시뮬레이션 데이터가 단순히 설계를 검증하는 것을 넘어 다음 설계까지 예측할 수 있다면 어떨까요? Simcenter Inspire와 Simcenter Physics를 활용한 AI 지원 워크플로우는 다음과 같습니다AI가 개념적 날개 구조 설계를 혁신하며, DOE 데이터셋을 실시간 설계 인텔리전스로 전환하고 있습니다.
항공기 날개 구조 설계의 현실
창가 좌석에 앉아 계세요. 탑승 붐이 가라앉고 엔진이 멈춘 뒤, 안전 시연과 첫 커피 한 모금 사이 어딘가에서 창밖을 바라봅니다.
날개가 바로 저기 있어요.
도식적으로는 아니에요. 화면 위가 아니다. 바로 그곳에서, 하늘을 향해 부드럽게 몸을 굽히며 80톤에 달하는 항공기를 조용하고 거의 자연스러운 자신감으로 띄우고 있습니다. 난기류 구간을 지날 때 약간 휘어졌다가 다시 원래대로 튀어 오르는 모습을 볼 수 있습니다. 만약 당신이 스트레스 윤곽과 변위장으로 생각하는 사람이라면, 어쩔 수 없습니다. 뇌가 그렇게 작동하니까요.
저 피부는 얼마나 두꺼워요? 스팬-코드 비율이 굽힘 모멘트에 어떤 영향을 미치나요? 정확한 기하학적 형태를 완성하기까지 몇 번의 디자인 수정이 필요했나요?
아마도 수백 개. 아마 수천 명일지도 몰라요. 각각은 강성과 무게, 공기역학적 효율과 구조적 여유, 물리학적 요구와 제조 가능 범위 사이의 균형을 맞추는 협상입니다. 그 날개의 모든 밀리미터가 누군가가 던진 질문에 대한 답이었고, 그 질문을 시뮬레이션하고 평가한 뒤 다시 묻는 과정이었습니다.
생각해보면 정말 놀랍네요. 그리고 그 과정의 반대편에 있는 엔지니어라면, 정말 힘든 일이겠네요.
왜 수정-메시-해결 루프가 대규모에서 작동하지 않는가
책상으로 돌아와서, 35,000피트의 낭만은 디자인 사이클이라는 현실로 바뀝니다.
매개변수를 조정합니다. 다시 맞춰. 당신이 그 일을 제출합니다. 그럼 기다리세요.
20분. 한시간. 때로는 그 이상입니다. 결과가 나왔을 때 뭔가 이상하다면—스트레스가 너무 높거나 변위가 한계를 넘었기 때문입니다—기하학으로 돌아가 다시 수정하고 이 과정을 반복합니다. 몇 가지 변형을 시도해봤을 때쯤이면, 하루의 절반이 지나갔음에도 디자인 공간이 아직 많이 탐색되지 않은 느낌이 듭니다.
만약 당신이 날개 설계를 담당하는 항공우주 구조 엔지니어라면, 이건 가상의 상황이 아닙니다. 화요일이야.
답답한 건 물리학이 아니라, 바로 그 루프입니다. 수정하세요. 그물. 풀다. 평가하다. 따라하다. 각 반복 작업은 개별적으로는 충분히 합리적이지만, 수백 가지 설계 변형을 이어 붙이면 본질적으로 느리고, 필연적으로 비용이 많이 들며, 유망한 구성을 거의 확실히 시험하지 못하는 작업 흐름이 됩니다.
그리고 그 위험 부담은 매우 큽니다. 개념 설계 단계에서 내린 결정, 즉 어떤 기하학적 구성을 선택할지, 어떤 타협을 받아들일지가 이후 모든 과정을 좌우합니다. 틀리게 하면, 아무리 자세히 분석해도 잃어버린 부분을 완전히 되찾을 수 없습니다.
그럼, 이 루프를 끊을 수 있다면 어떨까요?
물리학을 건너뛰어서가 아니라. 추측으로가 아니라. 하지만 올바른 시뮬레이션을 체계적이고 자동으로, 전체 설계 공간에 걸쳐 실행하고, AI가 그동안 쌓은 지식을 이어받아 모든 후속 설계 결정이 이미 학습된 내용을 활용할 수 있도록 한다면.
이 블로그가 바로 그 내용을 다루고 있으며, 기하학적 딥러닝을 활용해 워크플로우를 확장하는 부분에서 진정한 강력함이 발휘됩니다.
날개 디자인 과제: 많은 변수들, 짧아지는 시간표
항공기 날개 구조 설계는 특히 어려운 교차점에 위치해 있습니다. 날개 형상, 즉 스팬, 스킨 두께, 프로파일 곡률, 내부 보강재 간격은 공기역학적 성능과 구조적 완전성을 동시에 좌우합니다. 한 가지 매개변수만 바꾼다고 해서 응력 등고선만 이동하는 것이 아니라, 강성, 무게, 피로 수명에 걸쳐 연쇄적인 영향이 발생할 수 있습니다.
개념 설계 단계에서 엔지니어들이 수백 번의 고충실도 시뮬레이션을 실행할 수 있는 경우는 드뭅니다. 하지만 여기서 내린 결정, 즉 어떤 기하학적 구성을 선택하고 어떤 것을 포기할지에 따라 설계의 최종 성능 범위 대부분이 결정됩니다.
그렇다면 질문은 무엇일까요? 다차원 날개 설계 공간을 체계적으로 탐색하고, 구조적 성능을 실제로 좌우하는 요소를 파악하며, 수작업 시뮬레이션에 지치지 않고 최적의 구성을 찾아내려면 어떻게 해야 할까요?
Simcenter Inspire와 함께하는 DOE 기반 설계 공간 탐색
해답은 Simcenter Inspire 내에서 구축된 파라메트릭 날개 모델에서 시작됩니다. 이 모델은 날개 피복 두께, 스팬 길이, 에어포일 프로파일 반지름, 내부 보강재 간격 등 주요 구조 치수를 반영하는 여러 기하학적 설계 변수를 포함하고 있습니다.
시뮬레이션할 가치가 있는 구성을 선택하기 위해 공학적 직관에 의존하는 대신, 라틴 하이퍼큐브 샘플링(LHS)은 각 설계 변수의 범위를 동일한 확률을 가진 구간으로 나누고, 각 구간에서 하나의 샘플을 선택합니다. 이를 통해 다차원 설계 공간을 체계적으로 커버하면서 샘플링 편향을 줄이고 불필요한 군집화를 방지할 수 있습니다.
DOE 실행 시마다 Simcenter Inspire의 Design Explorer 내에서 형상 수정, 메싱, 구조 FEA, 응답 추출 등 완전 자동화된 워크플로우가 실행되어, 실행 간 수동 재설정이나 복사-붙여넣기 오류가 발생하지 않습니다. 설계 공간 전체에 걸쳐 깔끔하고 추적 가능한 시뮬레이션 데이터를 제공합니다.
시뮬레이션이 밝혀낸 것은 무엇인가
모든 실행에서 두 가지 구조적 반응을 추적했는데, 최대 변위(주요 최적화 목표)와 최대 폰 미제스 응력(제약 조건)입니다. Simcenter Inspire의 Results Explorer는 모든 설계 후보를 자동으로 실현 가능, 준제약, 위반, 최적 상태로 색상 구분해, 엔지니어가 원시 데이터를 일일이 살피지 않고도 설계 현황을 한눈에 파악할 수 있게 합니다.
특히 Run 24 구성은 모든 허용 가능한 설계 중 가장 낮은 39.681 MPa의 폰 미제스 응력을 기록하며, 구조 효율성과 응력 분포 개선에 큰 진전을 보였습니다. 그런 결과는 직관에 기반한 반복 과정에서 나오지 않습니다. 통계적으로 엄격한 실험 설계는 편향 없이 전체 매개변수 공간을 샘플링하여 이를 드러내기 위해 설계된 것입니다.
민감도 분석: 어디에 집중해야 할지 알기
최적값을 찾는 것을 넘어서, DOE는 각 설계 변수와 구조 응답 간의 스피어만 순위 상관계수를 이용한 파레토 기반 민감도 분석을 가능하게 하여, 모든 매개변수가 날개 구조 성능에 미치는 진정한 영향을 순위화했습니다.
결과는 명확했습니다. 갈비뼈 수와 전면 프로필 반경이 주요 요인으로 나타났으며, 각각의 민감도 지수는 0.784와 0.780으로 거의 동일한 영향력을 보였고, 다른 변수들과는 뚜렷이 구분되었습니다. 다음으로 영향력이 큰 변수는 큰 개구 직경(0.661)과 상부 프로파일 구간 길이(0.642)로, 이 네 가지가 구조적 반응을 가장 잘 지배하는 상위 네 가지 조합을 이룹니다.
상위 9개 파라미터가 정규화된 누적 민감도 기여도의 약 81.7%를 차지하는데, 이는 설계 노력 배분 방식에 직접적인 영향을 미치는 전형적인 파레토 결과입니다. 모든 매개변수를 똑같이 다룰 필요는 없습니다. 주로 핵심 성과 지표를 개선하는 데 집중하게 되며, 이제 설계 검토, 프로그램 관리자, 인증 기관과의 협의에서 그 우선순위를 뒷받침할 데이터를 갖추게 됩니다.
DOE 데이터셋이 제공할 수 있는 것이 더 많습니다
Run 24가 가장 돋보였습니다. 하지만 개념 설계에 관한 불편한 진실이 하나 있습니다. 그 결과물을 더 넓은 팀에 넘기는 순간, 기하학적 형태가 변하기 시작한다는 점입니다. 이해관계자들은 더 긴 기간을 원합니다. 공기역학에서는 다른 프로파일 반경을 요구합니다. 깃발 제조에 두께 제약 조건이 있습니다. 전통적인 FEA 작업 흐름에서는 이런 변경이 있을 때마다 새로운 메쉬와 새로운 해석이 필요해져 더 많은 시간이 소요됩니다.
이 단계에서 엔지니어가 실제로 필요한 것은 단 하나의 최적 해답이 아니라, 설계 공간을 실시간으로 탐색하며 '만약에'라는 질문을 던지고 그 답을 문제 해결 전에 얻을 수 있는 능력입니다. 한 시간 안에 아니야. 대화가 진행되기 전에.
바로 이때 DOE가 24차 시험 이후 실제로 만들어낸 것, 즉 수십 가지 날개 구성과 각 구성의 구조적 반응이 알려진 기하학-성능 쌍으로 이루어진 풍부하고 체계적이며 물리학에 기반한 데이터셋을 살펴볼 가치가 있습니다. 이 데이터는 전체 설계 공간에서 지능적으로 샘플링되었습니다.
대부분의 워크플로우는 여기서 멈춥니다. 시뮬레이션이 목적을 달성했습니다. 최적의 구성이 확인되었으며, 데이터셋이 보관되었습니다.
하지만 그 데이터셋은 훨씬 더 강력한 무언가의 기반입니다. 이를 학습 데이터로 활용하면, 시뮬레이션된 결과를 기록하는 데 그치지 않고, 아직 시뮬레이션되지 않은 결과를 몇 초 만에 예측하는 기반이 됩니다. 바로 그것이 Simcenter Physics입니다AI는 그렇게 하도록 만들어졌습니다.
Simcenter Physics를 활용한 실시간 날개 설계 평가인공지능
심센터 물리학AI는 이를 기하학적 딥러닝(Geometric Deep Learning, GDL)을 통해 구현합니다. GDL은 수동으로 특징을 추출하거나 단순화할 필요 없이 메쉬 표현만으로 작동하는 신경망 구조의 한 종류입니다. 종횡비나 두께 대 코드 비율과 같은 스칼라 입력 특성을 엔지니어가 직접 수작업으로 만들어야 하는 기존의 머신러닝 방식과 달리, Simcenter Physics는AI가 해석기 결과 파일을 직접 읽습니다. 각 시뮬레이션 실행은 특정 기하학적 구성과 그 변위 및 응력 필드가 결합된 훈련 샘플이 됩니다.
모델은 구조 요소들 간의 공간적 관계와 그것이 물리적 반응으로 어떻게 이어지는지를 학습합니다. 이 모델은 새로운 날개 형상을 몇 초 만에 평가할 수 있는 AI 대리 모델을 생성하며, 단일 지점의 스칼라 값뿐 아니라 전체 메쉬에 걸친 전장 예측 결과를 제공합니다.
디자이너에게 '실시간'이란 실제로 무엇을 의미할까
대리 모델이 학습되면 디자인 작업 흐름의 속도가 완전히 달라집니다.
피부 두께를 3.2mm에서 2.8mm로 조절합니다. 심센터 물리학AI가 실시간으로 날개 전체에 공간적으로 분포된 예측 변위 등고선과 응력 지도를 제공합니다. 스팬 길이를 12% 늘렸습니다. 또 다른 예측, 또 2초. 리딩 엣지 프로파일 반경을 변경하고, 응력 재분포를 확인한 후 다음 단계로 진행합니다. 단일 솔버 실행에 걸린 시간 동안 탐색된 여섯 가지 기하학적 변형입니다.
이것은 속도를 위한 근사치가 아닙니다. 대리 예측은 DOE 데이터셋의 대기 해석기 실행 결과와 비교하여 검증되었으며, 정확도는 추정된 것이 아니라 수치화되었습니다. 특히, Simcenter 물리학은또한 AI는 예측 결과에 대한 기하학적 유사도 지표를 산출해, 새로운 설계가 훈련 데이터 분포에서 크게 벗어날 때 이를 알려줍니다. 이를 통해 AI 예측 결과를 신뢰할 시점과 정밀 시뮬레이션을 실행할 시점을 판단할 수 있습니다. 이것이 빠른 도구와 신뢰할 수 있는 도구의 차이입니다.
그 결과, 수십 가지 설계 변형을 인터랙티브하게 탐색하며 유망한 설계 영역에 자신 있게 수렴할 수 있고, 실제로 성과를 내는 구성에 대해서만 완전한 해석을 예약할 수 있습니다.
항공기 날개 구조 설계를 위한 통합 AI 보조 워크플로우
이 모든 기능을 결합하면, 각 단계가 다음 단계로 자연스럽게 이어지는 일관된 종합 항공우주 구조 설계 워크플로우가 완성됩니다.
DOE는 단순히 최적화된 설계로 가는 길이 아니라, 이후 AI 역량을 위한 데이터 인프라입니다. 민감도 분석을 통해 성능을 좌우하는 파라미터를 도출함으로써, 엔지니어링의 초점을 명확히 하고 설계 근거를 이해관계자와 규제 당국에 신뢰할 수 있게 만듭니다. 심센터 물리학그 후 AI가 설계 대화 속도에 맞춰 해결사의 지식을 제공해, 모든 '만약에' 질문에 시간이 지나기 전에 답을 얻을 수 있게 합니다.
완전한 물리 해석기는 그림을 벗어나지 않습니다. 그것은 여전히 기준입니다. 변한 것은 설계 주기 전반에 걸쳐, 첫 번째 DOE 실행부터 최종 구성 검토까지 데이터를 얼마나 효율적으로 활용하고 재사용하느냐입니다.
이것이 바로 솔버를 넘어서는 의미입니다. 물리 기반 시뮬레이션을 대체하는 것이 아니라, 설계 과정을 가속화하기 위해 그 지식을 언제든지 즉시 활용할 수 있게 만드는 것입니다.
항공우주 및 방위 산업에서 AI 기반 설계 워크플로우가 중요한 이유
항공우주 및 방위 산업은 이러한 제약 조건 하에서 운영되기 때문에, 이와 같은 워크플로우가 특히 가치 있고 점점 더 필요해지고 있습니다.
- 사이클 압축 설계: 개념 설계와 상세 설계 사이의 간극이 점점 줄어들고 있습니다. AI가 보조하는 작업 흐름 덕분에 엔지니어링 팀은 이전에 몇 주가 걸리던 작업을 며칠 만에 수행할 수 있습니다. 물리학을 대충하는 것이 아니라, 물리 기반 지식을 설계 전반에 즉시 활용할 수 있게 하기 때문입니다.
- 자신감 있는 디자인 결정: DOE와 민감도 분석의 결합은 팀에게 구조 성능을 좌우하는 요소에 대한 데이터 기반 이해를 제공하며, 최적 설계를 찾는 데뿐만 아니라 이해관계자, 인증 기관, 제조 파트너에게 설계 근거를 전달하는 데도 유용합니다.
- 다학제적 확장성: 여기서 구축된 데이터 인프라인 파라메트릭 모델링, DOE, AI 학습은 설계가 발전함에 따라 자연스럽게 확장됩니다. 동일한 프레임워크를 통해 워크플로우를 처음부터 다시 작성하지 않고도 공기역학적 하중, 공탄성 결합, 열 효과를 추가할 수 있습니다.
3만 5천 피트 상공에서 창밖으로 펼쳐지는 날개 모양의 구조물은, 수개월에 걸쳐 도구의 한계까지 밀어붙이며 작업한 팀들이 수천 가지 설계 결정을 거쳐 완성한 결과물입니다.
다음 세대의 날개는 물리학을 기반으로 학습한 AI의 도움을 받아, 더 빠르고 똑똑하며 정보에 기반한 결정을 내릴 수 있는 엔지니어들에 의해 만들어질 것입니다. 대화가 진행되기 전에 '만약에'라고 질문하고 답을 얻을 수 있는 엔지니어들. 누가 기다리기보다 이해를 깊게 하는 데 해결사 예산을 쓰나요. 그건 미래의 워크플로우가 아닙니다. 지금 바로 이용 가능합니다 – Simcenter Physics로 제작되었습니다Simcenter Inspire에 AI를 도입하세요.
AI 지원 설계가 여러분의 엔지니어링 작업 흐름에 어떤 변화를 가져올지 궁금하신가요? Simcenter 물리에 대해 더 알아보세요AI와 함께 기존 시뮬레이션 데이터를 가장 강력한 설계 자산으로 활용하는 방법을 알아보세요.
