BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 생성형 AI 모델 학습과 같이 현재도 다양한 곳에서 필수로 사용되는 강화학습 딥러닝 기술의 기본 개념, 이론적 배경, 내부 작동 메커니즘을 확인한다.   ■ 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. 이메일 | laputa99999@gmail.com 페이스북 | www.facebook.com/laputa999 홈페이지 | https://dxbim.blogspot.com 팟캐스트 | http://www.facebook.com/groups/digestpodcast   강화학습은 바둑, 로봇 제어와 같은 제한된 환경에서 최대 효과를 얻는 응용분야에 많이 사용된다. 강화학습 코딩 전에 사전에 강화학습의 개념을 미리 이해하고 있어야 제대로 된 개발이 가능하다. 강화학습에 대해 설명한 인터넷의 많은 글은 핵심 개념에 대해 다루기보다는 실행 코드만 나열한 경우가 많아, 실행 메커니즘을 이해하기 어렵다. 메커니즘을 이해할 수 없으면 응용 기술을 개발하기 어렵다. 그래서 이번 호에서는 강화학습 메커니즘과 개념 발전의 역사를 먼저 살펴보고자 한다. 강화학습 개발 시 오픈AI(OpenAI)가 개발한 Gym(www.gymlibrary.dev/index.html)을 사용해 기본적인 강화학습 실행 방법을 확인한다. 참고로, 깃허브 등에 공유된 강화학습 예시는 대부분 게임이나 로보틱스 분야에 치중되어 있는 것을 확인할 수 있다. 여기서는 CartPole 예제로 기본적인 라이브러리 사용법을 확인하고, 게임 이외에 주식 트레이딩, 가상화폐, ESG 탄소 트레이딩, 에너지 활용 설비 운영과 같은 실용적인 문제를 풀기 위한 방법을 알아본다.   그림 1. 강화학습의 개념(출처 : Google)   강화학습의 동작 메커니즘 강화학습을 개발하기 전에 동작 메커니즘을 간략히 정리하고 지나가자.   강화학습 에이전트, 환경, 정책, 보상 강화학습의 목적은 주어진 환경(environment) 내에서 에이전트(agent)가 액션(action)을 취할 때, 보상 정책(policy)에 따라 관련된 변수 상태 s와 보상이 수정된다. 이를 반복하여 총 보상 r을 최대화하는 방식으로 모델을 학습한다. 정책은 보상 방식을 알고리즘화한 것이다. <그림 2>는 이를 보여준다. 이는 우리가 게임을 하며 학습하는 것과 매우 유사한 방식이다.   그림 2. 강화학습 에이전트, 환경, 액션, 보상 개념(출처 : towardsdatascience)   강화학습 설계자는 처음부터 시간에 따른 보상 개념을 고려했다. 모든 시간 경과에 따른 보상치를 동시에 계산하는 것은 무리가 있으므로, 이를 해결하기 위해 DQN(Deep Q-Network)과 같은 알고리즘이 개발되었다. 모든 강화학습 라이브러리는 이런 개념을 일반화한 클래스, 함수를 제공한다. 다음은 강화학습 라이브러리를 사용한 일반적인 개발 코드 패턴을 보여준다.   train_data, test_data = load_dataset()  # 학습, 테스트용 데이터셋 로딩 class custom_env(gym):  # 환경 정책 클래스 정의    def __init__(self, data):       # 환경 변수 초기화    def reset():       # 학습 초기 상태로 리셋    def STEP(action):       # 학습에 필요한 관찰 데이터 변수 획득       # 액션을 취하면, 그때 관찰 데이터, 보상값을 리턴함 env = custom_env(train_data)  # 학습환경 생성. 관찰 데이터에 따른 보상을 계산함 model = AgentModel(env)      # 에이전트 학습 모델 정의. 보상을 극대화하도록 설계 model.learn()                       # 보상이 극대화되도록 학습 model.save('trained_model')    # 학습된 파일 저장 # 학습된 강화학습 모델 기반 시뮬레이션 및 성능 비교 env = custom_env(test_data)  # 테스트환경 생성 observed_state = env.reset() while not done:    action = model.predict(observed_state) # 테스트 관찰 데이터에 따른 극대화된 보상 액션    observed_state, reward, done, info = env.STEP(action)    # al1_reward = env.STEP(al1_action) # 다른 알고리즘에 의한 액션 보상값과 성능비교    # human_reward = env.STEP(human_action) # 인간의 액션 보상값과 성능비교   ■ 상세한 기사 내용은 PDF로 제공됩니다.

  SW 소식 >   NextFOAM v24 공개 >   NextFOAM v24가 공개되었습니다. OpenFOAM ESI버전인 OpenFOAM v2212에서 수렴성 및 기능을 개선하였습니다. NextFOAM Github 페이지에 NextFOAM 24 소스 코드, 다운로드와 사용 방법을 업로드하였으니, 많은 관심 바랍니다. 다운로드 및 사용 방법은 (링크)를 참고하세요.   NextFOAM v24 Features pressure-velocity coupling 개선 velocity & density interpolation 개선 navier-stokes equation의 under-relaxation factor 의존성 개선 압력 구배항 이산화 방법 개선 비정상상태 솔버의 time STEP 의존성 개선 난류 모델의 생성항 선형화 방법 개선 CHT 솔버의 수렴 판정 기능 개발 porous media model 개선 MRF (Multi Reference Frame) 개선         BARAM Subscription 공개 >    BARAM의 기술지원이 필요하신 분들을 위해서 BARAM Subscription이 공개되었습니다. BARAM의 설치 지원, 기술 지원 뿐만 아니라 BARAM을 이용하여 User들이 원하는 해석 세팅 및 사용 방법, 교육 등을 지원해드립니다. BARAM을 이용해서 CFD 해석을 수행하고 싶지만 실무 적용에 어려움을 겪고 계신 분이라면 언제든지 도움을 받을 수 있습니다. 자세한 안내는 (링크)를 눌러 확인해주세요.   문의 : marketing@nextfoam.co.kr / 김동규 선임연구원           BARAM v24 공개 >   CFD for Everyone!! BARAM v24가 공개되었습니다. BARAM v24는 NextFOAM이 개발한 NextFOAM v24를 기반으로 GUI를 입힌 프로그램 패키지로 개발되었습니다. BARAM v24에는 어떤 기능이 추가됐는지 아래에서 함께 만나보시죠. (링크)를 누르시면 BARAM v24 안내 페이지로 이동합니다. baramFlow Porous media model의 수렴성 증가 모니터링 포인트의 위치 preview 기능 추가 Reference pressure cell을 이용하여 operating pressure location을 자동으로 지정 baramMesh Object preview 기능 추가 교육 소식 >   1월 CAE / AI 엔지니어를 위한HPC 교육 >   CAE / AI 엔지니어를 위한 HPC 교육 1월 CAE / AI 엔지니어를 위한 HPC 교육 일정을 안내드립니다. HPC 환경에서 OpenFOAM 수행 방법 및 병렬 AI 학습 방법 / HPC 구축 실습을 통해 HPC의 개념 이해 / 최적 성능을 도출할 수 있는 방안 및 효율적인 HPC 관리 방안을 목표로 교육이 진행됩니다. 일정 : 1월 31일 ~ 2월 1일 (링크)를 클릭하시면 1월 CAE/ AI 엔지니어를 위한 HPC 교육 내용을 확인하실 수 있습니다.         2월 코드 개발자 교육 >   코드 개발자 교육 2월 OpenFOAM 코드 개발자 교육 일정을 안내드립니다. 사용자 요구에 맞는 OpenFOAM customized solver를 개발하고자 하는 사용자들 대상으로 교육이 진행됩니다. OpenFOAM 사용자 교육을 듣고 OpenFOAM 사용법을 숙지하고 계신 분들에게 수강 권장드립니다. 일정 : 2월 21일 ~ 2월 23일 (링크)를 클릭하시면 2월 OpenFOAM 교육 내용을 확인하실 수 있습니다.           3월 OpenFOAM 사용자 교육 >    OpenFOAM 사용자 교육 3월 OpenFOAM 사용자 교육 일정을 안내드립니다. OpenFOAM 소개, 사용방법 및 예제 실습을 통해 사용자의 OpenFOAM 숙련도를 높일 수 있도록 도와드립니다. 일정 : 3월 20일 ~ 22일 (링크)를 클릭하시면 3월 OpenFOAM 사용자 교육 내용을 확인하실 수 있습니다.         3월 BARAM 사용자 교육 >   3월 BARAM 사용자 교육 3월 BARAM 사용자 교육 일정을 안내드립니다. CFD 기본 이론 및 BARAM 소개와 BARAM을 통한 격자 생성, CFD 예제 실습을 통해 현업에 BARAM 적용을 도와드립니다. 일정 : 3월 28일 ~ 3월 29일 (링크)를 클릭하시면 3월 BARAM 사용자 교육 내용을 확인하실 수 있습니다.         WHAT IS OPENFOAM? OpenFOAM은 오픈소스 CFD 소프트웨어이다. GNU GPL 라이센스를 사용하고 있어 누구나 자유롭게 사용이 가능하며 수정 및 재배포를 할 수 있다.   WHAT IS MESHLESS CFD? 질점격자 기반의 CFD해석 기법으로 FVM해석 기법의 보존성을 갖추고 있으며 전처리 작업시간을 획기적으로 줄일 수 있습니다.FAMUS는 무격자 기법의 CFD 해석 SW 입니다.   WHAT IS BARAM SERIES? BARAM은 넥스트폼이 개발한 OpenFOAM CFD 해석 프로그램입니다. 넥스트폼이 개발한 OpenFOAM Solver와 Utility를 GUI 기반으로 사용이 가능합니다.    

멀티피직스 해석, Strand7   주요 CAE 소프트웨어 소개   ■ 개발 정보 : Strand7 Pty Ltd, www.strand7.com  ■ 자료 제공 : 씨앤지소프텍, 02-529-0841, www.cngst.com Strand7(스트랜드7)은 복잡한 모델을 정확하게 분석하기 위한 고도의 자동화된 모델링 기능을 이용하여 구조, 열, 전자기 및 유체, 동역학 등을 포함하는 멀티피직스 문제를 간편하게 분석할 수 있는 유한요소 모델링 기능과 강력한 해석 솔버를 제공하고 있는 범용 유한요소 해석 소프트웨어이다. 2. 주요 특징 (1) 파라메트릭 및 기하 모델링 직관적이고 쉬운 그래픽 사용자 인터페이스는 전체 모델링 프로세스를 처음부터 끝까지 작업이 가능하다. 번거로운 Geometry 수정 작업을 거치지 않고 바로 모델링 작업을 수행할 수 있으며, 국부적인 영역에 대한 메시 사양을 정의와 CAD와의 커플링을 통해 CAD에서 정의한 영역 및 파라미터 정보를 가져올 수 있다.  (2) General Equation Input 수학 방정식을 사용하여 다양한 수식 데이터를 입력할 수 있다. (3) 모델 호환 DXF, IGES, STEP, Stereo-Lithography file Import / Export MSC/NASTRAN, ANSYS, STAAD-Pro, SAP2000 file Import / Export. (4) 요소 및 재료 Strand7은 1D Beam, 2D Plate & Shell, 3D Brick, Con-tact, Cable, Damper 등의 다양한 요소 및 전 세계 다양한 규격의 Beam Library를 제공한다. Strand7은 Isotropic, Orthotropic, Anisotropic, Lami-nate, Rubber, Carbon Fiber, Glass, Timber, Fluid, Soil 및 사용자정의 재료 물성을 지원한다.   (5) Automatic Mesh Generation Strand7에는 매우 직관적이고 간편한 강력한 자동 Mesh Generation 기능이 포함되어 있다. 이 기능은 자동 Mesh Generation 기능을 이용하여, 2D Plate/Shell 모델링이나 3D Brick 모델링을 매우 빠르고 간편하게 생성할 수 있다. (6) Verification Tools 복잡한 매시와 수치 입력 데이터의 검증을 그래픽을 통하여 체크할 수 있는 툴로, 구조물에 입력 오류나 입력 위치 등을 그래픽 Contour를 사용하여 사용자가 쉽게 검증하고 찾을 수 있도록 제공한다. (7) API 함수 기능 Strand7 API (응용 프로그래밍 인터페이스)를 사용하면 외부 컴퓨터 프로그램을 통해 Strand7과 상호 작용할 수 있다. Strand7 API에서 지원되는 언어는 C, C ++, C #, Pascal, Delphi, Visual Basic, FORTRAN, Matlab, Python 등 Win-dows DLL 파일을 동적으로 구성할 수 있는 모든 프로그램 언어이다. (8) 해석 기능 Strand7은 정적해석, 동적해석, 재료비선형해석, 열전달과 열응력해석까지 매우 다양한 해석을 수 행할 수 있다. Strand7의 Solver 기능은 다음과 같다. - Linear & Nonlinear Static - Natural Frequency - Response Spectra and Harmonic Dynamic - Linear and Nonlinear Transient Dynamic - Linear and Nonlinear Buckling - Heat Transfer & 콘크리트 수화열 - Collapse, 피로도 & Creep  - 대변형 해석 (현수교, 사장교, Cable Structure) - Laminated 복합소재 해석 - 막구조(Membrane) 해석 - 이동하중 해석 (영향선 및 영향면) - 시공단계별 해석 - 지반 해석 (9) Post Processing Strand7은 해석된 결과를 응력도, 변위, Cutting Plane, 그래프, 레포트 등의 다양한 플롯 기능과 3차원 애니메이션 기능을 통해 명확하고 정확한 분석이 가능하다.   3. 적용 분야 Strand7은 건축/토목 강구조, 콘크리트 구조, 지반구조물 등에 활용 가능하고, 중공업 분야와 기계 분야, 항공기/선박디자인, 의용공학, 전자기, 복합소재 등 다양하고 광범위한 분야의 설계 분야에서 활용이 기능하다. 4. 지원 전략 Strand7 지속적인 연구, 개발과 벤치마크 테스트를 통한 검증결과를 및 검증 문서와 예제 파일 사용자에게 제공하고 어떠한 에러 발생시, 사용자에게 문제 해결을 위한 즉각적인 기술 지원을 한다. Strand7은 프로그램에서 사용된 각종 유한요소이론에 대한 설명과 정보들을 자세하게 기술한 Theoretical 매뉴얼을 제공하여 사용자로 하여금 해석 결과에 대한 신뢰도를 더욱 높일 수 있게 한다.     좀더 자세한 내용은 'CAE가이드 V1'에서 확인할 수 있습니다. 상세 기사 보러 가기 

제조업 DX, 3D 데이터의 목표는? (1)   제조산업의 디지털 전환(DX)을 위해서는 3D 설계 데이터를 제조 프로세스 전반에 효율적으로 공유하고 활용하는 것이 중요하게 여겨진다. 이번 호부터 2회에 걸쳐 3DA(3D Annotated Model) 모델의 배포, 3D 데이터의 변환, 설계 품질의 자동 검증이 왜 필요한지 짚어보고, 이를 구현하기 위한 엘리시움(Elysium)의 기술에 대해 소개한다. 이 글의 내용은 '100 Digital Transformation Cases'라는 책에 기고된 기사를 재편집한 것이다.   ■ 자료 제공 : 아이지피넷, www.igpnet.co.kr   제조업체가 자주 빠지는 디지털화의 함정 3D CAD 소프트웨어가 많은 제조 산업의 설계 부서에 도입되고 3D 데이터가 제조에 사용된 지 수십 년이 지났다. 전문적인 지식과 경험을 바탕으로 2D 도면에 기반해 입체적인 물체를 상상하는 기존의 방식과는 달리, 이제는 누구나 설계 단계부터 제품의 완성체를 직관적으로 파악할 수 있는 것이 당연해졌다. 제품 데이터 관리를 위한 제품 데이터 관리(PDM) 시스템과 3D 데이터를 다양한 형식으로 변환하기 위한 솔루션이 확산됨에 따라, 이제 3D 데이터는 설계뿐만 아니라 모든 제조 프로세스에서도 공유된다. 언뜻 보면 3D 데이터를 기반으로 한 제조 시스템의 개발로 제조 산업에서 디지털화가 진행된 것처럼 보인다. 그러나 형상 이외에 필요한 정보를 보완하기 위해 현장에서는 여전히 3D 도면과 종이 형태가 2D 데이터와 함께 사용되는 경우가 많다. 아이러니하게도 ‘디지털화’ 그 자체를 목적으로 3D 데이터와 디지털 도구를 제조 공정에 무턱대고 도입하면 아날로그 수작업이 늘어나게 된다. 진지한 기업일수록 이 아날로그 수작업의 효율 향상에 열심이고, 디지털화의 본래 목적과 의미를 놓치기 쉽다.   3DA 모델 배포의 중요성 3DA 모델과 MBD 3D 데이터를 활용한 제조업의 디지털화를 한 단계 끌어올리기 위한 수단으로서, 필요한 정보를 가능한 한 하나의 데이터로 통합하려는 움직임이 있다. 여기에서 3DA(3D Annotated Model)가 등장한다. 3DA 모델은 3D 형상에 다양한 속성 정보(치수, 메모, 수량 등)가 첨부된 데이터이다. 3D 데이터의 정보를 집적하여 제조를 효율화하는 발상은 유럽과 미국에서는 MBD(Model Based Definition : 모델 기반 정의), 일본에서는 ‘3D 포지티브’라고 불리며 대기업을 중심으로 활발히 진행되고 있다. 각 공정에 필요한 모든 정보를 하나의 3DA 모델에 통합하고 공정 전반에 걸쳐 공유하면서 제조를 수행할 수 있다면 효율을 크게 높일 수 있다. 제조업의 미래 성장과 이를 뒷받침하는 디지털 전환을 실현하기 위해서는 3DA 모델이 분산되는 환경을 만들드는 것이 필수이다. 그러나 3DA 모델의 배포를 실현하는 것은 쉽지 않다. 오늘날의 세계에서 글로벌 파트너십과 제휴는 제조 산업에서 보편화되었다. 두 파트너 회사가 동일한 CAD 소프트웨어를 사용하는 경우는 극히 드물며, 서로 다른 소프트웨어 간의 데이터 교환에 거의 항상 오류가 발생하기 때문에 두 회사가 2DA 모델을 자동으로 공유하는 것은 거의 불가능하다.   국제 표준 규격의 기대와 현실 서로 다른 CAD 소프트웨어 간에 3DA 모델을 공유하는 문제를 해결하기 위한 수단으로 국제 표준의 3D 데이터 형식에 대한 기대가 높아지고 있다. 정보의 종류와 저장 방법을 개선함으로써 서로 다른 소프트웨어간에 문제 없이 정보를 전달할 수 있기 때문이다. 표준 형식의 예로는 JT 및 PDF가 있다. 이러한 포맷에 대한 무료 뷰어도 있으며, 기존처럼 CAD 소프트웨어가 설치된 PC에서만 3D 데이터를 확인할 수 있는 등의 제약이 없다. 또한 검사, 조립, 구매, 물류, 판매 등의 다운스트림 프로세스에서도 취급하기 쉽다. STEP은 국제적으로 보장된 표준 형식으로 존재한다. 예를 들어, 자동차 및 항공우주 산업은 향후 수십 년 동안 제품 정보를 저장해야 하며, STEP AP242는 이를 위한 표준으로 정의되고 사용되었다. 이러한 형식은 모두 형상뿐만 아니라 메모 및 속성을 포함하며, CAD 소프트웨어와 독립적으로 3DA 모델 배포를 실현하는 것을 목표로 한다. 그러나 실제로 필요한 속성 정보의 범위가 넓으며 표준 형식의 구현은 아직 따라잡지 못했다.   그림 1. 데이터 변환 중 실패의 원인     ■ 자세한 기사 내용은 PDF로 제공됩니다.

새로워진 캐디안 2024 살펴보기 (1)   대용량 DWG 파일을 빠르게 처리하는 캐디안 2024(CADian 2024) 버전이 2023년 12월 출시되었다. 이번 호에서는 새로 출시된 CADian 2024 신버전의 개선사항 및 새로운 기능에 대해서 살펴보도록 하겠다.   ■ 최영석 인텔리코리아 기술지원팀 부장으로 기술지원 업무 및 캐드 강의를 담당하고 있다. 이메일 | cad@cadian.com 홈페이지 | www.cadian.com 카페 | https://cafe.naver.com/ilovecadian   성능(Performance) 블록이나 외부 참조가 많이 포함된 도면을 여는 속도가 향상되었다. 도면 요소 수가 많은 도면과 원점에서 멀리 떨어진 형상이 있는 도면의 확대/축소 및 이동 성능이 향상되었다. 범위 확대/축소와 엔터티 복사 및 붙여넣기가 더 빨라졌다. OpenGL ES 그래픽 장치를 사용할 때 선 그리기, 패닝, 엔터티 복사 및 레이아웃 전환이 더 빨라졌다. 블록을 통한 확장 성능이 향상되었다. OpenGL 그래픽 장치를 사용하는 동안 도면을 열고 닫을 때 메모리 사용량이 감소되었다.   파일 작업(Working with Files)  SDF, SQLITE 또는 SHP 파일에서 지도 데이터를 가져올 때 좌표계를 지정한다. 테이블을 *.csv 파일로 내보낸다. Facet Modeler 바이너리(*.fmb) 파일을 가져오고 내보낸다. ACIS가 포함되지 않은 버전의 경우 STEP 및 IGES 데이터 파일에서 요소를 메시로 가져온다. *.ifc 파일에서 가져올 엔터티를 선택하고 가져오기 옵션을 지정한다. *.ifc 파일로 내보낼 때 *.rvt 및 *.ifc 언더레이를 포함한다. 지붕 및 천장 평면 기호를 벽에 부착하고 평면 해석 명령을 사용하여 대화형으로 지붕 및 천장 평면을 생성하는 동안 이를 참조한다. AEC 엔터티에 수준을 할당한다. 레벨에는 하단 및 상단 입면도, 벽 높이, 켜기/끄기 상태, 잠금/잠금 해제 상태, 동결/동결해제 상태, 간격띄우기, 벽 및 평면 기호에 대한 기타 설정에 대한 기본 설정이 포함되어 있다.(AEC : Architecture, Engineering, Construction) 벽, 문, 창문, 커튼월, 커튼월 단위, 계단, 난간, 슬래브에 대한 AEC 스타일을 사용자화한다.   그림 1. AEC 스타일 관리자   사용자 인터페이스(User Interface) 엔터티 유형에 자주 사용되는 속성을 수정하기 위해 빠른 속성 창을 표시하려면 엔터티를 두 번 클릭한다. 도면 설정 → 빠른 특성 탭을 사용하여 빠른 특성 창의 동작을 변경한다. 사용자 인터페이스 사용자 정의 명령을 사용하여 빠른 속성 창에서 사용할 수 있는 엔터티 유형과 속성을 결정한다.   그림 2. 원(Circle) - 빠른 특성창   그림 3. 선(Line) - 빠른 특성창     ■ 자세한 기사 내용은 PDF로 제공됩니다.

절삭 해석 소프트웨어, Production Module   주요 CAE 소프트웨어 소개   ■ 개발 : Third Wave Systems Inc., www.thirdwavesys.com ■ 자료 제공 : 오비피이엔지, 031-287-4078, www.obp.co.kr TWS(Third Wave Systems) Production Module은 가공 툴패스의 절삭력 분석과 최적화를 제공한다.  Production Module(프로덕션 모듈)은 전체 가공 툴패스와 공구 정보 그리고 피삭재 모델을 통해 절삭 공정을 실제와 같이 시뮬레이션하고 절삭력, 온도, 가공동력, 토크 등의 다양한 물리량을 분석한다. 이를 바탕으로 사용자는 가공 툴패스를 물리량 관점에서 분석하고, Production Module에서 제공하는 다양한 최적화 기법을 통해 더 진보되고 개선된 가공 툴패스를 획득할 수 있다. 2003년 출시된 이래로 Production Module은 가공 툴패스의 절삭력 분석과 최적화의 가장 선두의 기술을 보이고 있다. 현재 8.4 버전인 Production Module은 3축, 5축 가공의 밀링, 드릴링뿐만 아니라 선반 작업에 이르기까지 다양한 가공공정의 절삭력 분석 및 최적화를 지원하고 있다.   1. 주요 특징 (1) 파라미터를 이용한 표준 공구 및 피삭재 모델 적용 : Production Module은 공구의 형상정보를 파라미터로 손쉽게 입력할 수 있으며 DWG, STEP, STL 등의 외부 CAD 데이터도 입력 가능하다. 사용자는 툴패스의 검증 절차에서 기존에 작성해둔 VERICUT 셋업의 공구 정보를 바로 Production Module 내로 불러들일 수 있다. (2) 140여 종 이상의 피삭재 라이브러리 : 절삭력을 결정하는 가장 중요한 요소는 바로 피삭재의 물성이다. Production Module은 기존에 개발된 140여 종 이상의 피삭재 라이브러리를 구축하고 있다. 재료는 탄소강, Al 합금, Ni 합금, Ti 합금 뿐만 아니라 주철계의 물성도 포함하고 있다. 또한 사용자는 실험을 통해 커스텀 물성을 입력할 수 있다. (3) 툴패스 포맷 G-code vs. CL-data :  Production Module은 크게 두 가지 형식의 가공 툴패스 분석과 최적화를 지원한다. 하나는 ISO 규격의 G-code 포맷이며, 다른 하나는 CATIA CAM, NX CAM, MasterCAM 등에서 사용되는 CL-data 포맷이다.  두 포맷은 각각 장단점이 있는데, G-code 계열은 많은 사용자가 사용해 온 만큼 읽기 쉬우며(가독성 우수) 때로는 매뉴얼 수정도 가능하다. 반면 5축 툴패스일 경우 올바른 작업좌표계 인식을 위해 공작기계의 정보를 더 요구하기도 한다.  CL-data의 경우는 공구의 중심 정보로부터 공구의 위치 및 위상이 결정된 raw 데이터라고 볼 수 있다. 때문에 CAM 화면에서 보는 가장 순수한 형태의 툴패스 포맷이다. 또한 공구의 방향벡터를 포함하고 있어서, 별도의 셋업 없이 바로 5축 코드를 인식할 수 있다. (4) 기타 기능  Production Module 2D는 선반 작업 시 제품에 생성되는 표면 거칠기를 예측할 수 있는 모델을 제공하며, 최신의 Production Module 8.4는 밀링 작업시 Radial Force에 발생하는 Tool Deflection의 값을 예측할 수 있다. 또한 가공 후의 피삭재 형상을 voxel mesh 포맷으로 출력하여 외부의 구조 해석 소프트웨어에서 다양한 FEA를 수행할 수 있다.  2. 도입 효과 (1) 절삭력 밸런싱 및 가공시간 단축 Production Module의 절삭력 분석 및 최적화의 기본 목표는 바로 절삭력 및 동력 그리고 주축 토크 등으로 대표되는 가공부하의 밸런싱이다. 유저가 선정한 절삭변수에 결정된 가공 툴패스는 최종 형상의 복잡성, 툴패스의 방법론 등에 따라 절삭력의 변화가 극심하다. Production Module은 사용자가 처음 작성한 베이스라인(Baseline) 툴패스의 변화무쌍한 절삭력을 분석하고 최적화하여, 높은 절삭력 수준은 이송속도를 낮추어 공구의 안정성을 확보한다. 동시에 낮은 절삭력 수준은 충분히 이송속도를 높여 가공시간을 확보한다.  (2) 공구 수명 증대 Production Module의 주요 특징으로 Force Spikes라고 칭하는 극히 짧은 시간 절삭력이 크게 증감되는 현상을 방지하는 데에 있다. 유저가 의도치 않은 가공속도와 절입량으로 인해 발생하는 Force Spikes는 공구의 이상 마모(Abnormal wear)나 치핑(Chipping)의 주요한 원인인데, 바로 절삭력의 분석을 통해 이 Force Spikes를 확인할 수 있다. 유저는 추후 CAM 툴패스의 재수정이나 Production Module의 최적화 기능을 통해 이 Force Spikes를 제거할 수 있으며, 공구 수명을 크게 증대시킬 수 있다.  (3) 가공 툴패스 개발 노력 단축 가공 툴패스를 개발하는 기간은 제품에 따라 짧게는 수 일에서 길게는 몇 달이 소요되기도 한다. 특히 항공업계에서는 개발기간이 그 복잡성에 따라 개발 기간이 크게 소요되는데, 동시에 제품의 시제 가공(Pilot Test)을 통해 가공 툴패스의 완성도를 높이고자 노력한다.  Production Module은 가공 툴패스의 개발과 시제 가공 등의 일련의 과정속에서 절삭력 분석을 통해 미리 위험한 절삭력 영역을 포착하여 툴패스를 CAM에서 수정토록 유도하거나, 그 자체의 최적화 기능을 이용하여 위험영역을 안정토록 만들 수 있다.  또 다른 획기적인 방법으로서 이전의 개발되어 성공적인 양산이 진행된 또는 이미 완료된 프로젝트의 툴패스를 Production Module을 통해 분석함으로써, 기존 프로젝트의 담보된 데이트를 훌륭히 벤치마크(Benchmark)할 수 있다. (4) R&D 역량 확보 최근 Production Module은 전통적인 가공부하 및 가공시간 단축의 목표를 넘어서 다양한 연구개발 영역에서 활용되고 있다. 가장 크게 활용되는 영역은 공구 안정성을 위한 구조해석 분야와 Fixture 설계 영역이다.  기존의 가공분야에서 절삭력은 항상 공구동력계나 로드셀 등의 센서를 이용한 실험을 통해서만 획득할 수 있었으나, Production Module은 가공 툴패스의 시뮬레이션을 통해 전체 툴패스의 절삭력을 상당 수준의 정확도로 획득할 수 있게 한다. 이는 실험적인 방법보다 훨씬 값싸며 짧은 시간을 소요하는 장점이 있다.   좀더 자세한 내용은 'CAE가이드 V1'에서 확인할 수 있습니다. 상세 기사 보러 가기 

산업 현장에서 활용할 수 있는 AWS IoT 서비스 (7)   지난 호에서는 AWS IoT 트윈메이커(AWS IoT TwinMaker)의 기본적인 개념 및 네 가지의 주요 기능 중 다양한 데이터 소스를 디지털 트윈에 연동하기 위해 핵심적인 기능을 제공하는 데이터 커넥터 기능에 대해 소개했다. 이번 호는 연재의 마지막 회로, AWS IoT 트윈메이커의 나머지 세 가지 핵심 기능에 대해 소개하도록 한다.   ■ 연재순서 제1회 AWS IoT를 활용한 스마트 공장의 구현 제2회 AWS IoT의 핵심 서비스, IoT 코어 제3회 AWS의 에지 컴퓨팅 서비스, IoT   그린그래스 Ⅰ 제4회 AWS의 에지 컴퓨팅 서비스, IoT   그린그래스 Ⅱ 제5회 산업용 데이터를 쉽게 수집하고 분석하게 해주는 AWS IoT 사이트와이즈 제6회 AWS 클라우드가 제공하는 디지털 트윈 솔루션, IoT 트윈메이커 Ⅰ 제7회 AWS 클라우드가 제공하는 디지털 트윈 솔루션, IoT 트윈메이커 Ⅱ   ■ 조상만 AWS코리아에서 AWS 클라우드를 통해 제조 대기업의 디지털 트랜스포메이션을 기술적으로 돕는 역할을 담당하고 있다. 이메일 | smcho@amazon.com 홈페이지 | https://aws.amazon.com/ko   물리적 자산의 가상 표현을 가능하게 하는 ‘모델 빌더’ 지난 호에서 외부 소스 데이터를 AWS IoT 트윈메이커에 연결하는 방법에 대해 알아보았다. 이러한 데이터는 보통 현실 세계의 설비와 같은 물리적 자산에서 발생하게 된다. 예를 들어, 유체의 흐름으로부터 에너지를 추출하는 터빈(turbine)에서는 온도, RPM, 파워와 관련된 데이터가 센서를 통해 수집된다. 따라서 디지털 가상 공간에서 터빈과 같은 자산을 동적으로 업데이트하기 위해 이러한 데이터는 엔터티(entity)에 연결되어야 한다. 이를 통해 가상 공간 안에서 터빈의 특징이 표현된다. 엔터티는 가상 공간 내의 실제 물리적 자산, 자산들의 집합, 또는 프로세스 등을 의미하며, 바로 이러한 개별 엔터티들이 지난 10월호에 소개한 개념인 컴포넌트를 통해 데이터와 연결돼야 한다. 물리적 자산을 디지털 공간 안에 가상으로 표현하는 것은 AWS IoT 트윈메이커에서 제공하는 모델 빌더(Model Builder) 기능을 통해 제공된다. 예를 들어, 공장-라인-설비-센서 등과 같이 계층적 구조를 가지는 일반적인 공장 환경을 모델 빌더 기능을 통해 가상 공간 안에 구성할 수 있는데, 이러한 자산 구조는 일종의 그래프 모델을 통해 표현된다. 가상 공간에서 물리적 자원에 대한 모델링의 개념에 대해서는 이미 지난 9월호에서 소개한 바 있다. <그림 1>은 과자를 만드는 쿠키 공장을 디지털 공간에 구현한 일종의 자산 그래프다. <그림 1>의 상단에는 ‘쿠키 팩토리(cookie factory)’라는 최상위 레벨의 엔터티가 존재하며, 이 최상위 엔터티 밑에는 과자의 원료를 섞는데 사용되는 ‘믹서1(mixer1)’과 ‘믹서2(mixer2)’라는 2개의 하위 레벨의 엔터티가 존재한다. 이러한 개별 믹서는 컴포넌트를 통해 AWS IoT 사이트와이즈(AWS IoT SiteWise)나 아마존 S3(Amazon S3) 등 3개의 데이터 소스에 연결된 것을 확인할 수 있다. 즉, 믹서를 동적으로 가상 공간에서 표현하기 위해 3개의 데이터 소스를 활용한다고 볼 수 있겠다. 이때, 데이터 소스의 종류에 따라 빌트인 또는 커스텀 컴포넌트 커넥터가 요구된다. 다시 한번 강조하지만, 이러한 컴포넌트들을 통해 수집되는 데이터를 데이터 소스의 위치에 구애받지 않고 손쉽게 AWS IoT 트윈메이커 내의 가상의 디지털 자산인 엔터티에 연결할 수 있다.   그림 1. 쿠키 팩토리의 자산 구조화   3D 장면의 구현, ‘신 컴포저’ 디지털 트윈 하면 가장 먼저 떠오르는 것이 물리적 자산을 디지털 공간에 표현하는 3D 이미지일 것이다. 디지털 트윈에 관심이 있는 독자라면 다양한 벤더에서 제공하는 디지털 트윈 솔루션을 통해 이러한 3D 이미지를 본 적이 있을 것이다. 실제 물리적 자산의 모습과 매우 흡사한 가상의 모델을 3D 형태로 시각화하고 배치함으로써 사용자가 가상 환경에 몰입할 수 있도록 하는 매우 중요한 기술이다. 최근에는 이러한 3D 환경에 증강현실 및 가상현실을 추가함으로써 사용자 경험을 극대화하는 추세이다. AWS IoT 트윈메이커는 신 컴포저(Scene Composer)라고 불리는, 콘솔(console) 기반의 3D 장면(scene) 구성 도구를 제공한다. 이 신 컴포저 기능을 통해 AWS IoT 트윈메이커 내에서 3D 장면을 구성하고 배열도 가능하다. 만약 독자 여러분이 공장과 같은 물리적 자산에 대한 CAD, BIM 등과 같은 3D 파일을 확보하고 있다면, AWS IoT 트윈메이커의 신 컴포저로 이러한 파일들을 임포트(import)해서 유연하게 배치할 수 있다. 그러나 이러한 3D 파일을 확장자와 관계없이 있는 그대로 AWS IoT 트윈메이커에 임포트할 수는 없으며, 라이선스 제약이 없는 GLTF 또는 GLB 포맷으로 변환이 필요하다는 점에 유의해야 한다. 일반적으로 AWS IoT 트윈메이커에서 파일을 변환할 때는 이미지의 경량화를 위해 JSON 기반의 GLTF보다는 주로 GLTF의 바이너리 버전인 GLB 포맷으로 변환한다. 예를 들어, STEP 형태의 3D 이미지 포맷을 가지고 AWS IoT 트윈메이커를 통해 디지털 트윈을 구현하고자 한다면, 이러한 이미지 포맷을 GLTF 또는 GLB 형태로 변환해야 한다. GLTF/GLB 확장자 포맷의 장점은 다음과 같다. 우선 오픈 소스이기 때문에 사용에 대한 라이선스가 불필요하다. 또한 배우기 쉽고 웹에 최적화되어 있기 때문에 웹을 통한 디지털 트윈 배포에 용이하다.   그림 2. GLTF 방식의 3D 이미지(https://xeogl.org/docs/classes/GLTFModel.html)   ■ 자세한 기사 내용은 PDF로 제공됩니다.

앤시스 워크벤치를 활용한 해석 성공 사례   SPH는 라그랑지언(Lagrangian) 기법을 활용한 유동해석 방법으로, 자유표면이 있는 다상유동해석에 적합하다. 앤시스 2022 R2 버전의 첫 소개 이후 신규 버전이 나올 때마다 업그레이드되고 있는 앤시스 로키(Ansys Rocky)의 SPH 기능을 통해, 플루언트(Ansys Fluent)가 없어도 DEM-CFD 커플링 해석이 가능해졌다. 이번 호에서는 DEM-CFD 커플링(coupling) 해석에 대한 새로운 접근 방법을 통해 기존과의 차이점, SPH 소개 및 설정 방법, 활용 예를 알아보자.    ■ 박성근 태성에스엔이 유동 1팀 수석매니저로 유동 및 입자해석에 대한 기술 지원을 담당하고 있다. 이메일 | sgpark@tsne.co.kr 홈페이지 | www.tsne.co.kr   “플루언트가 없는데… 로키로 DEM-CFD 커플링이 가능하다고요?” 아직 해당 방법을 모르는 분들께 종종 듣는 말이다.  SPH(Smoothed Particle Hydrodynamics)는 앤시스 로키 2022 R2 버전에서 정식으로 출시된 유동해석 방법으로, DEM-CFD 커플링 해석도 가능하다. 먼저 기존 DEM-CFD 커플링 방법은 크게 ▲LBM ▲1-Way Constant ▲1-Way Fluent Steady ▲1-Way Fluent Transient ▲2-Way Fluent ▲Semi-Resolved(2-Way Fluent)로 나누어진다. 여기에 로키에 새롭게 추가된 유동 해석 방법인 SPH로 플루언트 없이 DEM-CFD 커플링 해석이 가능하게 된 것이다.  SPH의 장점은 CPU와 GPU 모두 사용 가능하고 특히 멀티 GPU를 이용할 경우 매우 빠른 해석이 가능하다는 것이다. 또한 다상 해석의 경우 일반 CFD 대비 하나의 상만 해석을 하기 때문에 해석 시간을 크게 감소시킬 수 있다. 이번 호에서는 SPH에 대한 소개와 설정 방법, 그리고 활용 예에 대해 알아보고자 한다.    SPH란? 로키의 SPH는 LBM처럼 내장된 유동해석 방법으로, 비압축성 유동의 weakly compressible에 적합하여 mach number가 0.1보다 작을 때 유리하다. 일반적인 CFD와 달리, SPH는 라그랑지언 기법을 이용해 격자 생성이 필요 없는 해석으로 로키의 DEM 해석방법과 유사하다. 이때 SPH 요소는 유체의 물리적 특성을 갖기 때문에, 압력 및 점성력을 통해 이웃 요소와 상호 작용하는 작은 유체 조각으로 정의할 수 있으며, 불규칙한 간격을 가지는 노드 점의 유한 집합으로 나비에-스토크스(Navier-Stokes) 방정식을 해결하기 위한 보간점(interpolation point)으로 사용된다. 이러한 SPH는 자유표면이 있는 다상 유동 및 SPH-DEM 커플링 해석에 적합하기 때문에 slurry mill, sloshing, wave breaker 해석이 가능하며, 표면 장력을 고려할 경우 spray, washing machine 해석에 적용할 수 있다. <그림 1>은 slurry mill로 SPH-DEM 커플링 해석을 이용한 예이다.   그림 1. SPH-DEM 커플링 해석 예   이러한 커플링 해석의 경우 DEM 입자가 SPH 요소 크기보다 매우 커야 하며, <그림 2>와 같이 DEM 입자 내부에 SPH 요소를 배치하여 솔리드(solid)-플루이드(fluid)간 상호작용을 처리한다. 이때 내부 SPH 요소는 연관된 인공질량, 밀도 및 속도를 가지며, 입자 표면에서 미끄럼 방지조건을 충족할 수 있게 모델링되어 있다.   그림 2. DEM 입자 내 SPH 요소   그렇다면 SPH의 장점은 무엇일까? 앞서 말했듯 SPH는 CPU와 GPU 모두 사용 가능하며, 특히 멀티 GPU를 이용할 경우 매우 빠른 해석이 가능하다. 또한 다상해석의 경우 일반 CFD 대비 하나의 상만 해석을 하기 때문에 해석 시간을 크게 줄일 수 있다.  이 기능은 로키에 내장되어 있어 다양한 모션과 같이 사용할 수 있기 때문에, 플루언트보다 넓은 분야에 대한 유동 해석이 가능하다. 다만, 라그랑지언 기법을 이용하여 SPH 요소의 위치를 각 시간별로 저장하기 때문에 HDD의 용량이 많이 필요하다는 주의점이 있다.   SPH 설정 방법 이제 SPH 해석을 위한 물성치 및 입/출구 조건, 설정방법에 대해 알아보자.   SPH Fluid Materials  SPH는 하나의 유체 물성만 설정하여 사용할 수 있다. 예를 들어 물과 공기 두 개의 상이 존재할 때 SPH는 물의 거동만 해석하고, 나머지 영역은 공기로 가정한다. <그림 3>과 같이 기본값은 water의 물성치로 설정되어 있으며, 열전달 모델을 활성화할 때 열전도도와 비열을 설정할 수 있다. Sound Speed는 일반적인 유체에서의 Sound Speed를 의미하는 것은 아니며, 해석 영역 내 최대 속도보다 10배 이상의 값을 사용하는 것을 권장한다. Sound Speed는 Time STEP Size의 결정에 영향을 미친다.   그림 3. Material 내 Default Fluid 설정     ■ 기사 상세 내용은 PDF로 제공됩니다.

개발 : KISTERS 주요 특징 : 대용량의 3D CAD 파일을 몇 초만에 오픈, 카티아/NX/프로엔지니어/솔리드웍스/인벤터 포맷 및 STEP/IGES/X_T/SAT 등 범용 중립 포맷 지원, 금형/자동차/선박/건축 BIM 등 분야에서 3D CAD를 대체 가능 공급 : 마루인터내셔널   독일의 키스터스(KISTERS)는 전 세계적으로 3000개 이상의 고객사를 보유한 3D CAD 뷰어 전문 개발사이다. 키스터스의 국내 디스트리뷰터인 마루인터내셔널은 빠른 속도로 다양한 대용량의 3D CAD 고유 파일 포맷을 오픈하여 필요로 하는 정보를 확인할 수 있는 3D뷰스테이션 데스크톱 뷰어(3DViewStation Desktop Viewer)를 국내에 출시했다.   ▲ 3D뷰스테이션의 사용자 인터페이스(UI)   키스터스의 대표 제품인 3D뷰스테이션 데스크톱 뷰어는 현재 전 세계적으로 30만 명 이상의 유저가 사용 중이다. 카티아 V4/V5, UG/NX & JT, 프로엔지니어, 인벤터, 솔리드웍스의 고유 파일 포맷과 STEP, IGES, X_T, ACIS 등의 중립 파일을 포함하여 총 70개 이상의 파일 포맷을 읽어들일 수 있으며, 500MB 이상의 대 용량 파일도 4초 이내에 오픈할 수 있다. 특히 직관적인 인터페이스로 별도의 교육을 필요로 하지 않고 설치 즉시 현업에 사용할 수 있도록 손쉬운 사용자 인터페이스를 제공한다.   ▲  임포트를 지원하는 파일 포맷   3D뷰스테이션 데스크톱 뷰어는 다양한 분야에 활용되는 범용적인 뷰어 툴로서, 기계 설계/엔지니어링, 항공 및 우주 과학 분야, 건축 설계 BIM, 플랜트 및 석유 화학, 선박/조선 등 다양한 분야에서 다양한 용도로 활용되고 있다. 3D뷰스테이션 데스크톱 버전에는 PMI/MBD 지원, 치수 측정, DMU(디지털 목업), 벽 두께, 간섭 확인 및 구배 분석, IP 보호, 간섭/충돌 해석 등 포괄적인 기능이 제공된다.   ▲ PMI/DMB, IP 보호 이미지   3D뷰스테이션 데스크톱 뷰어는 빠르게 대용량 파일을 오픈하여 3D 모델들의 세부 형상, 치수 및 어셈블리 구조 등 다양한 정보를 고유 3D CAD 툴 없이도 빠르게 확인할 수 있다. 원청 또는 협력 업체로부터 고유 3D CAD 파일을 오픈하기 위하여 고가의 3D CAD를 구입 사용할 필요가 없기 때문에, 고가의 3D CAD 라이선스를 대체할 수 있어 경제적이다. 특히, 생산 기술 부문, 금형 제작 부문 등의 기술 부문뿐 아니라, 신제품 홍보 및 마케팅을 위한 시각화, 기술 지원 서비스 자료 생성 등 다양한 부문에서 활용이 가능하다.    ▲ 3D뷰스테이션의 파일 로딩 타임   3D뷰스테이션 데스크톱 뷰어의 개발사인 키스터스는 자사의 3D 엔진 및 렌더링 엔진을 활용하여 다양한 고객의 요구에 맞는 웹 뷰어, VR 뷰어, 클라우드 협업 솔루션인 VisShare 및 PLM 통합 제품을 제공하고 있으며, 각 사용 환경에 맞추어 사용자화가 가능한 API(애플리케이션 프로그래밍 인터페이스)도 제공하고 있다. 한편, 국내 공급사인 마루인터내셔널은 14일간 모든 기능을 제약 없이 사용해 볼 수 있는 평가판을 제공한다고 밝혔다.     ■ 기사 내용은 PDF로도 제공됩니다.

BIM 칼럼니스트 강태욱의 이슈 & 토크   이번 호에서는 스테이블 디퓨전(Stable Diffusion)의 개념과 생성형(Generative) AI 오픈소스 도구의 설치 및 사용 방법을 간략히 살펴본다. 스테이블 디퓨전 및 컨트롤넷(ControlNet) 기술의 동작 개념을 설명하고, ComfyUI 등 도구의 사용법도 알아본다. 아울러, 다양한 이미지 스타일로 학습된 스테이블 디퓨전 모델의 다운로드 방법도 설명한다.   ■ 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. 이메일 | laputa99999@gmail.com 페이스북 | www.facebook.com/laputa999 홈페이지 | https://dxbim.blogspot.com 팟캐스트| http://www.facebook.com/groups/digestpodcast   스테이블 디퓨전의 개념 스테이블 디퓨전(Stable Diffusion)은 Stability AI와 Runway 도구의 협업으로 개발된 생성 AI 모델이다. 이 모델은 OMMER Lab의 도움을 많이 받아 개발되었다. 스테이블 디퓨전의 원래 이름은 LDM(Latent Diffusion Model)이었다. StableDiffusion : https://github.com/CompVis/stable-diffusion 스테이블 디퓨전은 text to image diffusion을 지원한다.   그림 1. 스테이블 디퓨전 기반 생성 AI 예시   그림 2. OMMER Lab 연구내용(https://ommer-lab.com/research/latent-diffusion-models)   스테이블 디퓨전은 <그림 3>과 같이 디퓨전 확산 모델을 사용한다. 확산 모델은 입력 이미지와 노이즈 라벨링 데이터 간의 가중치를 학습한다. 디퓨전은 전형적인 UNet(encoder-decoder, autoencoder 모델) 모델을 따른다. 입력 모델에 대한 노이즈를 학습한 가중치 모델을 역으로 실행하면, 원본 입력 모델을 생성할 수 있다. 이는 GAN(생성 적대 네트워크) 모델과 유사한 개념을 차용한 것이다.   그림 3. Diffusion의 UNet 구조   여기에 모델의 역방향(Reverse Diffusion Process)으로 text encoding 벡터를 입력해 원하는 스타일의 이미지를 생성하기 위해, 임의의 노이즈인 Random Latent Noise(zT)와 디노이즈 가중치 레이어인 Denoised Latent(Z0)를 UNet 모델 사이에 삽입한다.(<그림 4> 참고) 이를 통해, 텍스트 프롬프트는 다음과 같은 과정을 거쳐 이미지를 생성한다.   그림 4   Input text prompt → Text embedding + Time STEP + Random latent noise → Diffusion → Denoised latent   이 결과로 T 시행이 많을 수록 <그림 5>와 같이 유사한 입력 이미지가 되도록 한다.   그림 5   이를 종합하면 <그림 6>과 같은 딥러닝 모델 구조가 완성된다. 이제 모델의 각 파라미터를 조정하면 텍스트 입력에 대한 다양한 스타일의 학습 가중치를 조정하게 되고, 이를 통해 원하는 이미지를 생성할 수 있다.   그림 6. 스테이블 디퓨전 모델     ■ 자세한 기사 내용은 PDF로 제공됩니다. 한시적으로 무료 제공됩니다.(8.15까지)