ALTAIR AI WORKSHOP

빠르게 진화하는 엔지니어링 분야에서 인공 지능(AI)은 다양한 영역에서 혁신과 효율성을 주도하는 변혁의 힘으로 부상하고 있습니다.

이 발표는 알테어가 개발한 최첨단 AI 기술과 엔지니어링 분야에서 영향력 있는 응용 분야에 대해 자세히 살펴볼 수 있습니다.

또한 알테어의 AI 기반 솔루션이 설계, 시뮬레이션 및 최적화 프로세스를 혁신하여 엔지니어가 전례 없는 정밀도와 속도로 복잡한 문제를 해결할 수 있도록 지원하는 방법을 알 수 있습니다.

실제 사례 연구에 대한 통찰력을 얻고 AI를 엔지니어링 워크플로에 통합할 때 얻을 수 있는 실질적인 이점을 보여줄 것입니다. 알테어가 지능형 데이터 기반 솔루션을 통해 엔지니어링의 미래를 어떻게 형성하고 있는지 알아보세요.

AI & DA 용어가 많은 분야에서 관심을 받고 있는 요즘 CAE 기반의 시뮬레이션 분야 역시 AI & DA 도움 덕분에 제품 개발 엔지니어가 고민해야 했던 많은 부분을 기존 대비 쉽고 빠르게 판단할 수 있게 되었습니다.

하지만 이를 위해 학습 근사 모델 생성에 필요한 다량의 샘플 데이터 확보가 중요 함에도 불구하고 실제 개발 엔지니어가 현업 수행과 동시에 데이터 수집 및 관리를 하는 것은 어렵습니다.

Generative Design은 데이터 분석 기법을 통해 topology 최적화 기반의 컨셉 형상을 연구 할 수 있는 생성형 AI 제품이며, 다량의 샘플 데이터 생성 및 확보가 용이합니다.

이 제품은 초기 제품 개발 단계에서 다양한 형상 clustering / AI classifying 을 통해 엔지니어에게 성능에 가장 만족하는 컨셉 형상은 무엇인지 제안 해 주는 것이 특징입니다.

대량의 입자 거동을 시뮬레이션 하는 것은 많은 시간과 자원이 소요됩니다. 열유동과의 멀티피직스 시뮬레이션을 고려한다면, 더욱 많은 시간과 자원이 필요합니다. 고사양의 CPU와 GPU를 갖춘 장비가 있다고 해도 많은 공정변수를 고려한 해석에는 한계가 있습니다. 알테어의 romAI를 활용한다면, 최소한의 시뮬레이션에서 얻어진 데이터를 통한 머신러닝모델로 수만개의 시뮬레이션을 수분안에 수행할 수 있습니다.

본 발표에서는 보여드릴 케이스는 1케이스에 40시간이 소요되는 멀티피직스 시뮬레이션대상으로 합니다. romAI로 머신러닝한 모델을 사용하여 4개의 공정변수 최적화를 했습니다.

현대 기업은 지속 가능한 경쟁력을 유지하기 위해 디지털 전환(DX)과 AI전환(AX)을 통한 데이터 기반 혁신을 필수적으로 추구해야 합니다. 하지만 이러한 혁신을 가능하게 하는 데이터 활용 기술은 전통적으로 데이터 엔지니어나 데이터 사이언티스트가 주도해 왔으며, 이로 인해 현업의 실질적 요구를 반영하지 못하는 한계가 존재합니다. 이러한 접근 방식은 혁신을 특정 부서나 소수 인원에게만 국한시키고, 조직 전체가 아닌 국소적인 혁신으로 그치는 경우가 많습니다.

이러한 한계를 극복하고 진정한 전사적 혁신을 이루기 위해서는 현업 담당자가 직접 데이터를 분석하고 AI 모델을 구축할 수 있는 시민 데이터 사이언티스트의 역할이 중요 해 졌습니다. 이를 통해 조직 전체가 데이터 중심의 사고로 장기적이고 지속 가능한 혁신을 주도할 수 있게 됩니다.

이번 세션에서는 AX/DX 혁신의 성공적 구현을 위한 핵심 데이터 아키텍처인 동시에, 시민 데이터 사이언티스트를 위한 필수 분석 플랫폼인 데이터 패브릭(Data Fabric)의 개념과 역할, 그리고 그 필요성에 대해서 알아봅니다.

본 연구는 Altair Physics AI기법을 활용한C/SHELF(Covering Shelf) 처짐 강성을 사전에 검증 하는 연구 사례 입니다.

C/SHELF는 차량 후석 뒤에 위치한 인테리어 부품으로 물건 및 짐을 올려 놓는 용도로 사용된다. 이 용도에 맞게 사용 되려면 기본적으로 ES SPEC 기준인 5kgf 의 수직하중에서 변형량이 8mm이내의 하중을 버틸 수 있는 디자인이 필요하다. 이 강도 성능을 만족하는 디자인을 설계하기 위해 C/SHELF별 CASE STUDY 검증을 통해 최적의 디자인 도출을 진행 하게 됩니다.

이 CASE STUDY 검증은 유사한 디자인을 반복적으로 해석 검증을 하는 번거로움이 있어 비효율적인 부분이 많다. 이 비효율적인 업무를 개선하기 위해 Physics AI 접목 연구를 하게 되었습니다.

Physics AI를 이용한 검증을 위해서는 예측 모델 개발이 필요하며, 모델 개발을 위해 기존 해석 결과를 이용하여 Physics AI 예측 모델 개발을 하고 이 예측 모델 활용하여 신규 모델 검증하는 연구를 진행하였습니다.  Physics AI 예측 모델 개발 위해 16차종의 데이터를 사용하였다. 검토 결과 해석과 95%이상의 유사도 결과를 확인할 수 있었지만 그중 특정 모델에 대해서는 50%에도 못 미치는 결과를 확인할 수 있었습니다. 현재 Physics AI 버전의 한계가 느껴지는 부분 이였으며, 당사에서는 Physics AI 모델을 C/SHELF 형상 3가지로 구분 짓고 적용하는 것으로 결론을 내렸습니다.

향후 두께, 재질까지 접목이 가능한 24.1VER을 통해 신뢰성 수준을 추가 확인 할 예정입니다.