모델리카(ModelICa)는 미분 대수 방정식의 관점에서 복잡한 시스템의 연속 및 이산 시간 역학을 분석하기 위한 표준화된 범용 시스템 모델링 언어이다. SysML 모델의 설명력과 모델리카 모델의 분석 및 계산 능력을 통합하면 SysML 또는 모델리카가 개별적으로 제공하는 것보다 훨씬 더 뛰어난 기능을 제공할 수 있다. 모호함 없이 SysML과 모델리카 모델 간에 모델링 정보를 효율적이고 자동으로 전송하기 위한 구현을 지원하는 두 모델링 언어 간의 표준화된 양방향 변환이 개발되고 있다. 이러한 양방향 변환 접근 방식에 대한 개요 외에도, 이번 호에서는 변환 원리를 명확히 하고 이 두 언어 간의 통합으로 인해 발생하는 중요한 시너지 효과를 설명하는 간단한 예를 제공한다. SysML은 기본 의미론을 갖춘 잘 정의된 그래픽 구성을 사용하여 시스템 모델을 생성하고 관리하는 데 사용할 수 있는 범용 시스템 모델링 언어이다.(Object Management Group, 2008) SysML은 UML 2(Object Management Group, 2009)의 하위 집합을 재사용하고 새로운 모델링 요소와 두 가지 새로운 다이어그램 유형을 추가하여 이를 확장한다. 이러한 SysML 다이어그램은 <그림 1>에 나와있다.   그림 1. SysML 다이어그램 개요 및 UML 다이어그램과의 관계   요구 사항 다이어그램 및 매개변수 다이어그램과 결합된 일련의 동작 및 구조 다이어그램은 시스템의 통합 보기를 제공한다. 그러나 SysML은 단순한 다이어그램 세트 그 이상을 나타낸다. 다이어그램의 기본에는 모든 모델링 구성을 공식적으로 나타내는 추상 구문 모델 저장소가 있다. 그만큼 위에 표시된 대로 SysML의 시스템 동작은 활동 다이어그램, 상태 머신 다이어그램 및/또는 시퀀스 다이어그램과 관련 의미론의 조합을 통해 캡처된다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

심센터 HEEDS 더 깊게 살펴 보기 (3)   이번 호에서는 심센터 HEEDS(Simcenter HEEDS)의 핵심 최적화 엔진인 SHERPA Search Framework에 대해 자세히 살펴본다. 기존의 전통적인 최적화 알고리즘과 비교 분석하여, SHERPA(셰르파)만이 가지는 차별화된 탐색 방식과 뛰어난 성능을 조명할 예정이다. 이를 통해 복잡한 설계 공간에서 사용자의 개입을 최소화하고 가장 효율적으로 최적해를 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 난제와 ‘No Free Lunch’ 이론 엔지니어링 최적화의 현실 현대의 엔지니어링 환경에서 ‘최적화(optimization)’는 선택이 아닌 필수가 되었다. 제품의 경량화, 성능 향상, 비용 절감이라는 상충되는 목표를 동시에 만족시켜야 하기 때문이다. 그러나 설계 변수가 증가함에 따라 설계 공간(design space)은 기하급수적으로 복잡해진다. 비선형성(non-linearity), 다봉성(multimodality), 그리고 수치적 노이즈(noise)가 뒤섞인 예측 불가능한 지형에서 최적해를 찾는 것은 매우 도전적인 과제이다. 엔지니어에게 중요한 것은 이론적으로 완벽한 ‘절대 최적해’를 찾는 것보다, 제한된 시간과 비용 내에서 ‘실현 가능한 더 나은 해(feasible better design)’를 발견하는 것이다.   No Free Lunch Theorem(NFL)의 시사점 최적화 이론에는 ‘공짜 점심은 없다(No Free Lunch Theorem)’라는 유명한 정리가 존재한다. 이는 ‘모든 종류의 문제에 대해 평균적으로 우수한 성능을 보이는 단일 최적화 알고리즘은 존재하지 않는다’는 것을 의미한다. 즉, 특정 문제(예 : 매끄러운 단봉형 함수)에 뛰어난 성능을 보이는 알고리즘이라도, 다른 문제(예 : 복잡한 다봉형 함수)에서는 성능이 현저히 떨어질 수 있다.   그림 1   그림 2   이 이론은 엔지니어에게 큰 부담을 안겨준다. 최적화 문제를 풀기 위해 엔지니어는 자신의 문제 특성을 정확히 파악해야 하며, 이에 적합한 알고리즘을 선정하고, 수많은 파라미터를 튜닝해야 하는 ‘최적화를 위한 최적화’ 과정에 매몰된다.   전통적 최적화 기법의 한계와 파라미터 튜닝의 딜레마 전통적인 최적화 기법들은 각자의 영역에서 훌륭한 성능을 발휘하지만, 비전문가가 다루기에는 ‘튜닝의 어려움(tuning diffICulty)’이라는 명확한 진입장벽이 존재한다. <그림 3>과 같이 심센터 HEEDS(히즈)에서 제공하는 전통적인 최적화 기법의 설정 환경을 기반으로 설명하겠다.   그림 3   2차 계획법 2차 계획법(QuadratIC Programming : QP)은 목적함수를 2차 함수로 근사하여 최적해를 탐색하는 구배(gradient) 기반 기법이다. 매끄러운 함수에서는 빠른 수렴 속도를 보이지만, 실제 엔지니어링 문제에서는 다음과 같은 튜닝의 어려움과 한계가 있다.   그림 4   튜닝의 복잡성 : 사용자는 ‘Maximum outer iterations(전체 반복 횟수)’, ‘Maximum line search iterations(탐색 방향 결정 후 반복 횟수)’, ‘Gradient step size(미소 변위량)’ 등을 직접 설정해야 한다. 특히 스텝 크기(step size)가 너무 작으면 노이즈에 민감해지고, 너무 크면 정확도가 떨어지는 딜레마가 있다. 조기 종료(Early Termination) 문제 : 예를 들어 최대 반복 횟수를 50회로 설정했더라도, 탐색 도중 국부 최적해(local optima)에 갇혀 기울기가 0에 가까워지면 알고리즘은 20~25회 만에 탐색을 종료해 버린다. 이는 전역 최적해를 찾지 못했음에도 불구하고 해석 기회를 스스로 포기하는 결과를 낳는다.   다중 시작 국부 탐색 다중 시작 국부 탐색(Multi-Start Local Search : MS)은 이러한 국부 탐색의 한계를 극복하기 위해, 여러 초기점에서 국부 탐색을 수행하여 전역해를 찾으려는 시도이다. 그러나 이 역시 사용자의 파라미터 설정 능력에 크게 의존한다.   그림 5   총 해석 횟수 계산의 번거로움 : SHERPA와 달리 총 해석 횟수(evaluation)를 직접 입력하는 것이 아니라, ‘Number of Starts(시작점 개수)’와 ‘Evaluations per Start(각 탐색별 반복 횟수)’를 곱하여 계산해야 한다. 200회 설정의 함정 : 만약 사용자가 총 200회의 해석 예산(evaluation budget)을 가지고 ‘Max Evaluations’를 200으로 설정하더라도, 기본값인 ‘Number of cycles(Starts)’를 100으로 둔다면 치명적인 문제가 발생한다. 각 시작점(cycle)에서 평균 2회(200/100)밖에 탐색하지 못하기 때문이다. 이는 수렴은커녕 수박 겉핥기식 탐색(shallow search)에 그치게 된다. 제대로 된 탐색을 위해서는 사용자가 사이클을 4~5회(각 40~50회 탐색) 수준으로 직접 대폭 줄여야 하는 번거로움이 있다.   전역 탐색 및 메타 휴리스틱 유전 알고리즘(GA)이나 입자 군집 최적화(PSO), 시뮬레이티드 어닐링(SA)과 같은 전역 탐색(global search) 기법은 국부해 탈출 능력은 뛰어나지만, 파라미터 설정의 난이도는 더욱 높다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

성공적인 유동 해석을 위한 케이던스의 CFD 기술   상업용 항공기는 이륙 및 착륙 시 높은 받음각에서 운용되므로, 양력을 정확하게 예측하는 것이 매우 중요하다. 이러한 예측은 최대 이륙 중량, 요구 엔진 추력, 활주로 길이와 같은 요소를 결정하는 데 필수이며, 이는 항공기의 안전하고 효율적인 설계 및 운용에 직결된다. 그러나 고양력 장치가 사용되는 이·착륙 단계에서는 순항 비행과는 다른 유동 특성이 형성되기 때문에, 항공기의 양력과 항력을 정확히 예측하는 것은 항상 어려운 과제로 남아 있다.   ■ 자료 제공 : 나인플러스IT, www.vifs.co.kr   고양력 항공기 주위의 유동은 후류(wake), 와류(vortex), 역류 영역(reverse flow region), 경계층(boundary layer), 접합부 유동(juncture flow) 등과 같이 복잡하고 상호작용하는 유동 구조를 포함한다. 케이던스 피델리티 LES(Cadence Fidelity LES, 구 Cascade CharLES)에서의 벽면 모델 대와류 시뮬레이션(Wall-Modeled Large Eddy Simulation : WM-LES)은 고양력 항공기 성능 예측에 효과적인 것으로 입증되었다. 이와 같은 맥락에서, 상대적으로 낮은 충실도의 정상 상태 레이놀즈 평균 나비에–스토크스(Reynolds-Averaged NavierStokes : RANS) 해석은 계산 비용이 낮아 신속한 성능 평가, 설계 비교 및 최적화 연구를 위한 유용한 도구를 제공한다. 최근 케이던스 피델리티 플로(Cadence Fidelity Flow)의 밀도 기반 해석기(Density-Based Solver : DBS)에 적용된 RANS 난류 모델링 기법의 개선을 통해, 수치적 안정성과 정확성이 향상되었으며 이러한 복잡한 유동장을 보다 효과적으로 다룰 수 있게 되었다. 또한 멀티그리드(multigrid) 기법과 CPU 부스터(CPU Booster) 기술과 같은 수렴 가속 방법을 통해 계산 수렴 속도 역시 크게 향상되었다. 이번 호의 사례 연구에서는 Common Research Model High Lift(CRM-HL) 형상에 대해 피델리티 플로 해석기가 갖는 공력 시뮬레이션 능력을 입증한다. CFD 예측 결과는 풍동 실험 결과와 비교·검증되었으며, 이를 통해 예측 신뢰성을 향상시키고 항공기 제조사가 인증을 위한 해석 기반 설계(CertifICation by Analysis)를 수행하는 데 기여함으로써, 물리적 시험에 대한 의존도를 줄이고 제품의 시장 출시 기간을 단축할 수 있다.   형상 <그림 1>에 나타낸 CRM-HL 모델의 실물 크기 정상 착륙 형상은 40°/37°의 트레일링 에지 플랩 편향각을 가지며, 나셀 상부 표면에 와류 생성을 위한 차인(chine)이 적용된 나셀/파일론(nacelle/pylon)을 포함한다. 외측 슬랫 요소는 12개의 슬랫 브래킷을 통해 주익에 부착되어 있고, 내측 슬랫 요소는 3개의 슬랫 브래킷으로 연결되어 있다. 또한 플랩과 주익 사이의 연결부는 3개의 플랩 페어링에 의해 덮여 있다.   그림 1. CRM-HL 컨피규레이션   격자 생성(Meshing) 격자 생성에는 케이던스 피델리티 포인트와이즈(Cadence Fidelity Pointwise)가 사용되었으며, AIAA Geometry and Mesh Generation Workshop(GMGW-3)의 RANS 기술 포커스 그룹에서 권장하는 모범 사례(best practICes)를 따랐다. 이 연구에서 사용된 격자는 중간 수준의 격자 정밀도를 갖는 레벨 B에 해당하며, 약 7500만 개의 복셀-코어(voxel-core) 격자로 구성되어 있다. 이번 연구에 사용된 격자는 최신 포인트와이즈 버전(2023.1)에서 재생성되었으며, 피델리티 CAE 내보내기(export) 설정을 통해 출력되었다. 이보다 더 정밀한 워크숍 격자로는 약 1억 5000만 개와 3억 개의 셀을 갖는 레벨 C 및 레벨 D 격자가 존재한다. 동체(fuselage)의 표면 격자 세분화는 평균 공력 시위(mean aerodynamIC chord, 약 7m)의 1.5% 이하로 유지되었다. 유사하게 주익(main wing), 슬랫(slats), 플랩(flaps)에 대한 시위 방향 및 스팬 방향 격자 간격은 각각 국부 시위의 0.15% 이하, 그리고 날개 반경(span)의 0.15% 이하(약 29.38m)로 설정되었다. 트레일링 에지에는 6개의 셀이 배치되었다. 또한 둥근 리딩 에지, 무딘 트레일링 에지, 와류 생성 에지와 같은 영역에서는 최대 70까지의 종횡비(aspect ratio)를 갖는 비등방성(anisotropIC) 셀을 적용함으로써, 셀 수와 계산 시간을 크게 줄일 수 있었다. 벽면에 수직한 방향의 초기 격자 간격은 4×10-⁵m로 설정되었으며, 이는 Y＋≈1.5에 해당한다. 경계층 특성을 정확히 포착하기 위해 성장률 1.16을 적용한 40개 층의 프리즘 레이어가 사용되었다. 이와 같이 생성된 레벨 B 격자는 신속한 성능 평가를 위한 격자로서, 설계 경향(trend) 예측 및 서로 다른 항공기 형상 간 비교에 적합한 합리적인 격자 수렴 수준을 확보한 것으로 판단할 수 있다.   그림 2-(a) Surface mesh with symmetry plane   그림 2-(b) Constant y cut over the wing   그림 3. Surface mesh on the wing and nacelle   수치 해석(Simulation) 압축성 형식의 피델리티 플로 밀도 기반 해석기(DBS)는 지배 방정식을 계산한다. 정상 상태 계산은 마하수 0.2, 레이놀즈 수 5.49M 조건에서 받음각 2.78°부터 22.5°까지의 전체 폴라 범위를 대상으로 수행되었으며, 기본 2방정식 k–ω SST 모델, 유동 박리를 지연시키기 위해 a1 계수를 1.0으로 설정한 수정 k–ω SST 모델, 그리고 QCR2000 회전–곡률(rotation–curvature : RC) 보정이 적용된 1 방정식 SA 모델의 세 가지 서로 다른 난류 모델이 사용되었다. 이 RC 보정은 와도율이 변형률보다 현저히 큰 영역에서 과도한 난류 수준이 발생하는 문제를 해결하기 위해 Dacles-Mariani 등(1995, 1999)에 의해 제안되었다. 프리컨디셔닝을 적용하지 않은 중앙 행렬 스킴(central matrix scheme)은 더 낮은 인공 소산을 보장하고 보다 정확한 해를 제공하는 반면, 높은 받음각(angle of attack) 조건에서는 a1 = 1로 설정된 SST 모델과 결합된 개선된 CPU 부스터가 적용된 중앙 스칼라 스킴(central scalar scheme)을 사용하여 수렴 속도를 가속하였다.     ■ 기사 상세 내용은 PDF로 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 독일 뮌헨공과대학교(TUM) 연구팀이 개발하여 공개한 세계 최대 규모의 3D 건물 지도 데이터셋인 ‘글로벌 빌딩 아틀라스(Global Building Atlas)’ 프로젝트에 대해 설명한다. 특히, 인공지능과 위성 영상 분석 기술을 결합하여 전 세계에 존재하는 건물을 3차원 모델로 구현한 방법을 기술적 관점에서 나눔한다.   ■ 강태욱 건설환경 공학을 전공하였고 소프트웨어 공학을 융합하여 세상이 돌아가는 원리를 분석하거나 성찰하기를 좋아한다. 건설과 소프트웨어 공학의 조화로운 융합을 추구하고 있다. 팟캐스트 방송을 통해 이와 관련된 작은 메시지를 만들어 나가고 있다. 현재 한국건설기술연구원에서 BIM/ GIS/FM/BEMS/역설계 등과 관련해 연구를 하고 있으며, 연구위원으로 근무하고 있다. 페이스북 | www.facebook.com/laputa999 블로그 | http://daddynkidsmakers.blogspot.com 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | www.facebook.com/groups/digestpodcast   그림 1. Literally a Map Showing All the Buildings in the World(https://gizmodo.com/literally-a-map-showing-all-thebuildings-in-the-world-2000694696)   이 결과는 오픈소스로 공개되었으며, 기존에 가장 방대하다고 알려진 데이터셋이 포함하던 약 17억 개의 건물 수치를 크게 웃도는 규모로 개발되었다. 그동안 디지털 지도 데이터에서 소외되었던 아프리카, 남미, 아시아의 농촌 지역 건물들까지 정밀하게 포착해냈다는 점에서 기술적 진보를 보여준다.   개발 과정 지도의 기반이 된 데이터는 주로 2019년에 촬영된 플래닛스코프(PlanetScope) 위성 이미지를 활용하였으며, 연구팀은 이를 통해 각 건물의 2D 바닥 면적뿐만 아니라 높이 정보까지 정밀하게 추출했다. 이 지도가 제공하는 높이 데이터의 해상도는 3×3미터 수준으로, 기존의 글로벌 건물 높이 데이터셋들이 주로 90미터 해상도에 그쳤던 것과 비교하면 약 30배 이상 정밀도가 향상된 수치이다. 제공되는 데이터는 건물의 대략적인 형태와 높이를 단순화하여 표현하는 LoD1(Level of Detail 1) 수준의 3D 모델 형식을 따르고 있어, 전 지구적 규모의 방대한 데이터를 다루면서도 활용성을 확보했다.   그림 2. 3차원 건물 모델 데이터셋 자동화 결과물   이 연구는 기존 데이터셋이 가진 커버리지의 한계와 3D 정보의 부재를 해결하기 위해 진행되었으며, 전 세계 약 27억 5000만 개의 건물을 포함하는 방대한 규모의 데이터를 구축하였다. 이는 기존의 가장 포괄적인 데이터베이스보다 10억 개 이상 많은 수치로, 그동안 데이터상에서 누락되었던 전 세계 건물의 약 40% 이상을 메우는 성과이다. 연구팀은 이 데이터셋 구축을 위해 플래닛스코프 위성 이미지만을 사용하는 머신러닝 기반 파이프라인을 개발했다. 이 과정은 크게 건물 폴리곤 생성과 높이 추정의 두 단계로 나뉘며, 기존의 오픈소스 건물 데이터(오픈스트리트맵, 구글, 마이크로소프트 등)와 자체 생성한 데이터를 ‘품질 기반 융합 전략’을 통해 결합하여 데이터의 완성도를 극대화했다. 이를 통해 완성된 ‘GBAHeight’는 3×3미터의 공간 해상도를 제공하는데, 이는 기존 글로벌 제품들이 제공하던 90미터 해상도보다 약 30배 더 정밀한 수준이며 이를 통해 지역 및 전 지구 규모에서 신뢰할 수 있는 건물 부피 분석이 가능해졌다. 또한 연구팀은 건물 높이 정보를 포함한 ‘GBA-LoD1’ 모델을 생성하여 약 26억 8000만 건의 건물 인스턴스를 구현했으며, 이는 전체의 97%에 달하는 높은 완성도를 보인다.  높이 추정의 정확도를 나타내는 RMSE(평균제곱근오차)는 대륙별로 1.5미터에서 8.9미터 사이로 나타났으며, 특히 오세아니아와 유럽에서 높은 정확도를 보였다. 데이터 분석 결과 아시아가 건물 수와 총 부피 면에서 압도적인 비중을 차지하는 반면, 아프리카는 건물 수는 많으나 총 부피가 작아 소규모 또는 비공식 건물이 다수 분포함을 시사했다.     그림 3. 공개된 글로벌 빌딩 아틀라스 LoD1 웹 서비스(선릉역 및 뉴욕 근처의 생성된 3D 건물 모델)   AI 모델 개발 접근법 인공지능 모델 개발 및 활용 관점에서 본 글로벌 빌딩 아틀라스(GBA) 프로젝트는 3미터 해상도의 단일 시점(monocular) 위성 영상인 플래닛스코프 데이터를 입력으로 받아 전 지구적 규모의 3D 건물 모델을 생성하는 파이프라인을 구축했다는 점에서 기술적 의미가 있다. 전체 시스템은 크게 2D 건물 폴리곤 생성을 위한 의미론적 분할(semantIC segmentation) 네트워크와 3D 높이 추정을 위한 단안 높이 추정(monocular height estimation) 네트워크로 이원화되어 설계되었다. 2D 건물 폴리곤 생성 모델의 경우, 연구팀은 UPerNet(Unified Perceptual Parsing Network) 아키텍처를 기반으로 하되 백본(backbone)으로 ConvNeXt-Tiny를 사용했다. 모델의 성능을 높이기 위해 ‘추출(extraction)’과 ‘정규화(regularization)’라는 두 단계의 네트워크를 직렬로 구성한 점이 특징이다. 첫 번째 네트워크가 위성 영상에서 1차적인 이진 마스크를 생성하면, 동일한 아키텍처를 가진 두 번째 정규화 네트워크가 이를 입력받아 노이즈를 제거하고 건물 경계를 다듬는다. 특히 정규화 네트워크 학습 시에는 깨끗한 폴리곤 마스크에 인위적인 노이즈를 주입한 것을 입력 데이터로 사용하여, 모델이 거친 마스크를 정제된 형태로 복원하는 일종의 디노이징(denoising) 기능을 수행하도록 훈련시켰다.   그림 4. GBA 딥러닝 모델 아키텍처     ■ 기사 상세 내용은 PDF로 제공됩니다.