R&D III Department．Tom Chen
사출성형에서는 제품 설계, 금형 설계, 재료 물성, 성형 조건 등 다양한 요인이 최종 제품의 품질을 좌우합니다. 품질을 높이고 비용을 줄이며 개발 기간을 단축할 수 있는 최적의 방법을 찾는 것은 오랫동안 중요한 과제였습니다. 제조 현장에서는 그동안 시행착오에 의존해 왔지만, 이 방식은 시간과 자원의 제약을 받기 쉽습니다.
실험계획법(Design of Experiments, DOE)과 같은 통계적 방법이 도입되면서 보다 체계적으로 최적해를 탐색할 수 있게 되었습니다. 그 결과 불필요한 시행은 줄고 정확도는 높아졌습니다. 나아가 인공지능(Artificial Intelligence, AI)의 발전은 최적화에 새로운 가능성을 열었습니다. AI는 데이터로부터 학습하고 예측함으로써 특정 상황에서 해석 속도와 정확도를 한층 더 높일 수 있습니다.
Moldex3D 2026은 자동화(Automation), 최적화(Optimization), 지능화(Intelligence)라는 세 가지 축에 초점을 맞추고 있습니다. Moldex3D는 자동화 워크플로, DOE, AI 기술을 통해 해석, 데이터 관리, 최적화를 연결하여 성형 시뮬레이션의 효율성과 정확도를 높입니다. Moldex3D Studio에서는 사출성형 시뮬레이션과 최적화 해석을 하나의 플랫폼에서 모두 수행할 수 있습니다. Studio에 탑재된 DOE Wizard는 이미 시사출에 보다 과학적인 접근 방식을 제공하고 있습니다. 올해 Moldex3D는 AI Optimization Wizard를 새롭게 선보입니다. 이 기능은 CAE 시뮬레이션과 AI 기반 반복 계산을 통합한 것으로, 수작업 없이 전체 반복 과정을 자동으로 실행합니다. 이를 통해 사용자는 최적의 설계 해를 보다 효율적으로 찾을 수 있습니다.
그림 1. Studio에서 사출성형 시뮬레이션과 최적화 해석을 모두 수행할 수 있습니다.
서로 다른 최적화 전략: DOE와 AI
DOE와 AI는 최적화 문제에 서로 다른 방식으로 접근합니다. DOE는 다구치 직교배열표를 사용해 실험을 설계하며, 제어인자를 이산적인 수준으로 설정합니다. 이를 통해 통계적 근거에 기반한 체계적인 분석이 가능해집니다. 영향력이 가장 큰 인자를 효과적으로 파악하고 신뢰할 수 있는 결론을 도출할 수 있다는 것이 DOE의 강점입니다.
반면 AI 최적화는 제어인자를 연속적인 범위로 다룹니다. 데이터로부터 학습하며 해당 범위 안에서 반복적으로 최적해를 탐색하고, 제약 조건도 함께 반영할 수 있습니다. 중간 결과로부터 학습해 탐색 방향을 동적으로 조정하기 때문에, 최적의 파라미터 조합을 아직 알지 못하는 경우에 특히 적합합니다. 가장 유망한 파라미터 영역으로 탐색 범위를 점차 좁혀 나가며 여러 개의 실행 가능한 해를 제시하므로, 사용자는 더 많은 선택지 중에서 고를 수 있습니다.
예를 들어 케이크를 처음 만들어 보는 초보자가 베이킹 온도, 믹싱 시간, 베이킹 시간의 최적 설정을 빠르게 찾고 싶어 한다고 가정해 보겠습니다. 그림 2의 데이터에서 볼 수 있듯이, DOE는 다양한 조합을 체계적으로 테스트합니다. 각 파라미터가 결과에 어떤 영향을 미치는지 파악하기 위해 결과가 좋지 않은 범위에서도 시험을 계속합니다. 185.6°C나 200°C 같은 고온 구간에서 여러 차례 시험한 것이 그 예입니다. 반면 AI 최적화는 160~170°C가 유망한 온도 범위임을 빠르게 파악합니다. 이어서 믹싱 시간과 베이킹 시간에 시험을 집중하여 효율적으로 더 나은 해에 도달합니다.
그림 2. DOE는 직교배열표에 따라 실험 조건을 사전에 정적으로 결정하는 반면, AI 최적화는 실험 조건을 동적으로 조정합니다.
그러나 기존 데이터가 충분하지 않으면 AI 최적화 결과의 신뢰도가 떨어질 수 있습니다. 기계 부품 생산 공정을 최적화하려는 한 기업을 예로 들어 보겠습니다. 이 기업은 생산 속도, 재료 밀도, 기계 마모라는 세 가지 핵심 인자를 파악했습니다. 그림 3에서 보듯이, 이 기업은 DOE를 활용해 최적의 조합을 빠르게 찾고, 생산 속도가 가장 영향력이 큰 인자라는 사실을 체계적으로 밝혀낼 수 있습니다. 반면 동일한 시간과 자원 제약 아래에서는 약 10회 반복 후에도 데이터가 충분히 수렴하지 않아, AI의 결과가 여러 범위 사이에서 계속 변동했습니다. 결국 안정적인 결론을 도출할 수 없었습니다. 이 사례는 데이터가 제한적일 때 AI 최적화가 DOE보다 안정성이 떨어질 수 있음을 보여 줍니다.
그림 3. 데이터가 부족한 경우의 DOE와 AI 최적화 결과 비교
Moldex3D Studio: AI Optimization Wizard
Moldex3D의 AI Optimization Wizard를 사용하면 제어인자와 품질인자를 설정하고 최대 반복 횟수를 지정하여 최적화 반복 실행을 생성할 수 있습니다. 해석을 제출하면 Computing Manager가 전체 CAE 반복 과정을 자동으로 완료합니다. 이후 사용자는 Studio에서 AI 최적화 결과를 검토하여 최적해를 찾을 수 있습니다.
그림 4. AI Optimization Wizard
제어인자와 품질인자의 반복 곡선을 보면 각 인자가 수렴하는 추세인지, 가장 유망한 범위가 점차 드러나고 있는지 확인할 수 있습니다. 다음으로 반복 테이블에서 가장 좋은 반복을 찾고, 어떤 반복이 파레토 프런트 위에 있는지 확인합니다. 이는 다목적 최적화에서 트레이드오프를 판단하고 실행 가능한 해를 선택하는 데 도움이 됩니다. AI 최적화는 전면적인 탐색을 수행하지 않기 때문에 DOE처럼 완전한 통계 정보를 제공할 수는 없습니다. 하지만 평행 좌표 플롯을 활용하면 인자 간의 잠재적인 관계를 관찰하고 찾아낼 수 있습니다.
그림 5. 반복 테이블은 반복 과정 전반의 제어인자와 품질인자 데이터를 정리하고, 파레토 프런트 정보를 제공합니다.
그림 6. 평행 좌표 플롯을 통해 인자 간의 상관관계를 파악할 수 있습니다.
유연한 최적화 접근 방식으로 더 나은 의사결정을
시간과 자원이 제한된 상황에서 사용자는 공정을 이미 얼마나 파악하고 있는지, 어떤 결과가 필요한지에 따라 최적화 방법을 선택할 수 있습니다. DOE는 각 인자를 세밀하게 검토하여 그 인자가 결과에 어떤 영향을 미치는지 보여 줍니다. AI 최적화는 가장 유망한 파라미터 영역에 점진적으로 집중하면서 한 단계 더 깊이 최적해를 탐색합니다. 복잡한 최적화 문제에 대해 Moldex3D Studio는 다양한 접근 방식을 제공합니다. 사용자는 필요에 따라 DOE Wizard와 AI Optimization Wizard를 함께 활용하여 효율성과 정확도의 균형을 맞추고, 보다 신뢰할 수 있는 의사결정을 내릴 수 있습니다.