유체 인텔리전스: AI가 바다 시뮬레이션 방식을 재정의하다

인공지능(AI)은 우리 세계를 빠르게 변화시키고 있습니다. 반복 작업을 자동화하고, 워크플로우를 최적화하며, 의사결정을 개선함으로써 이 기술은 산업 전반에 걸쳐 효율성과 생산성에서 상당한 향상을 약속합니다. 

이러한 생산성과 효율성 향상으로 AI는 전 세계 경제 성장과 발전에 수조 달러를 기여할 것으로 예상됩니다. 

AI는 또한 엄청난 잠재력을 보여주었습니다, 질병 및 기후 변화와 같은 복잡한 과제에 대응하고 다양한 분야에서 혁신을 촉진하여 새로운 제품, 서비스 및 비즈니스 모델을 창출할 수 있게 합니다. 

AI의 흥미로운 적용 사례가 유체 분석에서도 나타났습니다. 기계에서는 윤활유, 냉각수, 연료와 같은 유체를 테스트하여 잠재적인 문제나 고장을 나타낼 수 있는 이슈를 식별합니다.

이를 통해 적시 유지보수와 수리가 가능해져 비용이 많이 드는 고장 및 다운타임을 예방할 수 있습니다. 또한 대규모 수리 및 교체 필요성을 최소화하고 기계가 최적의 성능으로 작동하도록 보장합니다.

오랫동안 유체 분석은 상당히 길고 번거로운 과정이었습니다. 그러나 AI의 등장으로 전체 프로세스가 보다 간단하고 효율적이며 정밀해졌습니다. 

결국 AI와 머신러닝 기법은 방대한 데이터 세트를 활용해 학습하고 예측을 수행합니다. 이 기술은 자산의 전체 수명 주기 데이터를 고려하고, 여러 신호를 동시에 사용하며, 피드백을 통해 적응하는 방법을 학습합니다. 

하지만 유체 분석은 기계 내 오일을 훨씬 넘어섭니다. 연안 및 해양 공학에서는 유체 거동이 해양 구조물 설계, 해안선 변화 모델링, 파도 및 조류 에너지 활용 등에 중요한 역할을 합니다. 

AI를 활용한 연안 및 해양 인텔리전스 발전

연안 공학에서 AI는 퇴적물 이동, 해안선 역학, 설계 최적화, 연안 모니터링, 기후 회복력 등 문제들을 해결함으로써 많은 개선을 이루었습니다.

이와 같은 사례는 지난해 말, 홍콩시립대 연구진이 머신러닝을 활용해 열대 사이클론의 경계층 풍장 모델링 정확성을 향상시킨 사례에서 볼 수 있습니다.

“우리는 이 경계층에 살고 있기 때문에, 이를 이해하고 정확하게 모델링하는 것이 폭풍 예보와 위험 대비에 필수적입니다.”

– 저자 Qiusheng Li

이 층의 공기는 육지, 해양 및 표면의 모든 것과 상호작용하기 때문에 모델링이 상당히 어려웠습니다. 방대한 데이터를 사용하고 슈퍼컴퓨터에서 대규모 수치 시뮬레이션을 수행하는 전통적인 접근법에도 불구하고, 여전히 부정확하거나 불완전한 예측이 나오는 경우가 많았습니다.

최신 연구에서는 고급 물리 기반 ML 프레임워크를 사용했으며, 이는 소량의 실제 데이터만으로 열대 사이클론 풍장의 복잡한 거동을 포착합니다. 이 풍장은 폭풍의 구조, 강도 및 잠재적 영향을 포함합니다. 저자 Feng Hu는 다음과 같이 말했습니다:

“기후 변화로 인해 더 빈번하고 강력한 허리케인이 발생함에 따라, 우리 모델은 풍장 예측 정확도를 크게 향상시킬 수 있습니다. 이 발전은 기상 예보와 위험 평가를 정교화하여 시기적절한 경고를 제공하고 연안 지역사회와 인프라의 회복력을 강화하는 데 도움이 됩니다.”

동시에, 별도의 연구에서는 AI 대리 모델¹을 도입하여 하구에서 연안 조수파 전파를 시뮬레이션했습니다. 이 접근법은 시뮬레이션을 가속화하고 물리 기반 제약을 포함시켜 부정확한 결과를 감지하고 수정합니다.

전통적인 ROMS 시뮬레이션의 12일 예측 시간을 22초로 단축함으로써, 이 연구는 실시간 재난 대응을 위한 빠르고 정확하며 물리적으로 일관된 대안으로 해양 모델링에 기여합니다.

작년 초, 연구팀은 또한 라그랑지안 유체 역학의 신경망 모델링²을 개선하는 작업을 수행했습니다.

이를 기반으로 연구자들은 표준 SPH 솔버의 점성, 압력 및 외력 구성 요소를 포함하는 다양한 요소를 사용해 GNN 기반 시뮬레이터의 학습 및 롤아웃 추론을 향상시켰습니다. 신경 SPH 강화 시뮬레이터는 기본 GNN보다 더 나은 성능을 달성했으며, 이는 훨씬 긴 롤아웃과 향상된 물리 모델링을 가능하게 합니다.

유체 시뮬레이션에서 ML 기반 대리 모델의 진화

유체 시뮬레이션에서는 입자 기법이 일반적으로 사용되며, 입자는 유체 흐름의 거동을 시뮬레이션합니다. 널리 사용되는 예로는 스무스드 파티클 하이드로다이나믹스(SPH), 이동 입자 반암시적(MPS), 혹은 비압축성 SPH가 있습니다.

하지만 이러한 기법은 처리 능력, 시간 및 비용을 포함한 방대한 계산 자원을 필요로 합니다. 최근 몇 년간 설계, 제조, 개발부터 검증, 운영 및 시각화에 이르는 모든 엔지니어링 단계에서 실제 유체를 시뮬레이션해야 할 필요성이 증가하면서, 계산 시간을 줄이는 것이 요구되었습니다. 

지난 몇 년간 여러 ML 기반 대리 모델이 도입되어 유체 역학을 더 적은 계산 비용으로 추정하게 되었습니다.

이는 머신러닝을 사용해 입자 방법을 대체하고 라그랑지안 유체 시뮬레이션을 빠르게 계산하는 것을 포함합니다. 라그랑지안 시뮬레이션은 개별 유체 입자를 추적하고 그 궤적과 특성에 초점을 맞춥니다.

ML이 라그랑지안 유체 시뮬레이션을 가속화할 수 있지만, 이전 연구들은 다양한 유체 거동에 대한 이러한 대리 모델의 일반화 성능을 검증하지 못했습니다. 

또한 대부분의 모델이 전통적인 전산유체역학(CFD) 방법과 마찬가지로 CFL 조건 하에서 검증되어, 계산 시간 감소에 큰 제한을 받았습니다.

게다가 초기 연구들의 초점은 정확성보다는 시뮬레이션 환경에서 유체와 유사한 거동을 재현하는 데 있었습니다.

따라서 이후 연구들은 SPH용 대리 모델에서 진전을 이루었으며, 정확도가 점진적으로 향상되었습니다. 연구자들은 SPH 결과를 학습 데이터로 사용해 딥 뉴럴 네트워크(DNN)로 라그랑지안 유체 분석을 수행하거나, 그래프 신경망(GNN)을 도입해 SPH 데이터로부터 유체 입자 움직임을 학습하는 등 다양한 방법을 사용했습니다.

하지만 이러한 접근법은 압력을 추정하는 것을 목표로 하지 않았으며, 압력은 유체 역학 및 구조와의 상호작용을 이해하는 데 필수적인 요소입니다.

따라서 이러한 흐름은 최근에 비압축성 유체의 압력에 초점을 맞추는 추세로 이어졌습니다. 이를 위해 과학자들은 DNN을 사용해 MPS에서 PPE(압력 방정식)를 해결하는 속도를 높였으며, MPS를 학습 데이터로 사용해 유체 그래프 네트워크(FGN) 또는 그래프 신경망을 활용한 유체 동역학 시뮬레이션을 도입했습니다. 그러나 추정된 압력이 실제 현상을 재현하는지는 확인되지 않았습니다.

대부분의 연구는 다양한 특징 설정이 결과에 미치는 영향을 명확히 밝히지 않았습니다. 결과가 특징 설정에 크게 의존할 가능성이 있기 때문에, 대리 모델이 유체를 재현하기 위해 어떤 특징이 필수적인지 밝히는 것이 중요합니다.

따라서 새로운 연구가 Applied Ocean Research에 발표되었습니다³. 이 연구는 더 큰 시간 단계와 다양한 유체 현상에 적용 가능한 입자 기반 대리 모델을 제시했습니다.

연구에서는 세 가지 개선된 그래프 네트워크 기반 시뮬레이터(GNS) 버전을 제시했으며, GNN이 SPH 데이터로부터 유체 입자 움직임을 학습하도록 했습니다. 여기에는 압력 추정이 포함된 GNS(GNS-P), 벽 경계 노드가 포함된 GNS(GNS-W), 그리고 두 가지를 결합한 GNS(GNS-WP)가 포함됩니다. 

연구에서 연구자들은 압력 추정이 유체를 정확히 예측하는 데 중요함을 입증했으며, 벽 경계 노드가 움직이는 벽 경계 조건을 관리하는 데 필수적임을 확인했습니다. 또한 GNS-WP는 훈련 데이터보다 10배 큰 시간 단계에서도 슬러싱 현상을 상당히 정확하게 재현할 수 있음을 보여주었습니다.

제안된 방법(GNS-WP)은 슬러싱 시나리오에서 훈련되었으며, 연구에 따르면 정수압, 댐 붕괴, 자유 진동 테스트 등 세 가지 문제에 적용될 수 있습니다.

베니스 플라워 바스켓이 항공 및 유체 역학을 재구상하는 방법을 알아보려면 여기를 클릭하십시오.

더 빠르고, 더 스마트하며, 확장 가능한 GNN 기반 대리 모델

오사카 메트로폴리탄 대학교 연구진이 만든 새로운 ML 기반 유체 시뮬레이션 모델은 정확도에 영향을 주지 않으면서 계산 시간을 크게 줄입니다. 이 빠르고 고정밀한 방법은 실시간 해양 모니터링, 선박 설계 및 해양 전력 생산에 활용될 잠재력이 있습니다.

AI 기반 모델은 유체 시뮬레이션을 간단하고 빠르게 만들면서 유체 역학 분야에서 큰 주목을 받고 있습니다. 그러나 이 기술에도 자체적인 문제점이 있습니다.

주저자이자 오사카 메트로폴리탄 대학교 공학대학원 조교수인 Takefumi Higaki는 다음과 같이 언급했습니다:

“AI는 특정 문제에 대해 뛰어난 결과를 제공할 수 있지만, 다른 조건에 적용될 때 종종 어려움을 겪습니다.”

따라서 팀은 그래프 신경망(GNN)이라는 딥러닝 기술을 사용해 일관되게 빠르고 정확한 도구를 구축했습니다.

GNN은 그래프 구조 데이터를 처리하고 학습하는 신경망 아키텍처의 일종입니다. 그래프는 제품이나 사람과 같은 엔터티를 나타내는 노드와 이들 간의 관계를 나타내는 엣지로 구성된 데이터 구조입니다. GNN은 그래프 내의 복잡하고 큰 관계를 분석합니다.

이 신경망은 소셜 네트워크 분석에 사용되어 패턴을 이해하고, 상호작용을 기반으로 사용자 선호를 예측하며, 물질의 특성을 모델링·예측하고, 잠재적인 약물 후보를 식별하고 약물 효능을 예측합니다.

최신 연구에서는 노드가 유체 입자를, 엣지는 그 입자들 간의 상호작용을 의미합니다.

연구팀은 먼저 고정밀 유체 계산에 중요한 요소들을 파악했습니다. 다양한 학습 조건을 비교한 뒤, 모델이 서로 다른 시뮬레이션 속도와 다양한 유체 움직임에 얼마나 효과적으로 적응할 수 있는지를 평가했습니다.

팀은 결과가 다양한 유체 거동에 대해 강력한 일반화 능력을 보여주며, 속도를 크게 높이고 처리에 필요한 시간을 크게 감소시켰음을 확인했습니다.

그들의 기술은 CPU에서 10배, GPU에서 200배 이상 빠른 속도로 MPS와 동등하거나 더 나은 정확도를 달성한 것으로 보고되었습니다. 또한 연구에서는 강력한 슬러싱 흐름만을 사용해 훈련했음에도 불구하고, GNS-WP가 다른 벽 경계에서도 평온하고 정적인 흐름을 성공적으로 재현할 수 있음을 언급했습니다.

“우리 모델은 전통적인 입자 기반 시뮬레이션과 동일한 수준의 정확도를 유지하면서, 약 45분이 걸리던 계산 시간을 단 3분으로 줄였습니다.”

– Higaki

이 성과를 통해 연구진은 효율성과 정확성을 균형 있게 맞춘 확장 가능하고 일반화 가능한 고성능 유체 시뮬레이션 솔루션을 제공하고 있습니다. 무엇보다도 이러한 개선은 실험실에만 국한되지 않습니다.

Higaki는 다음과 같이 말했습니다:

“더 빠르고 정밀한 유체 시뮬레이션은 선박 및 해양 에너지 시스템 설계 과정을 크게 가속화할 수 있습니다. 또한 실시간 유체 거동 분석을 가능하게 하여 해양 에너지 시스템의 효율성을 극대화할 수 있습니다.”

다른 연구와 달리, 이 연구는 입자 기반 대리 모델의 단계별 개선 과정을 상세히 제시하여 향후 개발에 도움을 줍니다.

향후 연구에서는 물리적 일관성 부족, 미지의 압력 관리, 그리고 모델을 복잡하고 3차원 문제에 적용하는 과제를 해결할 계획입니다.

제안된 방법이 실제 실험 데이터로부터 학습할 잠재력을 고려하여, 팀은 이 연구를 기반으로 불연속 물질을 포함한 다상 흐름과 같이 지배 방정식이 알려지지 않은 복잡한 유체 거동을 재현하는 것을 목표로 합니다.

혁신적인 기업

Huntington Ingalls Industries, Inc.

미 해군의 주요 조선업체인 Huntington Ingalls Industries (HII ) 는 선박 설계 및 성능 테스트를 간소화하기 위해 유체 역학 시뮬레이션 개선을 지속적으로 모색하고 있습니다.

이 회사는 차세대 스마트 방위 및 정보 시스템을 구축하고 있으며, 이를 위해 인공지능(AI)을 활용하고 있습니다. 클라우드 컴퓨팅과 엣지 디바이스의 힘을 맞춤형 소프트웨어와 결합함으로써, HII는 향후 운영에서 인간‑AI 팀을 원활하게 만드는 것을 목표로 하고 있습니다.

HII에서는 최첨단 AI 및 머신러닝 알고리즘을 개발·테스트·통합하여 미션 크리티컬 시스템 및 플랫폼을 최적화하고 가속화합니다.

회사의 고급 ML 애플리케이션은 무선 주파수 스펙트럼, 이미지 자동 분석, 사이버 데이터, 음향 환경, 그리고 정보 생산을 위한 자연어 처리 등 방위 분야의 다양한 요구를 지원합니다.

HII는 깊은 도메인 및 데이터 지식을 활용해 경쟁이 치열한 물류 환경에서 미션 회복력, 운영 준비태세 및 함대 유지보수를 위한 ML을 구축합니다. 시뮬레이터 기반 훈련의 연장선으로, ML 기반 운영 의사결정 보조 도구 개발에도 참여하고 있습니다.

또한, 자율 해양 플랫폼 개발업체는 대량의 복잡한 데이터에서 정밀 신호 탐색을 위해 트랜스포머 기반 아키텍처를 활용한 딥러닝(DL) AI를 배치했습니다.

HII는 RF 스펙트럼 신호, 지리공간 이미지, 자연어 미디어 등 다양한 모달리티의 데이터를 활용·융합하여 정확성을 향상시킵니다. 또한 DL 및 ML 기반의 고급 NLP 기술을 사용해 전 세계 미션을 위한 정보 정리 및 연결을 지원합니다.

한편, HII의 AI 기반 디지털 트윈은 선박 건조부터 함대 유지보수까지 테스트, 검증 및 자원 절감을 가능하게 합니다. 고급 자율성 스위트인 Odyssey는 모든 차량을 지능형 로봇 플랫폼으로 변환하여 다중 차량 협업 자율성, 상태 모니터링, 센서 융합 및 AI 기반 인식을 구현합니다.

따라서 회사는 최신 기술을 광범위하게 활용해 생산성을 높이고 프로세스를 최적화합니다. 그러나 HII는 AI 고유의 불확실성이 운영 비효율과 경쟁력 손실을 초래할 수 있음을 인정하고 있습니다, 특히 도구가 충분하지 않을 경우에 말입니다.

재무적으로 볼 때, 이 전 분야 방위 제공업체는 시가총액 72억 5천만 달러이며, 현재 주가는 184.95달러(연초 대비 2.13% 하락)입니다. EPS(TTM)는 13.96, P/E(TTM) 비율은 13.25, ROE(TTM)는 12.56%이며, 배당 수익률은 2.92%입니다.

기업 재무에 대해 말하자면, 2024년 4분기에 회사는 보고했으며, 매출은 30억 달러로 전년 동기 32억 달러에 비해 감소했습니다. 이 감소는 모든 부문의 물량 감소 때문입니다. 비GAAP 영업이익도 4Q23의 3억 3천만 달러에서 1억 300만 달러로 감소했으며, 이는 Newport News Shipbuilding의 실적 저하에 기인했습니다.

Diluted earnings per share during the quarter were $3.15, while it had a backlog of $48.7 billion at the end of the year.

전체 연도 기준으로 HII의 매출은 115억 달러였으며, 2023년 대비 약간 증가(1% 미만)했는데 이는 Ingalls Shipbuilding과 Mission Technologies의 물량 증가 때문입니다. 희석 주당순이익은 13.96달러였습니다.

영업 활동으로 인한 순현금은 3억 9천3백만 달러였으며, 자유 현금 흐름은 4천만 달러로 전년 각각 9억 7천만 달러와 6억 9천2백만 달러에서 크게 감소했습니다.

2024년에는 회사가 중요한 조선 마일스톤을 달성했으며, 여기에는 양륙 수송선 Richard M. McCool Jr.(LPD 29)와 버지니아급 잠수함 New Jersey(SSN 796)의 인도가 포함됩니다. 한편, HII의 Mission Technologies 부문은 총 계약 가치 120억 달러가 넘는 수주를 확보했습니다.

“우리는 COVID 이전에 계약된 선박에 대한 진전을 지속하고 있으며, 새로운 작업 500억 달러 이상을 계약하기 위해 고객과 열심히 협력하고 있습니다. Mission Technologies는 매출 성장과 마진 확대에서 강력한 실적을 이어가고 있습니다. 우리는 2025년에 세계에서 가장 강력한 선박과 전 분야 솔루션을 제공한다는 사명을 가지고 있습니다.”

– CEO 겸 사장 Chris Kastner

결론

AI 기반 유체 시뮬레이션 모델은 오랫동안 유체 역학 분야를 발전시켜 왔습니다. 그러나 그래프 신경망을 활용한 최신 AI 모델은 인상적인 결과를 보여주었습니다. 이는 정확성과 효율성 사이의 격차를 메우는 높은 잠재력을 보여줄 뿐만 아니라, 해양 산업에서 더 빠르고 실시간 응용을 가능하게 합니다.

이 기술은 선박 및 해양 인프라 설계·시험을 가속화하고 재생 가능 해양 에너지 시스템을 최적화하는 데 유망합니다. AI 기반 유체 시뮬레이션 모델은 보다 깨끗하고 스마트한 해양 공학에 기여하여 번영하는 미래를 이끌 수 있습니다.