AI로 강화된 검증 모델링 기법을 통한 BMW 충돌 성능 최적화

AI를 통한 엔지니어링 전문적 기술 모사

알테어의 ‘디지털 트윈’은?

알테어 시뮬레이션 소프트웨어를 활용하면 제품의 설계 단계부터 제조 공정 단계까지 디지털 트윈 모델을 만들고 그 과정에 알테어의 데이터 분석 기술을 적용해서 생성되는 피드백을 반복적으로 반영하면 제조기업이 추구하는 디지털 트윈의 빠른 현장 적용이 가능합니다.

본 포스팅은 알테어의 머신러닝 및 예측 검증 모델링 등 디지털 트윈 기술을 BMW 사의 충돌 성능 최적화에 도입한 사례입니다.

개요

차체(Body in White)의 충돌 설계 문제는 비용이 많이 들고, 복잡한 하중 조건 및 설계 기준을 포함하므로 상당한 계산 시간이 요구되며, 높은 수준의 엔지니어링 전문 지식이 필요합니다. BMW는 머신러닝(ML) 기반의 예측 검증 모델링 기법을 사용함으로써 인간의 전문 지식을 모사하여 개발 주기를 단축하고 충돌 성능 최적화에 대한 새로운 통찰력을 표출하였습니다.

그림 설명: 전면 충돌 시나리오 / 자동차의 하중 경로 / 세로 빔의 변형 거동

고객 정보

15개국에 31개의 생산 및 조립 시설과 글로벌 판매 네트워크를 갖춘 BMW 그룹은 세계 최고의 프리미엄 자동차 및 오토바이 제조업체이자 프리미엄 금융 및 모빌리티 서비스 제공업체입니다. BMW 그룹은 지능형 재료 혼합, 디지털화 및 자원 효율적인 생산을 향한 기술 전환을 통해 혁신 리더로서 생산 기술 및 지속 가능성의 트렌드를 설정합니다. 동시에 가치 사슬의 유연성과 지속적인 최적화는 경쟁력을 보장합니다.

BMW가 당면한 과제

승객의 안전을 보장하기 위해 충돌 분야의 엔지니어는 충돌 이벤트의 일련의 과정 중에 최적의 결과를 가지도록 조율해야 합니다. 여기에는 볼트의 파손이나, 부품이 적절한 시기에 접촉되는 것과 같은 불연속적인 이벤트의 타이밍을 적절히 조화되게 조절하는 충돌 운동학적 판단을 포함합니다. 그러나 에너지 흡수, 파손 전 최대 힘의 수준, 국부적 변위(local displacement) 및 무게를 포함한 주요 성능 지표를 모두 적용하는 것은 너무 복잡하여 과도한 구속 조건으로 인한 최적화 수렴 문제를 초래할 수 있습니다. 이에 따라 빠른 시간내에 진행되어야 할 제품 개발 프로세스 내에서 충돌 성능의 명확한 검증이 더 어려워집니다.

알테어의 솔루션

BMW는 HyperWorks 내에 있는 최적화 솔루션에 엔지니어링 전문 지식을 모방하는 구속 조건을 적용하기 위해서 알테어의 통합된 머신러닝 솔루션을 사용했습니다. 비지도형(Unsupervised) 머신러닝 알고리즘인 클러스터링은 엔지니어가 충돌 움직임이 주요 성능 지표(KPI)에 어떤 영향을 미치는지 이해하는 데 도움을 줍니다. 그런 다음 최적화 진행 시, 실제로 프로세스 전반에 걸쳐 엔지니어링 의사 결정을 모방하는 Classifier 방법을 사용하여 최적의 조건에서의 충돌 움직임을 시행하도록 유도합니다.

영향력

알테어의 머신러닝 솔루션은 BMW가 구조 최적화를 할 때 특정한 충돌 움직임을 가질 수 있도록 도와줍니다. 이 방법은 최적화 동안 수작업으로 생성하는 것이 불가능하거나 비현실적일 수 있는 머신러닝 제약 조건을 포함시켜서 엔지니어링 전문 지식을 모사하여 달성하게 합니다. 이를 통해 최적화 문제의 공식을 단순화하고 복잡한 자동차 충돌 구조를 개발하는 데 필요한 설계 반복 횟수를 줄일 수 있습니다.

결론

BMW는 머신러닝 기반 워크플로우를 통해 기존 엔지니어링 전문 지식을 강화하고 확장하여 컴퓨팅과 인력을 보다 효율적으로 활용할 수 있습니다. 향후 BMW는 설계 프로세스 전반에 걸쳐 알테어 머신러닝 기술의 추가 적용을 모색할 계획입니다.