Ansys는 최첨단 인공 지능 및 머신 러닝(AI/ML) 기술을 기반으로 물리 모델의 정확성과 실제 데이터의 인사이트를 원활하게 통합하는 Ansys TwinAI 디지털 트윈 솔루션을 출시했습니다. TwinAI 소프트웨어는 탁월한 정밀도와 속도를 제공하는 동시에 디지털 트윈의 잠재력을 최대한 활용합니다.
Ansys 디지털 트윈 제품에 추가된 이 기능을 통해 시뮬레이션 엔진 및 운영 체제 데이터 스트림과 관련하여 클라우드 인프라에서 찾을 수 있는 것과 더 밀접한 환경에서 디지털 트윈 모델을 생성, 검증 및 배포할 수 있습니다. 이는 다음 세 가지 측면에서 이점을 제공합니다.
- Python 코드로 확장 가능한 차수 감소 모델(ROM) 또는 FMU(Functional Mock-up Unit)를 사용하여 디지털 트윈을 생성합니다.
- 하이브리드 분석을 통해 트윈의 정확성을 향상합니다. 예를 들어 현장에서 들어오는 새로운 데이터로 기존 트윈을 보정하거나 ML 기반 모델을 사용하여 예측과 측정 사이의 차이를 메웁니다.
- 클라우드 및/또는 에지 배포 프로세스를 단순화하고 간소화합니다.
차수 감소 모델(ROM)은 엔지니어와 설계자가 최소한의 계산 리소스를 사용하여 시스템의 지배적인 효과를 신속하게 연구할 수 있도록 소스 모델의 거동을 포착하는 복잡한 모델을 단순화한 것입니다.
디지털 트윈 구현의 과제
디지털 트윈을 구현할 때 일반적으로 몇 가지 과제에 직면합니다.
첫째, 트윈으로 추적하려는 자산과 효과에 대한 충분히 정확한 재현 생성으로 구성된 디지털 트윈 생성 및 검증은 일반적으로 트윈을 배포 및 실행하는 데 사용되는 환경과 반드시 일치하지는 않는 모델링 환경에서 수행됩니다. 이러한 차이점은 트윈에 사용되는 입력 데이터를 공급하는 다양한 메커니즘, 모델을 시뮬레이션하는 데 사용되는 다양한 솔버 또는 다양한 운영 체제와 같은 여러 측면에서 발생할 수 있습니다. TwinAI 소프트웨어는 생성된 트윈을 가져오고, 다양한 운영 체제에서 실행해야 할 경우 모델을 교차 컴파일하며, 트윈 시뮬레이션을 테스트 및 검증하여 배포 전에 실행 성능과 정확도가 예상대로인지 확인할 수 있는 그래픽 환경을 제공합니다.
성능이 뛰어나고 정확한 트윈 모델을 생성하는 것은 한 단계이지만, 디지털 트윈을 구현하려면 추가적인 고려 사항이 필요합니다. 특히 트윈 실행을 다른 애플리케이션에 연결된 대규모 배포 워크플로에 어떻게 통합할 수 있습니까? 예를 들어 연결된 자산에서 획득한 데이터를 트윈에 전달하고 시계열 및/또는 2D 및 3D 필드 데이터 시각화의 형태로 트윈에서 예측을 수집하며 이러한 예측을 사용하여 트윈 소비자와 관련된 핵심 성과 지표를 도출하려면 어떻게 해야 합니까? 이러한 측면에서 TwinAI 소프트웨어는 트윈을 조작하고 실행하는 데 사용할 수 있는 직접 애플리케이션 프로그래밍 인터페이스(API)를 통해 이식 가능하고 확장 가능한 런타임 애플리케이션 형태로 트윈 모델을 패키징할 수 있는 기능을 갖추고 있습니다. 또한 사용자가 구현 환경에 트윈을 통합하기 위해 직접 사용하고 확장할 수 있는 스캐폴딩(scaffolding) 배포 애플리케이션 코드를 생성할 수도 있습니다.
Ansys PyAnsys 패키지 중 하나인 Ansys PyTwin 제품은 Python 기반 워크플로와 통합할 수 있는 이러한 API의 Python 버전에 대한 액세스를 제공합니다. Python 및 웹 애플리케이션 스캐폴딩 코드 외에도 노출된 REST API 세트와 함께 제공되는 트윈 애플리케이션의 컨테이너화된 버전을 제공하는 옵션이 있습니다. 이때 이 REST API 세트는 일반적으로 클라우드 및 사물 인터넷 애플리케이션 통합에 더 적합한 세트입니다. 컨테이너는 트윈 애플리케이션뿐만 아니라 이를 적절하게 통합하고 실행하는 데 필요한 모든 종속성을 패키징하여 클라우드에서 대규모로 쉽게 배포할 수 있다는 장점이 있습니다.
디지털 트윈을 성공적으로 구현하는 방법
몇 가지 예를 사용하여 디지털 트윈 배포와 그 이점을 설명할 수 있습니다. 예를 들어 Ansys는 고객인 공익 기업에 모니터링 솔루션을 제공하기를 원하는 선도적인 유동 장비 제조업체와 협력해 왔습니다. 그러나 비용과 타당성 때문에 진단 센서를 추가할 수 없었습니다. 이 장비 제조업체는 Ansys 제품과 하이브리드 디지털 트윈을 사용하여 실제 유량만큼 정확한 가상 센서의 예측을 통해 공익 기업의 유동 네트워크에 대해 물리학적으로 정확한 재현을 구축했습니다.
하이브리드 디지털 트윈 솔루션 아키텍처
또 다른 예는 강철 또는 유리 제조와 같이 에너지를 많이 사용하는 산업에서 찾을 수 있는데, 이런 산업에서는 일반적으로 고온과 열악한 조건으로 인해 물리적 센서를 설치할 수 없습니다. 물리 기반 모델과 ROM에서 디지털 트윈을 생성할 수 있으면 다양한 수량을 정확하고 빠르게 예측할 수 있으므로 제조 공정을 제어하고 생산 품질을 극대화하는 데 도움이 됩니다. ("시뮬레이션으로 생산 중 Tata Steel의 열 완화" 및 "디지털 트윈이 Tata Steel Nederland의 목표 달성에서 혁신적인 동력이 된 방법"을 참조하십시오.)
배경에 보이는 용광로에서 철강 공장으로 운반되는 토페도 레이들 카(TLC), 이미지 제공: Tata Steel
"혁신은 발전을 촉진하며, Tata Steel Nederland는 지속 가능성을 향한 혁신적인 여정을 개척하고 있습니다. 우리는 시뮬레이션과 AI의 강력한 기능을 활용하여 생산 공정을 최적화하고 에너지 손실을 최소화하며 탈탄소화 목표를 향해 나아가고 있습니다. Ansys TwinAI 소프트웨어는 시뮬레이션과 데이터를 AI와 원활하게 결합하여 철강 제조 분야에서 더욱 깨끗하고 친환경적인 미래를 위한 혁신을 일으킵니다. 2030년까지 30%~40%의 CO2 감축 목표와 2045년까지 탄소 중립을 실현하기 위해 Tata Steel Nederland가 에너지 효율성을 활용하고 탈탄소화 목표를 달성하는 데 Ansys TwinAI 소프트웨어는 중요한 역할을 합니다."
- Paul van Beurden, Tata Steel Nederland의 연구 개발 지식 그룹 리더
마지막으로, 글로벌 자동차 공급업체와 협력하여 전기차 시스템의 상세한 시뮬레이션 기반 디지털 트윈 모델을 배포할 수 있는 가능성을 입증함으로써 사용자가 선택한 편리한정책을 기반으로 주행 거리를 정확하게 예측할 수 있었습니다. ("EV 주행 거리 이면의 미적분학 이해: 어느 정도 거리면 충분합니까?"를 참조하십시오.)
COVESA 차량 신호 사양 및 digital.auto와 Ansys 전기차(EV) 디지털 트윈 통합을 보여줍니다. COVESA 애플리케이션 프로그래밍 인터페이스(API)를 호스팅하는 digital.auto 플랫폼은 프런트엔드에 나타나지만, Ansys EV 디지털 트윈은 백엔드에서 작동합니다.
TwinAI 소프트웨어 기능은 이러한 모든 다양한 사용 사례의 핵심으로, 디지털 트윈 모델을 생성하고 하이브리드 분석 기능으로 확장할 뿐만 아니라 스캐폴딩 코드 및 컨테이너 생성을 통해 배포 프로세스를 간소화하는 데 도움이 됩니다.
원활한 구현를 위한 협업 촉진
디지털 트윈 생성 및 배포 활동에는 일반적으로 다양한 사람들과 팀이 처리하는 여러 단계가 포함됩니다. 한편에는 모델 및 예측 정확성, 견고성, 실행 성능 등을 검토하는 애플리케이션 모델링 및 시뮬레이션 전문가가 참여하는 모델링 생성 및 검증 단계가 있습니다. 다른 한편인 배포 작업에는 정보 기술 및 운영에 더 가까운 사람들이 참여하는데, 이들은 API와 애플리케이션 통합 및 구현에 더 관심이 많습니다.
앞서 설명한 대로, 애플리케이션 전문가가 생성하고 검증한 모델을 운영 환경에 배포할 때 일관된 방식으로 재사용할 수 있도록 보장하는 것이 매우 중요합니다. TwinAI 소프트웨어는 여러 측면 간의 격차를 해소하여 모델과 디지털 트윈을 하나로 통합하고, 트윈을 배포하고 실행하는 데 사용되는 환경과 동일한 기술을 사용하는 다른 환경에서 모델과 트윈을 검증할 수 있도록 지원합니다. TwinAI 소프트웨어는 제공된 API와 통합될 수 있는 이식 가능한 독립형 애플리케이션을 생성합니다.
향후 개발
향후 개발을 위해 여러 영역을 고려하고 있으며 디지털 트윈 생성 및 배포 여정을 계속 지원할 것입니다.
향후 중요한 이점 중 하나는 모델링 관점에서 점점 더 많은 디지털 트윈 생성 기능을 도입하여 전체 트윈 생성 및 실행 프로세스를 간소화하는 것입니다. 예를 들어 곧 출시될 2024 R2 릴리스부터 TwinAI 소프트웨어에 ROM 기능을 도입하여 사용자가 단일 환경을 사용해 ROM 기반 트윈을 쉽게 구축하고 구현할 수 있도록 합니다.
또 다른 중요한 영역은 하이브리드 디지털 트윈 및 AI/ML과 관련된 기능을 계속 추가하여 물리 기반 트윈이 현장에 배포될 때 데이터로 더욱 정확해지고 업데이트될 수 있도록 하는 것입니다. 또한 더 많은 배포 및 API 관련 기능을 제공하여 통합 및 전체 배포를 용이하게 함으로써 IoT 파트너 및 배포 에코시스템을 계속 지원할 것입니다.
자세한 내용을 보려면 Ansys TwinAI: 물리 정확성과 데이터 기반 인사이트의 결합 웨비나에 등록하십시오.
