[첨단 헬로티]

저자｜다쏘시스템코리아 CATIA브랜드 팀장 박경호

이번 주제는 Al Guided Design입니다. 우리는 현재 인공지능(AI)뿐만 아니라 빅데이터, 머신러닝, 사물인터넷(loT), 증강현실(AR), 가상현실(VR), 딥러닝 등 수많은 신기술 그리고 새로운 용어의 홍수 속에서 살고 있습니다.

 

최근 가장 뜨거운 주제라고 할 수 있는 AI와 결합된 설계에 대해 여러분들은 어떤 생각을 하고 계시나요?

“OK, CATIA. Bracket 설계 좀 해줘!” 이렇게 말만 하면 알아서 설계를 해준다? 또는 ‘마우스나 키보드 클릭을 20번 이상 하던 것을 2~3번 만에 끝낼 수 있게 해주는 것’이 AI와 결합된 설계일까요?

설계는 설계 KPI라고 할 수 있는 여러 가지 항목 즉, 재질, 중량, 강건성, 내구성, 설계원가 및 각종 신뢰성 항목 등에 대한 설계자의 의도가 도면에 반영되어야 하며, 이런 것들이 어느 하나 중요하지 않은 것이 없기 때문에 모든 KPI를 고려하여 적절한 Trade-Off를 통해 디자인이 완성되어야 합니다. 이런 과정을 키 입력이나 마우스 클릭 몇 번 만에 알아서 구현해 준다는 것은 현재로서는 불가능합니다.

다음은 어떨까요?

설계자의 경험이나 경력에 의존할 수밖에 없기 때문에 수차례 반복해야 했던 ‘Proto Sample 제작 → 신뢰성’ 과정의 반복으로 인해 개발 납기 지연, 실패 비용 증가가 불가피했습니다.

이런 부분을 ▲설계 초기 단계에 CATIA 내에서 설계자가 직접 선행 해석 검증을 통해 Trial & Error를 최소화 할 수 있는 것, ▲또는 내가 설계하는 부품의 제작 Option(밀링, 캐스팅, AM-적층가공 등)에 따른 Topology optimization 결과를 CATIA 설계자가 직접 선행 해석 검증을 통해 엔지니어링 타당성을 확보하여, [C]설계 정합성 향상 및 설계 효율 개선 [D]개발 기간 단축 [Q]품질 비용 저감이 가능해 지는 것.

현재 관점에서는 앞서 설명한 두 가지의 컨셉이 AI와 결합된 설계의 정의에 해당된다고 할 수 있겠습니다. 그러면 지금부터는 이 두 가지의 컨셉을 CATIA 및 3D EXPERIENCE 플랫폼 관점에서 살펴보도록 하겠습니다.

▲(왼쪽)Legacy 0.7kg(Milling), (오른쪽)3-Axis Milling 0.45kg. 제작 옵션에 따라 기존 대비 약 35%, 50%, 60% 경량화 달성

▲(왼쪽)Casting 0.36kg, (오른쪽)Additive Manufacturing 0.295kg 

먼저 현재의 상황을 좀 살펴볼까요?

대부분의 제조사에서 설계와 해석은 서로 분리된 영역이며, 원활한 협업이 잘 안 되고 있는 실정입니다. 이 부분은 제가 국내에서 자동차, 항공, 방산 및 산업 장비 등 수 많은 고객사를 다니면서 확인한 사실입니다.

설계자들에게 해석이란 왠지 어렵고 전문성이 강한 다른 영역이라는 생각이 깔려 있고, 또한 해석 결과를 잘 신뢰하지 않는 경향이 있습니다. 반대로 해석 엔지니어들은 설계 모델 데이터의 완성도가 떨어지고 잦은 설계 변경으로 인해 오히려 해석 결과를 실제 시험 결과에 맞추고 있는 실정입니다. 하지만 3D 모델 없이는 해석을 할 수 없고, 또한 해석 검증이 반영되지 않은 설계는 모래성과 같다고 할 수 있습니다.

이렇게 설계와 해석 간에 원활한 협업이 잘 이뤄지지 않는 이유에는 어떤 것들이 있을까요?

① 각 회사에는 해석 엔지니어에 비해 설계자가 압도적으로 많습니다. 아니 실질적으로 해석 엔지니어가 압도적으로 적다고 하는 것이 더 맞겠습니다. 따라서 제품 개발 프로세스 상에서 설계자가 원하는 모든 것을 다 해석 검증한다는 것은 절대로 불가능합니다.

②설계/개발자들은 개발 프로세스 상 언제나 납기에 쫓기는 것이 현실입니다. 그러다보니 궁극적으로 설계 초기부터 원활한 해석 검증이 불가능한 현실이며, 한다고 해도 수많은 검증 항목 중 극히 일부에 대해 매우 기초적인 해석 검증이 이루어지고 있는 실정입니다.

하지만 아무리 완성도가 높은 설계 모델 데이터로 해석 검증을 한다고 해도 그것은 극히 일부이며, 제한된 환경(구속 조건 등) 내에서의 검증이고 또 오리지널 모델 데이터는 100% 수정되기 때문에 설계자들은 늘 이런 고민들을 하게 됩니다.

“해석 결과가 나온 것을 반영해서 오리지널 모델 데이터를 수정할까? 그런데 그 결과를 어떻게 믿지?”

“해석 결과를 참조하여 이미 변경한 모델 데이터를 재수정 해야 하나? 그러다 만약 품질 에러가 발생되면 그 책임은 누구에게 있지?

“역시 그냥 내가 설계한 안을 믿고 약간의 오버스펙으로 해야겠다. 그런데 기존에 배포된 도면을 어떻게 바꾸지?”

과연 이러한 방법들이 올바른 설계 기준이라고 할 수 있을까요?

지금은 Upfront simulation의 시대로 설계 초기부터 설계자가 기본적인 해석 검증과 설계를 동시에 진행하므로 설계자가 궁금해 하는 각각의 신뢰성에 대해 선행 해석이 반영된 설계가 가능해졌습니다.

설계자는 부품 설계 시 중량, 강건성, 내구성, 원가 및 재질 등과 같은 여러 KPI에 대해서 각각의 제조 공법(밀링, 캐스팅, 3D 프린팅 등)별로 최적화 된 형상을 자동으로 제공받을 수 있으며, 어떤 KPI 항목을 최우선으로 할지 적절한 Trade-off를 통해 손쉽게 비교 검토할 수 있도록 리포트가 제공됩니다.

따라서 AI가 결합된 설계라는 것은 설계자의 해석 역량을 강화하고, 분리된 설계 및 해석팀 간의 협업 환경을 잘 구축한 것으로써, 기존의 Form to function(형상을 만들어 놓고 성능 검증을 하는 것)이 아니라 Function to Form(각 신뢰성이 검증된 형상을 사람이 아닌 솔루션이 Creation 해주는 것)설계를 말합니다.

따라서 설계자는 보다 자동화되고 지능화 된 툴의 도움을 통해 기존에 사람의 머리로는 상상할 수 없었던 유기적이고 튼튼한 설계를 할 수 있게 된 것입니다.

이런 것들이 어떻게 가능하게 되었는지는 기존의 업무 이력을 살펴보아야 합니다. 예를 들어서 Topology Optimization이나 Light-Weight Design을 위해 이전에는 기구 설계자가 설계 완성도가 높지 않은 상태에서 해석 엔지니어에게 최적화를 의뢰합니다. 해석 엔지니어는 완성도가 떨어지는 설계 데이터로 위상 최적화 프로그램을 이용하여 열심히 최적화를 수행합니다.

그런데 이 과정에서 중요한 건 이종 솔루션이기 때문에 반드시 데이터 변환 과정이 필요하며 당연하게도 최적화 결과 역시 설계자에게 단지 이미지로만 전달되기 때문에 설계자는 이를 보고 설계 기록이 없는 상태에서 대충 감으로 재설계를 하게 됩니다. 과연 이러한 방식이 최선의 설계안인지에 대해서는 설계자나 해석 엔지니어 그 누구도 쉽게 장담할 수 없는 모호한 결과로 남게 됩니다.

하지만 CATIA V6가 탑재된 3D EXPERIENCE 플랫폼에서는 이러한 T0SCA(위상 최적화 프로그램)기능 일부가 CATIA로 임베디드 되어 설계자가 데이터 변환 과정 없이 CATIA 환경에서 직접 손쉽게 최적 설계안을 확인할 수 있으며, 이를 바로 Solver인 ABAQUS로 검증하여 엔지니어링 타당성을 확보할 수 있습니다.

▲ Function Driven Generative Design

다음에는 Generative Design과 Topology Optimization이라는 용어에 대해서 확인해 보도록 하겠습니다. Topology Optimization은 약 30여 년 전부터 있었던 기술이지만 Generative Design(생성적 설계)은 최근에 주목받고 있는 기술로써 차세대 CAD를 설계하는 방법이며, 엔지니어가 디자인에 대해 생각하는 방식을 바꿀 것이라고 전문가들은 말하고 있습니다.

또한 일부에서는 차세대 CAD로 Generative Design과 Topology Optimization의 조합을 언급하고 있습니다. 이 두 가지 기능이 합쳐지면서 제조사는 더 가볍고 강력한 부품 및 어셈블리를 생산할 수 있을 뿐만 아니라 여러 부품을 통합하여 복잡성을 줄일 수 있습니다.

또한 이 기능은 일반적으로 AM(적층가공)에만 국한되어 있다는 오해가 있지만 최근 다쏘시스템 CATIA에서는 일반적이고 전통적인 제조방식-사출성형, 주조 및 단조, 밀링-과 같은 모든 제조 공정에서도 가능합니다.

지금부터는 CATIA 3D EXPERIENCE(V6)의 Generative Design과 Topology Optimization이 결합된 솔루션에 대해서 알아보도록 하겠습니다.

Function Driven Generative Design

Function Driven Generative Design을 번역하면 ‘기능 기반 생성적 설계’입니다. ‘생성적 설계’에 대해서는 앞서 설명 드린 바와 같이 사람의 머리로 생각해 낼 수 없는 최적 형상을 솔루션이 제공해준다는 의미이며 ‘기능 기반’은 ‘설계 위상 최적화’ 및 ‘경량화’ 기능을 말하는 것입니다.

다음은 이러한 Function Driven Generative Design의 프로세스를 확인해보도록 하겠습니다.

▲ Function Driven Generative Design의 프로세스

먼저 기존에 CATIA V5에서 설계했던 3D 데이터를 데이터 변환 과정 없이 그대로 CATIA V6에서 불러들입니다. Workf low의 첫 번째 단계는 Design space, 즉 Part가 존재해야 하는 물리적 볼륨을 정의하는 것입니다.

▲ 3D 데이터 CATIA에 불러오기

그런 다음 볼트를 체결하는 홀과 같이 최적화에서 보호되어야 할 영역을 선택합니다. 다음은 Load condition을 지정하고 몇 가지 가상 볼트 형태의 경계 조건을 추가합니다.

▲ Load condition 지정

이제 최적화 대상을 정의해야 합니다. 강성 또는 프리퀀시를 최대화 할지 또는 중량을 최소화 할 것인지 마지막으로 스트레스, 프리퀀시, 제조방법, 두께 등과 같은 구속 조건을 지정할 수 있습니다. 그런 다음 드디어 형상을 컴퓨팅 할 준비가 됐고 이 방법은 Abaqus solver와 Tosca 최적화 엔진을 사용하며 10분 만에 다음과 같은 결과를 나타냈습니다.

▲ Abaqus solver와 Tosca 최적화 엔진 사용 결과

여기에서 사용자는 간단히 스크롤바를 조절하면서 경량화의 정도를 조정할 수 있습니다. 일단 결과에 대한 결정을 내리면 Mesh가 아닌 CATIA solid를 만들어 냅니다. 작업 과정에 따르면 이것은 CATIA가 구동되는 노트북에서 약 1분이 걸렸습니다.

바로 이어서 이 형상으로 구조 분석을 통해 유효성 검사를 할 수 있습니다. 이 모든 과정이 단일 플랫폼에서 가능하며 물론 데이터 변환 절차는 필요 없습니다.

▲ 구조 분석을 통한 유효성 검사

또한 Variant manager를 통해서 원하는 만큼 많은 반복 작업을 수행한 다음 특정 KPI 세트를 기반으로 사례 연구에 가장 적합한 모델을 선택하는 것이 가능합니다. 다음에는 Casting에 대한 새로운 제약 조건을 추가했는데 이것은 또 다른 결과를 제공했습니다.

만약 설계자가 Casting이라는 제작 옵션을 지정하게 되면 Under cut이 발생하지 않도록 최적화를 수행하며, Milling용으로는 축 가공 Tooling path에 문제없도록 AM(적층가공) 옵션에서도 최적의 적층 path에 알맞게 생성적 설계를 해주기 때문에 설계 초보자든 경력자든 동일한 설계 기준을 확보하는 것이 가능합니다.

몇 가지 설계 변수들을 줄지어서 최적의 옵션을 선택하기 위해 Trade-off가 가능합니다. KPI에는 중량, 스트레스 변위 등이 포함되어 있으며 사용자가 원하는 대로 우선 순위를 지정할 수 있습니다.

이제 디자인을 확정하고 CATIA의 Detail 표면 모델링 도구를 사용하여 Refinement 작업이 가능합니다. 다른 유효성 검사 분석을 실행하고 약간의 수정작업을 한 후 최종 디자인이 좌측 형상과 같이 결정되었습니다.

▲ 디자인 확정 및 Detail 표면 모델링 도구를 통한 Refinement 작업

이러한 Generative design이 AM(적층가공)에만 국한되지 않고 밀링이나 캐스팅 제작 옵션으로 자동 재구성됩니다. 또한 Part뿐만 아니라 동일한 절차를 사용하여 Assembly를 최적화 할 수 있습니다.

“현재 많은 사람들이 부품 설계, Topology optimization을 위해 별도의 프로세스로 이종 솔루션을 이용하고 있습니다. 그리고 CAD에서 모델링을 다시 하고 있죠. CATIA는 데이터 변환 없이 하나의 플랫폼에서 이 모든 작업을 수행할 수 있습니다.”

이 것이 다쏘시스템의 Function Driven Generative Design에 대한 가장 큰 차별성이라고 할 수 있습니다.

- Function Driven Generative Design의 주요 특징 -

•설계/해석 간 병목 현상 제거로 효율적인 엔지니어링 가능

•철저하게 설계자를 위한 직관적인 해석 기능으로 해석 비전문가도 쉽게 사용

•경력자나 초보자 모두 동일한 설계 표준 가이드라인을 가지므로 더 이상 감으로 설계하는 것이 아니라 Solution을 통해 엔지니어링 타당성을 확보

•설계자, 해석 엔지니어 및 제조 엔지니어를 위한 Concurrent engineering이 가능한 통합 환경 구축시스템