AI융합센터 김종오 파트장, 장미선 선임, 백대유 연구원

1. 설계분야 AI 기술

전통적으로 설계 과정은 '그림 1'과 같이 설계요구사항을 만족하기 위하여 CAD(Computer-Aided Design) 프로그램을 이용해 설계를 수행합니다. 이후 CAE(Computer-Aided Engineering) 프로그램을 통해 설계한 제품이 요구사항을 충족하는지 평가하기 위한 시뮬레이션을 진행합니다. CAE 작업에서 충분한 성능이 검증되면 시제품을 제작하고 테스트를 거칩니다. 설계 과정은 제품 성능을 높이고 제조 비용을 낮추기 위해 반복됩니다.

설계 대상이 복잡하고 고려해야 할 물리 법칙이 다양할수록, 설계자는 요구사항을 만족시키는 데 필요한 수많은 설계 변수를 결정하기 어려워집니다. 이 때문에 설계자는 정확한 방향성 없이 기존 경험에 의존하거나 반복 작업을 수행하는 경우가 많았습니다. 특히 유한요소해석 기반의 CAE 작업은 모델링과 해석에 매우 많은 시간을 요구하는 노동 집약적인 작업으로, 전체 설계 과정에서 큰 비중을 차지합니다.

그림 1. 전통적인 설계과정

전통적으로 설계 과정은 '그림 1'과 같이 설계요구사항을 만족하기 위하여 CAD(Computer-Aided Design) 프로그램을 이용해 설계를 수행합니다. 이후 CAE(Computer-Aided Engineering) 프로그램을 통해 설계한 제품이 요구사항을 충족하는지 평가하기 위한 시뮬레이션을 진행합니다. CAE 작업에서 충분한 성능이 검증되면 시제품을 제작하고 테스트를 거칩니다. 설계 과정은 제품 성능을 높이고 제조 비용을 낮추기 위해 반복됩니다.

그림 2. AI예측모델기반 설계과정

KR은 선체 구조 부재 설계에 AI-CAE를 적용한 사례를 소개하고, AI예측모델의 활용 방안을 공유하고자 합니다.

2. 설계분야 AI 기술

선체는 많은 판과 보강재로 이루어진 복잡한 구조물로, 여러 판이 만나는 지점에서는 다양하고 복잡한 응력(외부 힘에 저항하기 위해 내부에 발생하는 단위 면적당 힘)이 발생합니다. IACS 공통구조규칙은 이러한 부재들이 만나는 지점의 안전성을 확보하기 위해 미세요소모델링 후 응력 해석과 피로 해석을 의무적으로 요구합니다. 미세요소모델링이 필요한 위치는 구조가 복잡하고 형상이 다양하며, 작업 대상 위치가 많아 설계자에게 많은 시간을 요구합니다.

특히 여러 부재가 만나는 위치에는 구조 안전성을 확보하기 위해 브라켓이 설치됩니다. 복잡한 구조에 설치되는 브라켓에 발생하는 응력은 매우 다양한 형태로 나타나기 때문에 값을 예측하기 어렵습니다. 이로 인해 설계자는 적절한 브라켓의 형태와 치수를 결정하기 위해 반복적인 미세요소모델링과 해석 작업을 수행해야 하며, 이는 전체 설계 과정의 큰 병목 구간으로 작용합니다.

KR은 브라켓 설계 변수(브라켓 반지름, 브라켓 두께, 토우 높이)**에 대한 응력 값 AI예측모델을 개발하였으며, KR의 대표 기술 소프트웨어인 SeaTrust-HullScan에 탑재하여 AI-CAE의 가능성을 확인했습니다. AI예측모델의 프레임워크는 '그림 3'와 같이 학습 데이터 생성, 모델 학습, 모델 활용으로 구성됩니다.

그림 3. AI예측모델 프레임워크 구성

신뢰성 있는 모델을 만들려면 충분한 학습 데이터를 확보해야 합니다. AI-CAE 학습 데이터는 유한요소모델링 데이터와 그에 대한 구조 해석 데이터로 구성되기 때문에, 수동으로 데이터를 생성하는 것은 매우 비효율적이고 많은 시간이 소요됩니다. 

이를 해결하기 위해, 브라켓 설계 시 사용되는 설계 범위 내에서 유한요소모델링과 구조 해석 작업을 자동화했으며, 유한요소모델로 구성된 브라켓의 응력을 적절하게 표현할 수 있는 신경망 모델을 선택하여 AI예측모델 학습을 진행했습니다. 이렇게 생성된 AI예측모델은 사용자 환경에서 설계 생산성을 높이는 다양한 목적으로 활용될 수 있습니다.

전통적인 설계에서는 브라켓의 형상과 치수를 입력하고 유한요소모델을 생성한 후 구조 해석을 거쳐 평가를 수행했습니다. 하지만 AI예측모델을 이용하면 기존의 복잡한 유한요소모델링 및 구조 해석 작업을 대체할 수 있습니다. 설계자가 브라켓의 형태와 치수를 입력하는 동시에 AI예측모델이 실시간으로 브라켓에 작용하는 응력과 위치를 보여줍니다. 

이를 통해 설계 작업과 동시에 현재 설계안을 평가할 수 있으며, 다양한 설계 후보를 동시에 검토할 수 있습니다. 설계자는 검토한 설계 안 중 최적의 설계를 선택하고, AI예측모델에 대한 신뢰성 검증을 위해 최종적으로 구조 해석 작업을 수행합니다. 이처럼 AI예측모델은 병목 구간이었던 모델링과 해석 작업을 대체하여 설계 시간을 대폭 줄이고 복잡한 과정을 혁신할 수 있습니다. 이는 다양한 설계를 빠르게 검토하여 의사 결정을 가속화합니다.

그림 4. AI예측모델기반 브라켓 설계순서

3. AI예측모델 활용

브라켓 응력 AI예측모델은 SeaTrust-HullScan에서 다양하게 활용될 수 있습니다. 기존에는 모델링 후 구조 해석을 위해 '서버 업로드 > 해석 > 결과 다운로드' 절차를 거쳐야 했지만, 이제 브라켓의 형태와 치수를 입력하면 모델링과 동시에 브라켓 내의 응력과 위치를 실시간으로 확인할 수 있습니다('그림 5'). 

또한 AI예측모델을 이용해 설계자가 고려하는 다양한 설계 후보에 대한 예측을 동시에 평가하고, 주요 설계 매개변수에 따른 결과를 정렬하여 효율적인 설계 검토를 수행할 수 있습니다.

특히 여러 부재가 만나는 위치에는 구조 안전성을 확보하기 위해 브라켓이 설치됩니다. 복잡한 구조에 설치되는 브라켓에 발생하는 응력은 매우 다양한 형태로 나타나기 때문에 값을 예측하기 어렵습니다. 이로 인해 설계자는 적절한 브라켓의 형태와 치수를 결정하기 위해 반복적인 미세요소모델링과 해석 작업을 수행해야 하며, 이는 전체 설계 과정의 큰 병목 구간으로 작용합니다.

그림 5. 실시간 모델링 응력예측

AI예측모델을 이용하여 입력과 출력관계인 ‘설계변수’-‘최대응력’ 반응 곡면을 3차원 그래프로 표현하였습니다('그림 6', 응답 평면 그래프 - X축: 브라켓 토우 높이, Y축: 브라켓 반지름, Z축: 최대 응력). 두께가 변해도 유사한 곡면 형상을 보이며, 반지름과 토우 높이 모두 최대 응력에 영향을 주지만 반지름의 영향이 더 큰 것을 알 수 있습니다. 특히 브라켓 반지름과 토우 높이가 낮은 구간에서는 최대 응력의 변화가 비선형적으로 나타납니다. 만약 이러한 비선형 구간에서 설계를 진행하고 있다면, 결과 예측이 어렵기 때문에 많은 시간을 소모할 수 있습니다.

그림 6. ‘설계변수’-‘최대응력’ 반응곡면

이처럼 AI예측모델을 이용하면 설계 결과를 빠르게 확인하는 것 외에도, 설계 변수별 영향도와 민감도를 파악할 수 있으며, 요구사항을 만족시키는 설계 범위를 설계 초기단계에서 직관적으로 알 수 있습니다.

4. 결론

브라켓 응력 AI예측모델과 그 활용 방안에 대해 소개했습니다. 개발된 AI예측모델은 다양한 CAD 및 CAE 응용 프로그램과 결합하여 활용될 수 있으며, 전통적으로 전문가 영역이었던 CAE 작업을 쉽고 빠르게 수행할 수 있도록 도와줍니다. 다양한 디자인 후보군에 대한 빠른 탐색이 가능해져 기존의 최적 솔루션을 뛰어넘는 기회를 제공할 수 있습니다. 또한 설계자는 노동 집약적인 CAE 작업에서 벗어나 평가와 좋은 설계안을 찾는 더 고차원적인 작업에 집중할 수 있게 됩니다.