Ansys optiSLang AI+ 알아보기

Introduction 

Ansys optiSLang®은 CAE 프로세스를 자동화하고 설계 최적화를 수행할 수 있는 강력한 소프트웨어 플랫폼이다. 이 프로그램은 다양한 엔지니어링 분야에서 활용되고 있으며, 최근 도입된 AI+ 기능을 통해 인공지능과 머신러닝을 활용하여 복잡한 설계 문제를 해결하고 다양한 솔루션을 도출하는 데 탁월한 성능을 보여준다. 이번 호에서는 Ansys AI+ 제품군 중 optiSLang AI+ 모듈의 핵심 기능 두 가지와 적용 사례를 살펴보겠다.

■ Ansys optiSLang이란?

간단하게 Ansys optiSLang에 대하여 살펴보겠다.

 

[그림 1] 최적화 프로세스

 

이 프로그램은 PIDO (Process Integration Design Optimization) Tool로 Process Integration은 시뮬레이션 과정을 자동화하는 방식을 의미하며, Design Optimization은 설계를 이해하고 기존대비 향상한 제품 설계를 할 수 있도록 도와주는 최적화 프로그램이다. 
 최적화를 수행하기 위해 위와 같은 4단계로 진행한다. 첫번째, 설계변수인 Input과 설계의 성능을 평가하는 Response를 설정한다. 두번째, 민감도 분석에서 샘플링 개수를 설정하고 해석으로 계산된 결과값을 얻는다. 이를 바탕으로 Surrogate Model을 만들면 제품의 전반적인 이해를 도모할 수 있고 Response가 크게 변화는 영향력이 큰 설계변수를 확인할 수 있다. 세번째인 최적화 단계에서는 response로 설정했던 값을 목적함수와 제한변수로 최적화 목적에 따라 나누고 앞서 설정했던 surrogate model를 기반으로 최적화 모델을 선정하여 최적화를 수행한다. 목적함수는 최대/최소와 같은 최적화하고자 하는 대상을 수학적으로 표현하고 제한변수는 최적화 문제에서 고려해야 할 제약 조건을 나타내는 변수다. 네번째는 검증단계로 surrogate model기반의 최적화 결과는 근사값이기 때문에 항상 도출된 최적값은 실제 해석을 수행해서 그 결과를 검증해야 한다.

 

 

■ Ansys AI

 

[그림 2] Ansys AI 제품

 

 

Ansys에서 제공하는 AI 제품은 Ansys AI+, Ansy SimAI™, AnsysGPT™, 로 총 3가지가 있다. Ansys AI+는 Ansys 제품군에 AI기능이 탑재된 애드온 형태이다. Ansys Fluent®, Ansys Mechanical™, Ansys optiSLang®, Ansys Granta® 등에서 사용이 가능하며 이번 호에서 알아볼 내용인 optiSLang AI+ 모듈에 대하여 살펴볼 예정이다.

 

 

■ optiSLang AI+ License

 

 [그림 3] optiSLang License Chart

 

optiSLang의 라이선스는 Pro, Premium, Enterprise로 구분되며, 2024 R1부터 AI+가 새롭게 출시되었다. 기존에는 Enterprise 라이선스에 AI+ 기능이 포함되어 있었으나, 2024버전부터는 별도로 분리되었다. 이로 인해 고급 기능들을 사용할 수 있는 고가의 값비싼 Enterprise 라이선스를 구매하지 않아도 Field meta-modeling (signals, 2D/3D)과 Advanced meta-modeling for scalars와 같은 기능들을 사용할 수 있게 되었다. 이 두 가지 기능에 대하여 자세히 살펴보도록 한다.

 

 

■ optiSLang AI+ 

optiSLang AI+의 추가 기능은 아래 표에서 확인할 수 있다. 표의 1번 항목은 Advanced meta-modeling for scalars에 대한 내용으로 AI 알고리즘을 활용하여 설계 탐색, 메타 모델 생성, 최적화를 진행할 수 있다. 2번 항목은 Field meta-modeling(Signal, 2D/3D)에 관한 내용으로 기존 메타모델보다 더 효과적으로 해석 결과를 분석할 수 있는 방법이다. 각 내용에 대하여 살펴보겠다.

 

[그림 4] optiSLang AI+ 기능

 

 

1. AI 기반 학습 알고리즘

 첫째, 기존 optiSLang에서는 Polynomial, Kring, Moving Least Squares, GARS, RBF와 같은 Surrogate model을 만드는 방법들을 사용하여 메타모델링을 수행한다. 그러나 계산된 솔버의 오류나 노이즈가 샘플링 포인트에 있다면 존재할 경우, 이러한 모델들은 과적합(overfitting)e되는 경향들이 있다. 또한, 입력변수가 크게 증가하면 메타모델의 정확도가 급격히 저하되는 경우가 있다. 
 고차원 문제를 충분한 정확도로 표현하기 위해서는 optiSLang AI+기능에 포함된 DFFN(Deep Feed Forward Network), DIM-GP(Deep Infinite Mixture – Gaussian Process), SVR 모델을 사용하여 설계 탐색, 메타 모델 생성, 최적화를 진행할 수 있다. 이러한 AI 기반 모델들은 수백에서 수천개에 이르는 설계변수를 처리할 수 있어, 복잡한 설계 시스템의 예측 모델을 구축하는데 특히 강력한 성능을 발휘한다. 

 

 
[표 1] 학습 알고리즘 특징 및 장점

 

AI+기능에서 사용되는 알고리즘의 특장점들에 대하여 기술했다.

각 알고리즘을 비교해 보면 

1. DFFN은 비선형 패턴 학습과 대규모 데이터 처리에 뛰어난 알고리즘
2. DIM-GP는 신경망과 가우시안 프로세스를 결합하여 다음과 같은 장점을 가진다. 
   -확장성
   -불확실성 모델링
   -다양한 데이터셋 처리 능력
   -낮은 하드웨어 요구사항
3. SVR은 고차원 데이터 및 비선형 데이터를 처리하는 회귀 알고리즘으로 다음과 같은 특징들이 있다. 
   -뛰어난 일반화 성능 
   -노이즈가 있는 데이터에 과적합(overfitting) 방지 

 

이러한 알고리즘들은 각각의 강점을 가지고 있어, 다양한 최적화 문제에 효과적으로 적용될 수 있다.

 

 
[표 2] 5차 벤치마크 함수에 대한 Kriging과 신경망의 수치적 성능 비교

 

표2를 통해 AI 알고리즘은 특히 대량의 데이터를 사용할 수 있는 기존의 비선형성을 잘 표현했던 방식보다 우수한 성능을 발휘하는 것을 확인할 수 있다. 비선형 함수의 5차원 벤치마크 함수로 성능 수치적 성능 비교를 한 도표이다. 샘플 수가 증가하면 Kriging 방법은 시간이 오래 걸리거나 실패하는 경우가 발생하는 반면, AI알고리즘 방법은 많은 샘플 수에서 상대적으로 빠른 시간 내에 계산을 완료할 수 있다.

 

 

2.   Field Metamodel 

 Field Metamodel 또는 Field MOP(Metamodel of Optimal Prognosis)는 Ansys optiSLang AI+에서 제공하는 고급 메타모델링 기법 중 하나다. 기존 optiSLang은 메타모델 및 최적화 결과를 Scalar형태로 값으로 확인할 수 있다. 그러나 이는 제한된 데이터만을 확인하는 방법이며, 데이터 값이 크게 변동하는 경우 분석에 어려움이 있을 수 있다. Field MOP 방법은 기존 MOP의 개념을 확장한 것으로, 1D Signal 그래프, 2D 및 3D 필드 결과까지 데이터를 효과적으로 처리할 수 있다. 이를 통해 보다 포괄적이고 심층적인 데이터 분석이 가능해진다.

 

[그림 5] Field MOP 결과

 

차랑내 온열 쾌적성을 해석한 사례를 살펴보면 에어컨에서 나오는 유속, 온도를 조절함으로써 승객이 느끼는 쾌적함이 달라진다. Field MOP 기능을 사용하면 설계 변수가 결과에 미치는 영향을 Contour로 시각화할 수 있어, 결과를 직관적으로 확인하고 이해할 수 있습니다. 이를 통해 차량 내부의 온열 환경을 최적화하는데 효과적인 도구로 활용될 수 있다.

 

 

[Field MOP 설정 Process] 

1.    optiSLang 3D Postprocessing 환경에서 수행 

 

 

 

 

2.    Mesh파일의 형상정보 csv파일 Import 

3.    설계변수와 Response의 정보가 저장된 Scalar Data를 Import

4.    optiSLang에서 민감도 분석을 통해 계산이 완료된 Field Design 데이터를 불러온다.

5.    optiSLang 3D Postprocessing에서 Field MOP를 생성하여 예측 모델 구축

 

6.    결과 분석

 
[Contour 결과]

 

 

위와 같은 절차를 통해 Field MOP로 시각화 결과를 만들 수 있다. 

 

 

[Field MOP 적용 사례] 

아래 그림들은 유동, 구조 등 각 물리현상을 다루는 솔버에 optiSLang으로 메타모델을 만들고 Field MOP를 적용한 사례들이다. 

이를 통해 Field MOP가 어떻게 활용되는지 확인할 수 있다. 

 

1.    유동해석 

[그림 12] Mixer 열유동해석 Field MOP 결과

 

3차원 Mixer형상에서 온도의 혼합을 파악하기 위한 열유동해석을 수행한 예시다. 일반적인 시뮬레이션으로는 수시간이 소요될 수 있지만, Field MOP로 데이터를 구축해 놓으면 큰 장점이 있다. 샘플링으로 계산되지 않은 조건들의 조합을 스크롤로 조절하여 실시간으로 데이터를 확인할 수 있다. 
솔버에서 다시 계산을 수행하면 수 시간이 걸릴 데이터 결과를 Field MOP를 사용하면 수 초 내에 그림 12의 동영상과 같이 확인할 수 있다. 이를 통해 Mixer 유동 공간의 속도와 온도 분포를 볼륨 형태로 신속하게 분석할 수 있다. 이는 설계 최적화 과정에서 시간을 크게 단축시키고 더 많은 설계 변수를 효율적으로 탐색할 수 있게 준다.

 

 

2.    열해석 

 

 

[그림 13] PCB 열해석 Field MOP 결과

 

그림 13은 PCB 보드 위에 칩이 실장된 모델의 열해석 사례이다. 칩의 위치, 환경 온도, 재료의 열팽창계수 등을 매개변수로 설정하고 해석을 진행하여 Von Mises 응력 분포를 확인한 결과이다. 그림 13에서 볼 수 있듯이, 설계 변수 조합에 따라 보드의 온도 분포와 응력 집중 부위가 달라지는 것을 시각적으로 확인할 수 있다. 이를 통해 특정 온도 범위 또는 응력 제한 조건을 만족하는 최적의 설계 솔루션을 도출할 수 있다.

 

 

맺음말

이번 호에서는 Ansys optiSLang AI+의 두 가지 핵심 기능인 AI 기반 알고리즘과 Field MOP에 대해 살펴보았다. AI 알고리즘을 활용함으로써 복잡하고 다양한 설계 변수를 포함하는 문제에 대해 더 높은 정확도와 빠른 속도로 근사 모델을 구축할 수 있다. 기존 optiSLang으로 최적화하는 방법은 단순한 스칼라 데이터로 결과를 확인하기 때문에 제한이 있을 수 있다. 그러나 Field MOP를 이용하면 스칼라 값이 아닌 필드 데이터로 결과를 볼 수 있기 때문에 보다 효과적으로 분석할 수 있다. 이러한 기능들은 엔지니어링 설계 과정에서 더욱 정교하고 효율적인 최적화를 가능하게 할 것으로 기대된다.