HOME / 주요장비소개 / 하드웨어 및 소프트웨어

하드웨어 및 소프트웨어

공정 모니터링 센서 기반 AI·자율 제조 컨설팅 서비스 NEW

서비스 제공자 (주)케이컴포짓랩, 씨투이에스코리아(주)
장비 제조사 Dieffenbacher(프레스/독일), ADD Composites(AFP/핀란드), GPM(Prepreg 제조 장비/중국), Nanjing(압출기/중국)
CAE 소프트웨어 개발자 AniForm PrePost/Core(AniForm B.V 사/네덜란드), Moldex3D(CoreTech 사/대만), Compro/Raven(Convergent 사/캐나다)
공정 모니터링 센서 제작사 Synthesites SLR(벨기에)
AI 플랫폼 개발자 ODYSSEE(Cadence 사/미국)
AI 모델 개발자 (주)케이컴포짓랩, 씨투이에스코리아(주)(대한민국)
AI로 연결하는 복합소재 연구와 제조 혁신 토탈 솔루션 제공자
Lightweight, Strong, and Beyond 

복합소재의 한계를 넘어 미래를 설계합니다

지능형 제조를 위한 가상 설계 및 AI 도입의 가속화
최근 여러 산업 분야 전반에서 경량화 부품의 적용이 빠르게 확대되고 추세이며 단순한 설계를 넘어서 제품 품질의 정밀 제어가 매우 중요해졌습니다.

특히, 열가소성 복합재 사출 성형의 경우 제품의 최종 변형과 압력 발달이 재료의 결정화 거동에 크게 영향을 받습니다.

이때 핵심 물리 현상 중 하나가 바로 유동 유도 결정화(FIC, Flow Induced Crystallization) 입니다.

신뢰성 있는 시뮬레이션을 위해서는 단순한 유동 해석이 아니라 정교한 재료 모델링과 물성 카드 확보가 반드시 선행되어야 합니다.
고분자 수지는 냉각되며 고체로 변하는데, 이때 '결정화'라는 물리적 현상이 발생합니다. 이 현상은 수지의 점도와 수축률에 직접적인 영향을 미치기 때문에 이를 시뮬레이션에 정확히 반영하는 것이 매우 중요합니다. 하지만 기존 CAE 시뮬레이션 방식은 실제 공정 조건을 충분히 반영하지 못하거나, 정확한 파라미터를 찾는 데 너무 많은 시간과 비용이 소요된다는 한계가 있었습니다

따라서 예측 정확도를 획기적으로 높이기 위한 유동 유도 결정화 모델의 효율적 파라미터 식별 기법이 반드시 필요합니다.

결론적으로,이러한 복잡한 물리 기반 해석을 엔지니어가 실제 산업에서 활용 가능하도록 만들기 위해서는가상 설계 환경 + AI 기반 접근이 필요합니다.

전통적 시뮬레이션 기반 최적화의 병목 현상
기존 CAE 기반 수치해석(시뮬레이션) 접근에는 명확한 한계가 존재합니다.

1. 소요시간: 정밀 해석은 비선형성이 매우 강하기 때문에 계산 시간이 상당히 오래 걸립니다.

2. 비용: 최적화를 위해서는 수백 번 이상의 반복 해석이 필요하며 이는 현실적으로 매우 비효율적입니다.

3. 매개 변수 식별: 실험 데이터와 해석 결과를 맞추는 과정이 엔지니어의 경험에 크게 의존하고 있으며 수동 보정이 매우 어렵습니다(Mult-scaling modelling tool Digimat MX Reverse Engineering 기능 사용시 엔지니어의 경험에 의존하고 있음)


AI_5.png

핵심 솔루션 - CAE, 데이터, 그리고 AI의 결합
AI_6.png

개념 구상부터 산업화까지

AI_2.png

AI 기반의 사출 성형 시뮬레이션 산업화는 현재 독일의 Bosch 중앙 연구소에서 이미 활용하고 있습니다. Bosch가 반결정성(semi-crystalline) 플라스틱의 유동 유도 결정화(Flow-induced crystallization) 모델을 실제 산업 공정에 효과적으로 내재화한 전체 워크플로우 입니다. 이 프로세스는 크게 중앙 연구소 주도의 'Offline' 단계와 현업 엔지니어가 활용하는 'Online' 단계로 나뉩니다.

스텝 1~3은 Offline 단계로 새로운 재료에 대한 고정밀 물리 파라미터를 식별하여 고도화된 재료 카드(Material Card) 생성 과정입니다.
Step 1 (Data Generation): 실제 사출 성형 시험을 통해 타겟 재료의 압력 신호 등 기준 데이터를 확보합니다.

Step 2 (Metamodel Generation): 여기서 ODYSSEE CAE가 핵심적인 역할을 합니다. 고충실도(High-fidelity) 시뮬레이션 데이터를 학습하여, 계산 부하가 매우 적으면서도 정확한 압력 예측이 가능한 대리 모델(Surrogate Model), 즉 메타모델을 생성합니다.

Step 3 (Data-driven Optimization): 생성된 메타모델을 활용해 수초 내에 최적화 루프를 수행함으로써, 실험값과 시뮬레이션 결과 사이의 오차를 최소화하는 재료 파라미터를 식별합니다. 이러한 혁신적인 접근법을 통해 기존의 물리적 재료 시험 방식 대비 시간은 90% 단축하고 비용은 60%나 절감할 수 있었습니다.

스텝 4는 현업 엔지니어링의 디지털 전환 할 수 있는 Online 단계입니다. 이는 전 세계 Bosch 엔지니어들의 일상적인 설계 프로세스에 해당합니다. 이렇게 검증된 재료 데이터는 Online 단계, 즉 전 세계 Bosch 엔지니어들의 실무 환경으로 배포됩니다.

Step 4 (High-fidelity Simulation): 현업의 엔지니어들은 복잡한 계산식에 매몰될 필요가 없습니다. 연구소에서 제공한 재료 카드를 로드하고 Solver API를 활성화하는 몇 번의 클릭만으로 결정화 모델이 반영된 시뮬레이션을 수행할 수 있습니다.
그 결과, 온도와 압력 필드에 대한 훨씬 정밀한 예측이 가능해졌으며 , 이는 사출 공정의 고질적인 문제인 미충전(Short shots)이나 변형(Warpage) 문제를 설계 단계에서 획기적으로 줄이는 결과로 이어집니다.

이 워크플로우의 핵심은 AI/ML 기반의 메타모델링을 통해 전문가의 영역이었던 복잡한 재료 모델링을 표준화된 산업 공정으로 변모시켰다는 점에 있습니다. 이는 제조 현장의 시행착오(Trial and error)를 줄이고, 가상 설계(Virtual design)의 신뢰도를 극대화하는 Bosch의 전략적 방향성을 잘 보여주는 사례입니다.

[서비스 문의 및 상담]
본 서비스는 사용자 요구 사양에 맞춘 커스터마이징이 가능합니다. 상세한 기술 상담이나 견적 문의는 아래 담당자를 통해 문의 주시기 바랍니다.