DEP AIWorks

공기역학/항력

충돌/측면 충돌

NVH 트림 바디

전 세계적으로 완료됨

모든 정확도 수치는 벤치마크 데이터 세트가 아닌 실제 고객 시뮬레이션 데이터를 기준으로 검증되었습니다. 동등성 점수는 AI 결과를 설계 결정에 사용하기 전에 예측별 신뢰도를 제공합니다.

물리 정보 기반 신경망(PINN)은 비용이 많이 드는 해석 솔버 실행을 대체합니다. 각 하중 조건별로 물리 방정식(나비에-스토크스 방정식, 유한 요소 방정식, LES)을 학습 손실 함수에 직접 내장하여 학습합니다. 스칼라 값, 시간 이력 곡선, 전체 3D 필드 윤곽을 예측합니다. 공기역학적 항력 및 차체 강성 예측에서 3% 미만의 오차를, 고도로 비선형적인 충돌 반응 예측에서 95% 이상의 R² 값을 제공합니다. 등가성 점수를 통해 AI 모델의 신뢰도를 검증한 후 설계 결정에 예측 결과를 활용합니다.

복잡한 어셈블리에서 형상 특징을 인식하는 머신 인텔리전스 기술로, 유한 요소 모델에서 리브, 보스, 필렛, 스폿 용접, MIG 용접, 구멍, 플랜지 등을 자동으로 식별합니다. 인식된 형상을 스마트 파라메트릭 핸들로 변환하여 CAD 작업 없이도 신속한 신규 설계 생성 및 AI 기반 컨셉 생성을 지원합니다. 다운스트림 AI 워크플로우를 위한 대규모 학습 데이터 생성을 촉진합니다. 주조, 스탬핑, 사출 성형 및 용접 어셈블리 형상을 지원합니다.

AI 기반 생성형 형상과 즉각적인 재예측 기능이 결합되었습니다. 모핑 기능을 통해 CAD 형상을 수정하여 스포일러 각도, 지붕 곡률, 패널 프로파일 등을 변경하면, 메시 재 생성이나 솔버 대기열 없이 AI가 예측한 성능 반응을 즉시 확인할 수 있습니다. 결과는 단 몇 초 만에 제공됩니다. 로컬 설계 반복을 위한 자동 서브 모델 생성, 메시 레벨에서의 생성형 토폴로지 생성(CAD로 돌아가지 않고 새로운 부품 생성), 그리고 형상, 두께 변화, 사전 변형, 왜곡을 포함한 제조 스캔 데이터를 명목상의 유한 요소 모델에 매핑하여 실제 시공 시뮬레이션을 구현하는 디지털 트윈 생성 기능이 포함되어 있습니다.

엔지니어의 지속적인 감독 없이도 완전한 다단계 CAE 워크플로우를 조율하는 자율 시뮬레이션 에이전트입니다. 에이전트형 AI는 런타임 요구 사항과 학습된 AI 모델의 가용성을 기반으로 물리 솔버와 AI 대체 모델 간에 작업을 지능적으로 분배합니다. 주요 기능으로는 다중 솔버 조율, 자율적인 야간 최적화 루프, 충돌, NVH, 강성 및 CFD 전반에 걸친 다중 분야 변수 동기화, 워크플로우 완료 시 3D가 포함된 보고서 자동 생성 등이 있습니다. 엔지니어는 제어권을 유지하고 에이전트형 AI는 부조종사 역할을 수행합니다.

모든 수치는 선별된 데이터 세트가 아닌 실제 운영 환경에서 실행된 솔버 결과를 기준으로 벤치마킹되었습니다.

다양한 차체 구성. 전체 차량 외부 유동

예측 정확도 대 솔버 기준선

차체 하중 사례. 다양한 차량 아키텍처(90개 이상의 변형 모델)

예측 정확도 대 솔버 기준선

B필러 가속도 시간 이력. 다중 하중 경로

상관 계수와 전체 솔버 실행 결과 비교

다양한 휠베이스, 루프 구성, 트림 처리된 차체

주파수 예측 대 솔버 기준선

CAD 프로그램으로 돌아가지 않고도 하나의 기준선에서 수백 가지의 시뮬레이션 준비 완료 변형을 생성할 수 있습니다

• 매개변수적 유한 요소 변경, 형태 변형 및 개념 모델링을 통해 메시 수준에서 다양한 형상, 두께 및 재질 변형을 생성할 수 있습니다.

• ROM은 변이 개체군을 빠르게 생성하여 해결 시간을 며칠에서 몇 시간으로 단축하고 풍부한 AI 학습 데이터 세트를 제공합니다.

• 모든 AI 모델의 성능은 학습 데이터의 질에 달려 있는데, 대부분의 조직은 충분한 학습 데이터를 보유하고 있지 않습니다.

• 다른 플랫폼들은 데이터 파이프라인이 이미 해결되었다고 가정합니다. 하지만 AIWorks는 이를 직접 구축합니다.

  
  
  

기본 차량 한 대에서 250개 이상의 충돌 모델 생성 - CAD 수정 작업 없음.

학습 시작 전에 수백 개의 모델에 걸쳐 형상, 두께 및 결과를 통계적으로 분석합니다

• 특허받은 복셀레이션 기술은 모든 변형을 로봇으로 스캔하여 공통된 3D 공간에 배치합니다. 이 공간에는 형상, 두께, 재질 및 결과 데이터가 통계적으로 매핑됩니다.

• 개별 파일을 메모리에 로드하지 않고도 전체 모집단(입력 및 출력)에 걸쳐 원인과 결과 간의 설계 지능을 보여줍니다.

• 기존 방식으로는 100개의 솔버 모델을 로드하는 것이 불가능합니다

• AI 모델의 품질은 단 한 번의 학습 에포크가 실행되기 전에 결정됩니다.

  
  
  

통계적 설계 공간 분석 엔진을 기본 사전 학습 단계로 제공하는 유일한 플랫폼입니다.

훈련 손실에 물리적 원리가 내재되어 있습니다. 유한 요소 방정식, 나비에-스토크스 방정식, LES 등이 포함되어 있으며, 나중에 덧붙인 것이 아닙니다

• 문제 유형별로 (약한 비선형, 중간 정도의 비선형, 고도의 비선형) 서로 다른 신경망 아키텍처를 사용하고, 각 아키텍처의 손실 함수에는 해당 물리 방정식이 반영되어 있습니다.

• 부하 조건에 따라 적응적으로 작동합니다. 배포 전에 모델의 신뢰도 범위를 설정하기 위해 학습 중에 동등성 점수 계산을 수행합니다.

• 표준 머신러닝은 훈련 데이터를 넘어서 맹목적으로 외삽을 수행하는데, 이는 엔지니어링 시뮬레이션에서 드러나지 않는 실패입니다.

• 손실에 작용하는 물리적 원리는 네트워크가 지배 방정식을 따르도록 강제하여 새로운 기하학적 구조에 대한 정확한 외삽을 가능하게 합니다.

세 가지 문제 유형별 아키텍처(약한 비선형, 중간 정도의 비선형, 고도의 비선형)를 각각 물리적 특성에 맞춰 조정했습니다.

각 부하 조건별로 예측 모델, 생성 모델, 신뢰도 평가 모델 등 세 가지 모델을 단일 학습 실행을 통해 생성합니다

• 예측 AI는 문제 해결기를 대체합니다. 생성 AI는 위상 최적화기와 유사하게 작동합니다. 동등성 평가기는 사용 전에 예측의 신뢰도를 평가합니다.

• 세 가지 결과 모두 부하 조건별로 자동으로 생성되며, 높은 점수는 조치를 취해야 함을 의미하고, 낮은 점수는 결과에 플래그를 지정하고 솔버를 호출함을 의미합니다.

• 예측은 무엇을 알려주고, 생성은 어떻게 해야 하는지 알려주며, 평가 도구는 결과를 신뢰할 수 있는지 여부를 알려줍니다. 이 세 가지 모두가 AI 결과를 안전하게 활용하기 위해 필요합니다.

• 채점기가 없으면 설계가 신뢰할 수 있는 예측 범위를 벗어났을 때 이를 알 수 있는 신호가 없습니다.

동등성 평가 도구(Equivalence Scorer)는 경쟁 플랫폼에서 제공하지 않는 신뢰 메커니즘으로, 엔지니어에게 언제 AI에 의존해야 하고 언제 솔버를 호출해야 하는지 정확하게 알려줍니다.

응력, 주파수, 항력, 변위 - 스칼라, 곡선 및 전체 3D 필드 - 며칠이 아닌 몇 초 만에 계산 가능

• 해석기 실행 없이 모든 새로운 설계에 대해 스칼라, 벡터 및 전체 3D 필드 응답(응력, 압력, 주파수, 변위)을 예측합니다.

• 동등성 점수 계산은 예측 건별로 실행되며, 신뢰도 수준에 따라 AI 대리 모델 또는 물리 솔버가 자동으로 호출됩니다.

• AI 예측은 설계 병목 현상이었던 솔버 대기열을 제거합니다.

• 공학적 정확성을 희생하지 않고도 계산 비용을 몇 배나 줄였습니다.

1% 미만의 항력 오차. 스칼라 CD가 아닌 완전한 3D 압력장. 충돌 모델 솔버의 시간 이력에서 95% 이상의 R² 값. 고도로 비선형적인 측면 충돌.

충돌, 강성, NVH, CHT 및 CFD를 동시에 고려한 MDO - AI 또는 물리 솔버 자동 선택

• 충돌, 강성, NVH, CHT 및 CFD를 MDO 루프에 직접 연결한 매개변수 변수를 한 번의 실행으로 동시에 구동합니다.

• 에이전트형 AI는 밤새도록 루프를 실행하며, 응답에 따라 AI와 솔버 간에 전환하고 완료 시 자동으로 보고합니다.

• 순차적인 단일 분야 최적화는 절충점을 간과합니다. 최상의 충돌 설계가 최상의 NVH 설계인 경우는 드뭅니다.

• 자동 AI 대 솔버 전환 기능을 갖춘 동시 MDO는 엔지니어링 규모에서 다분야 최적화를 가능하게 하는 핵심 요소입니다.

AIWorks 내에서 하나의 루프로 MDO, 충돌, NVH, CFD, 강성, CHT를 모두 처리할 수 있습니다.

모든 AI 대체 모델은 학습 플랫폼과 관계없이 데이터의 품질에 따라 성능이 좌우됩니다. 대부분의 엔지니어링 조직, 심지어 대형 OEM조차도 모든 하중 조건에 대해 레이블이 지정된 수백 가지 시뮬레이션 변형을 AI 학습용으로 완벽하게 준비해 놓지 못했습니다. AIWorks는 이러한 문제를 근본적으로 해결합니다. MeshWorks 플랫폼에 통합된 DEP의 파라메트릭 CAE, 모핑, 컨셉 모델링, 그리고 축소 차수 모델링(ROM) 기능을 활용하면 CAD 작업 없이 단일 기준 모델에서 수백 가지의 시뮬레이션 준비 변형을 생성할 수 있습니다. ROM 엔진은 이러한 변형들을 빠르게 실행하여 며칠이 걸리던 솔버 시간을 몇 시간으로 단축합니다. 특허받은 복셀레이션 엔진은 AI 학습을 시작하기 전에 생성된 설계 집합을 통계적으로 분석합니다. 데이터 생성 → 통계 분석 → AI 학습 → 배포. 이 모든 과정이 하나의 플랫폼에서 이루어집니다.

단일 FE/CFD

파라메트릭 + 모핑

CAD 수정 없음

부하 조건별

구조, 충돌, 내구성 및 피로 전문가들은 여러 날에 걸쳐 진행되던 해석 솔버 실행을 AI를 이용한 1분 이내의 예측으로 대체하여 여러 하중 조건에 동시에 대응할 수 있습니다.

공기역학, 실린더 헤드 온도(CHT) 및 객실 쾌적성 엔지니어는 기존 3주 소요되던 CFD 계산을 2분 만에 완료할 수 있습니다. 또한 새로운 디자인 형상에 맞춰 3D 압력 분포 결과를 즉시 생성할 수 있습니다.

엔지니어링 관리자는 데이터 전략 및 모델 관리부터 여러 제품 라인에 걸쳐 대규모 에이전트 기반 워크플로 배포에 이르기까지 AI 기반 CAE 조직을 구축할 수 있습니다.

제품 디자이너는 GEOM AI를 사용하여 형상을 변형하고 실시간으로 성능을 재예측할 수 있으므로 스타일링과 시뮬레이션 간의 연결 고리를 당일에 완성할 수 있습니다.

차체 주파수 최적화를 통해 음향 성능이 향상되었으며, AI 예측을 통해 다양한 휠베이스 및 루프 구성에서 5% 미만의 오차로 고유 주파수를 도출했습니다.

물리 시뮬레이션 데이터에 머신러닝을 적용하는 데이터 과학자는 DEP에서 사전 학습된 PINN 아키텍처를 활용할 수 있습니다. 이 아키텍처는 약한 비선형성, 중간 비선형성 및 강한 비선형성을 가진 엔지니어링 문제에 맞게 특별히 조정되었습니다.