들어가며
CFD는 상세 해석에 필수적이지만, 수많은 설계 반복이나 최적화를 돌리려면 계산 자원과 시간이 만만치 않습니다. 이 문제의 답으로 등장한 것이 축소차수모델(ROM, Reduced Order Model)입니다 — 복잡한 유동장과 핵심 물리량(응답)을 빠르게 예측하는 근사 모델이죠.
Simcenter STAR-CCM+에서는 Design Manager가 설계 스터디를 지휘하는 중앙 플랫폼 역할을 하고, 별도 설치되는 Simcenter PhysicsAI가 그 데이터를 학습해 AI 기반 ROM을 만들어 다시 Design Manager에 자동 통합합니다. 이 글에서는 공식 튜토리얼 "AI ROM: Minimizing Drag Around an Aerodynamic Body"의 전체 흐름을 살펴봅니다.
• AI ROM의 개념 — Design Manager와 Simcenter PhysicsAI의 역할 분담
• 문제 설정 — 파라미터화된 2D 공력 형상과 세 개의 입력 파라미터
• 적응 샘플링(Adaptive
Sampling)으로 학습 데이터 수집 (30개 설계)
• Surface/Volume AI ROM 생성과 학습, Loss Plot 읽기
• DOE(16개) + Test Study로 AI ROM 검증
• AI ROM 기반 최적화 (120개 설계) 및 Top 3 실해석 확인
1. AI ROM이란? — 역할 분담부터
AI ROM 워크플로우에는 두 주인공이 있습니다. Design Manager는 전략적인 유동 해석 세트를 정의·실행해 다양한 설계 구성의 유동장과 응답을 담은 학습·검증 데이터를 생성합니다. Simcenter PhysicsAI는 이 데이터를 분석해 설계 공간의 지배적 거동과 KPI를 모델링하고, 복잡한 해석 출력을 빠른 데이터 기반 모델로 변환합니다.
학습이 끝난 AI ROM은 자동으로 Design Manager에 다시 통합되어, 이후의 스터디에서 CFD 대신 평가 엔진으로 쓸 수 있습니다. 단, Simcenter PhysicsAI는 Design Manager와 함께 동작하려면 별도 설치가 필요합니다.
• Design Manager = 데이터 생성·스터디 오케스트레이션 / PhysicsAI = ROM 학습 엔진
• 학습된 ROM은 Design Manager 안에서 '평가 방법(Evaluation Method)'으로 그대로 선택 가능
2. 문제 설정 — 파라미터화된 공력 형상
파라미터화된 공력 물체(aero body) 주위의 유동을 해석하며, 목표는 항력(Drag) 최소화입니다. 유동장과 응답을 세 파라미터로 학습합니다 — 형상 파라미터 P_D1_r, P_D2_r과 유입 속도 P_V. 계산량을 줄이기 위해 2D 대칭 형상을 사용하며, 공식 문서도 "산업적으로 현실적인 문제라기보다 워크플로우를 빠르게 시연하기 위한 작은 데이터셋"이라고 명시하고 있습니다.
 |
| 그림 1. 파라미터화된 2D 공력 형상 — P_D1_r, P_D2_r로 형상 제어 (출처: STAR-CCM+ User Guide) |
|
항목 |
설정 |
|
목표 |
항력(Drag) 최소화
— 고정 유입속도 8.5 m/s에서 |
|
입력 파라미터 |
P_D1_r (0.05~0.5), P_D2_r (0.75~2.25), P_V (7.5~12.5
m/s) |
|
학습 데이터 |
Adaptive Sampling 30개 설계 |
|
검증 |
DOE(Latin Hypercube) 16개 + AI
ROM Test Study |
|
최적화 |
AI ROM 기반 120개 설계 (CFD 없이 예측) |
|
해석 차원 |
2D · 대칭 물체 (데모
목적) |
전체 워크플로우는 다섯 개의 스터디로 이어집니다: ① 적응 샘플링(학습 데이터 수집) → ② DOE 스터디(검증용 CFD 결과) → ③ Test Study(AI 예측과 CFD 비교) → ④ 최적화 스터디(AI ROM으로 최저 항력 탐색) → ⑤ Manual 스터디(상위 3개 설계 실해석 확인).
3. 학습 데이터 수집 — Adaptive Sampling
참조 시뮬레이션(aero_body_start.sim)의 루트 노드에서 Create Design Manager Project를 실행하고, 새 Design Study의 Study Type을 Adaptive Sampling으로 설정합니다. 적응 샘플링은 서로게이트(surrogate) 계산이 샘플링 경로를 안내하는 방식으로, 설계 공간의 복잡성을 효율적으로 포착하는 설계점들을 찾아냅니다.
|
설정 항목 |
값 / 내용 |
|
Designs to Run |
30 — 이 모델 크기에는 30개
샘플로 충분 |
|
Responses to Consider |
Drag — 이 응답의 서로게이트가 샘플링을 안내 |
|
Responses |
Cd, Drag, PressureDrop |
|
Input Parameters 범위 |
P_D1_r [0.05, 0.5] / P_D2_r [0.75, 2.25] / P_V [7.5,
12.5] m/s |
|
Run Settings |
동시 실행 8개 설계 ×
설계당 1코어 |
이 스터디의 핵심은 AI ROM Datasets 노드입니다. 벽면 경계의 항력을 예측할 Surface AI ROM을 위해 Surface Dataset을, 압력장을 예측할 Volume AI ROM을 위해 Volume Dataset을 만듭니다.
• Surface Dataset — Inputs:
All Boundaries, Responses: Drag. 응답을 선택하면 관련 출력 필드(Density, Static Pressure, Wall
Shear Stress)가 자동 표시됨
• Volume Dataset — Output
Fields: Pressure (나중에 Test Study에서 압력장 비교에 사용)
 |
| 그림 2. Adaptive Sampling 스터디의 AI ROM Datasets 구성 (출처: STAR-CCM+ User Guide) |
4. AI ROM 생성과 학습
AI Reduced Order Models 노드에서 Simcenter PhysicsAI Command가 PhysicsAI 설치 경로의 run_physicsai_server를 가리키는지 먼저 확인합니다 — 별도 설치된 PhysicsAI가 실제 학습을 수행하기 때문입니다. 그다음 두 개의 AI ROM을 만듭니다.
|
속성 |
AI ROM Surface |
AI ROM Volume |
|
Field Type |
Surface |
Volume |
|
Training Dataset |
Surface Dataset (Successful) |
Volume Dataset (Successful) |
|
Output Fields |
자동 채움 (Drag 관련 필드) |
Pressure |
|
Parameters |
P_D1_r, P_D2_r, P_V |
P_D1_r, P_D2_r, P_V |
|
Responses |
Drag |
PressureDrop (Cd·Drag는 표면 값이므로 제거) |
|
Epochs |
1000 (기본값) |
1000 (기본값) |
|
Field Model Sample Points |
100 |
300 |
Sample Points에 대한 실무 지침: 이 튜토리얼은 포인트가 매우 적어 최솟값을 썼지만, 일반적인 산업 케이스에서는 전체 face 수(표면 모델) 또는 cell 수(볼륨 모델)의 0.5~5%를 권장합니다.
Solution Representation 호환성 — 응답 모델이 필요한 순간
대부분의 응답은 예측된 3D 유동장에서 유도할 수 있지만, 일부 응답은 그렇지 않습니다. 각 report의 Compatible with Solution Representation 속성(읽기 전용)을 확인하세요. 이 튜토리얼에서 PressureDrop은 비호환이므로, 이 값을 예측하려면 별도의 Response 모델을 명시적으로 학습해야 합니다.
Start Train > All로 학습을 시작하면 모델별 Loss Plot이 열립니다 — Training Loss와 Validation Loss(각각 smoothed/un-smoothed), 그리고 Best Training/Validation Loss 마커가 표시됩니다. 잘 학습된 AI ROM은 epoch가 진행되며 두 loss가 수렴합니다.
5. 검증 — DOE + Test Study
① DOE Validation 스터디 (CFD 정답 생성)
|
설정 항목 |
값 / 내용 |
|
Study Type / DOE Type |
DOE / Latin Hypercube Sampling — 표본을 도메인에
고르게 분산 |
|
Designs to Run |
16 |
|
Input 범위 (서브도메인) |
P_D1_r [0.1, 0.2] / P_D2_r [1.5, 2.0] / P_V [8.0,
10.0] m/s |
|
Save Simulation Files |
Successful — Test Study에서 쓰려면
sim 파일 저장이 필수! |
② AI ROM Test Study (예측 vs 정답 비교)
 |
| 그림 4. Test Study 대시보드 — CFD 압력장 vs AI ROM 예측 압력장 비교 (출처: STAR-CCM+ User Guide) |
6. AI ROM 최적화 — CFD 없이 120개 설계
|
설정 항목 |
값 / 내용 |
|
AI ROM / Inputs |
AI ROM Surface / All Wall Boundaries |
|
Optimization Type |
Weighted sum of all objectives |
|
Designs to Run |
120 |
|
Input Parameters |
P_D1_r [0.05, 0.5] (증분
7.5E-4) / P_D2_r [0.75, 2.2] (증분 0.0075) / P_V = 상수 8.5 m/s |
|
Response |
Drag — AI Evaluation Method: Response Model, Is
Objective 활성, Goal: Minimum |
|
Run Settings |
동시 8개 × 1코어 |
마지막 단계 — Top 3를 실제 CFD로 확인
1. Design Sets에서 Sort N Design Set 생성 — Sort by: Drag, Smallest to Largest, Maximum 3
2. Export to CSV로 상위 3개 설계 파라미터 내보내기
3. Manual 스터디를 만들어 CSV를 Design Table로 임포트 → Run Study
4. 상위 3개 설계의 실제 유동장(압력 분포)을 시뮬레이션으로 확인
— AI 예측의 최종 검증
 |
| 그림 5. 최적화 결과 — 최저 항력 설계와 Top 3 압력장 비교 (출처: STAR-CCM+ User Guide) |
7. 실행 요건과 실무 체크리스트
라이선스 · 설치
• Simcenter STAR-CCM+
Intelligent Design Exploration 라이선스 — 적응 샘플링, DOE, 최적화 스터디 실행에 필요
• Simcenter PhysicsAI는 별도 설치 후, AI Reduced
Order Models 노드에서 실행 경로(run_physicsai_server)를 지정
• 권장 자원(본 튜토리얼): 동시 실행 8개 설계 × 설계당 1코어
권장 워크플로우
1. 참조 시뮬레이션을 확인하고 Create
Design Manager Project로 프로젝트를 만든다.
2. Adaptive Sampling 스터디로 학습 데이터(Surface/Volume
Dataset)를 수집한다.
3. Surface·Volume AI ROM을 만들고 학습한다 — Loss 수렴
확인.
4. DOE + Test Study로 예측 정확도를 검증한다 (sim 파일
저장 필수).
5. AI ROM 평가 기반 최적화 스터디로 설계 공간을 빠르게 탐색한다.
6. 상위 설계만 Manual 스터디에서
실제 CFD로 재확인한다.
실무 팁
• Field Model Sample Points는 face/cell 수의 0.5~5%가 권장 — 너무 적으면 정확도, 너무 많으면 학습 시간이 문제
• AI ROM에 선택하는 응답(Responses)은
이후 그 ROM을 쓸 스터디의 응답과 일치해야 함
• Solution Representation 비호환 응답(예: PressureDrop)은 Response Model 학습이 필수
• 적응 샘플링은 서로게이트 기반으로 설계점을 자동 선정하므로 실행마다 세부 결과가
달라질 수 있음
댓글 없음
댓글 쓰기