CAE(<Moldex3D>) + AI 사례입니다.

CAE가 아직 중요한 역할을 하고있음을 확인하면서도 AI가 해석에 어떤 도움을 줄 수 있는지 알려주는 좋은 사례입니다.

반복적 시행착오를 구조화된 탐색으로 전환하다

포르투갈 민호대학교(University of Minho) 산하 "폴리머·복합재 연구소(Institute for Polymers and Composites, IPC)"의 연구진은 시뮬레이션과 인공지능(AI)을 활용해 사출 성형 공정에서 가장 지속적인 병목 중 하나인 품질을 저하시키지 않으면서 빠르고 균일한 냉각을 달성하는 문제에 도전하고 있다.
이들은 시뮬레이션을 중심에 둔(workflow-first) 접근법에 더해, PCA 기반 목적함수 선정, 인공신경망(ANN) 대리모델(surrogate model), 그리고 다목적 진화 최적화를 결합함으로써, 수주가 소요되던 기존의 시행착오 기반 설계를 구조화된 데이터 기반 최적 탐색 과정으로 전환하는 데 성공했다. 그 결과, 최적의 금형 및 공정 설계를 탐색하는 방식이 근본적으로 변화했다.

더 나은 설계 의사결정을 가능하게 하는 시뮬레이션과 AI

냉각 단계는 일반적으로 사출 성형 전체 사이클 시간의 70~80%를 차지하며, 잔류응력, 휨(warpage), 변위(displacement)를 좌우하는 핵심 요인이다.
형상 적합 냉각 채널(Conformal Cooling Channels, CCC)은 이러한 문제를 완화하는 데 효과적이지만, CCC의 레이아웃 설계는 사이클 타임, 온도 균일성, 제조 가능성이 동시에 얽힌 전형적인 다목적 최적화 문제가 된다.

이를 해결하기 위해 IPC 연구팀은 Moldex3D를 활용해 설계안을 정밀 평가하고, 동시에 AI를 활용해 설계 공간(trade-space)을 탐색한다. 이 접근법을 통해 연구팀은 기존의 직선 드릴 냉각 채널 설계와 비교했을 때, 훨씬 균일한 온도 분포와 더 짧은 사이클 타임을 갖는 설계안을 일관되게 도출할 수 있었다.

적용 사례 조명: 형상 적합 냉각을 적용한 박육(Thin-Wall) 컵

이 방법론을 구체적으로 보여주기 위해, IPC 연구팀은 박육 컵(thin-wall cup) 사례 연구를 수행했다.
Moldex3D를 이용해 냉각 채널의 배치 위치, 직경, 간격을 평가하고, AI를 통해 탐색 공간을 가지치기(pruning)하여 가치가 높은 설계안을 선별했다.

이 워크플로를 적용한 결과, 기존의 전통적인 냉각 레이아웃 대비 예측 사이클 타임을 성공적으로 단축할 수 있었으며, 이는 CCC와 AI의 결합이 “조율하기 어려운 문제(hard-to-tune)”를 “논리적으로 설명 가능한 선택(easy-to-justify)”으로 전환시킨다는 점을 입증한다.

<그림 1. 형상 적합 냉강 채널(Conformal Cooling Channels, CCC) 설계 예시>

IPC 연구팀의 워크플로 내부

사출 성형 프로젝트에서는 일반적으로 수십 개의 성능 지표를 동시에 관리해야 한다. IPC 연구팀은 "주성분 분석(PCA)"을 적용해 문제의 본질을 잃지 않으면서도 최적화 목적을 효과적으로 축소한다.
또한 Moldex3D 시뮬레이션 결과를 학습 데이터로 사용해 ANN 대리모델을 구축함으로써, 온도 균일성과 냉각 시간을 빠르게 예측할 수 있도록 했다.

그 다음 단계로, 연구팀은 다목적 진화 알고리즘(Multi-Objective Evolutionary Algorithms, MOEAs)을 활용해 수천 개의 실현 가능한 설계안을 효율적으로 탐색하고, 가장 유망한 설계안에 대해서는 다시 Moldex3D 시뮬레이션으로 검증을 수행한다.
마지막으로 단일한 “최적해”가 아니라, Pareto 전면(Pareto front)을 도출함으로써, 예를 들어 온도 균일성을 더 확보하기 위해 어느 정도의 사이클 타임을 양보해야 하는지와 같은 설계 트레이드오프를 명확하게 제시한다.

<그림 2. 최적화 목적함수 선정을 위한 비선형 주성분 분석(NL-PCA) 적용>

AI는 가속기, 시뮬레이션은 기반

IPC 연구팀은 동일한 다목적 AI 기반 방법론을 CCC 설계 전반에 걸쳐 검증했으며, 이는 단발성 실험이 아니라 고품질 금형과 더 빠른 사이클을 달성하기 위한 반복 가능하고 확장 가능한 접근법임을 보여준다.

AI가 설계 탐색을 가속하는 역할을 한다면, 물리 기반 시뮬레이션의 중요성은 여전히 절대적이다. 시뮬레이션은 정확한 물리 현상과 재료 거동을 제공함으로써, ANN 및 MOEA 기반 탐색이 현실에 기반하도록 뒷받침한다.
또한 Moldex3D는 3차원 섬유 거동, 열 거동, 유동 해석에 대한 풍부한 인사이트를 제공하여, 핫스팟(hot spot)과 같은 근본 원인을 규명하고 최종 설계 선택을 검증하는 데 기여한다.

무엇보다 중요한 점은, 모든 최적화 지표가 실제 금형 제작(tooling)에 앞서 Moldex3D에서 검증된다는 것이다. 이를 통해 제조 리스크를 줄이고, 결과적으로 생산 비용을 절감할 수 있다.

<그림 3. 두 가지 대안 게이트와 NL-PCA를 통해 선정된 네 가지 목적함수를 고려하여 다목적 진화 알고리즘(MOEA)을 적용한 결과>

IPC 연구 관련 참고 문헌

• Gaspar-Cunha, Melo, Marques, Pontes,
  Methodology for Designing Injection Molds: Data Mining and Multi-objective Optimization,
  Applications of Evolutionary Computation (LNCS, 2025), SpringerLink

• Gaspar-Cunha, Melo, Marques, Pontes,
  Optimization of Conformal Cooling Channels for Injection Molding: Multi-Objective AI Techniques,
  GECCO 2025, ACM Digital Library

• Gaspar-Cunha, Melo, Marques, Pontes,
  Application of AI Techniques to Select the Objectives in the Multi-Objective Optimization of Injection Molding,
  International Polymer Processing, 40(3), 2025, De Gruyter Brill

Original Article: https://www.moldex3d.com/blog/customer_success/how-the-institute-of-polymers-and-composites-leads-a-simulation-driven-ai-accelerated-cooling-design-process/