19.32 유체역학 시뮬레이션과 검증

유체역학 시뮬레이션은 지배 방정식을 수치적으로 해석하여 복잡한 유동 현상을 정량적으로 예측하는 수단이며, 현대 로봇 공학의 설계와 해석에서 필수적 역할을 수행한다. 그러나 시뮬레이션 결과의 신뢰성은 수치 오차, 물리 모델의 근사, 입력 데이터의 불확실성 등에 의해 제약되므로, 체계적인 검증(Verification)과 검정(Validation), 불확실성 정량화(Uncertainty Quantification) 절차가 결과의 신뢰성을 뒷받침한다. 본 절에서는 유체역학 시뮬레이션의 방법론, 검증 체계, 그리고 실무적 적용 절차를 학술적으로 정리한다.

1. 시뮬레이션의 분류와 목적

유체역학 시뮬레이션은 해석 대상과 방법에 따라 여러 범주로 구분된다. 전 해상도의 직접 수치 해석(Direct Numerical Simulation, DNS)은 나비에-스토크스 방정식을 어떠한 모델도 도입하지 않고 풀어내며, 가장 정확한 참값을 제공하나 계산 비용이 막대하다. Large Eddy Simulation(LES)은 큰 스케일 난류 구조를 직접 해석하고 작은 스케일에 대해서만 서브그리드 모델을 적용한다. Reynolds-Averaged Navier-Stokes(RANS)는 평균장만을 해석하여 가장 경제적이며, 공학적 설계에 널리 사용된다. 하이브리드 기법으로는 Detached Eddy Simulation(DES)과 Scale-Adaptive Simulation(SAS)이 있다.

목적에 따라서는 설계 최적화, 성능 예측, 안전성 평가, 사후 사고 분석, 물리 현상 규명 등 다양한 용도로 시뮬레이션이 수행된다. 각 목적에 적합한 충실도와 검증 수준의 선택이 요구된다.

2. 검증과 검정의 개념적 구분

American Society of Mechanical Engineers(ASME)의 V&V 가이드라인은 검증(Verification)과 검정(Validation)을 다음과 같이 명확히 구분한다.

검증(Verification)은 수학적 모델이 수치적으로 정확히 해석되었는지를 평가한다. 즉 “방정식을 올바르게 풀었는가“를 확인하는 과정이다.
검정(Validation)은 수학적 모델이 실제 물리 현상을 충실히 기술하는지를 평가한다. 즉 “올바른 방정식을 풀었는가“를 확인하는 과정이다.

이 구분은 Roache, Oberkampf, Roy 등에 의해 체계적으로 정립되었으며, 현대 계산 과학의 표준 용어로 자리 잡고 있다. 검증은 수학과 수치 해석의 영역에 속하며, 검정은 실험과의 비교를 통해 수행되는 물리적 평가이다.

3. 검증의 수준과 기법

검증은 크게 코드 검증(code verification)과 계산 검증(calculation verification)으로 구분된다. 코드 검증은 소프트웨어가 의도한 대로 동작함을 확인하는 과정으로, 제조 해법(Method of Manufactured Solutions, MMS), 기본 해와의 비교, 회귀 시험 등이 사용된다. MMS는 임의의 해를 가정하고 이를 만족시키는 소스 항을 지배 방정식에 도입하여, 수치 해가 가정한 해석 해에 수렴하는지를 확인하는 강력한 기법이다.

계산 검증은 특정 문제에 대한 이산화 오차를 정량화하는 과정이다. 가장 널리 쓰이는 기법은 격자 수렴성 분석(grid convergence study)이며, 세 가지 이상의 격자 해상도에서 얻은 결과를 Richardson 외삽에 적용하여 격자 수렴 지수(Grid Convergence Index, GCI)를 산출한다. GCI는 격자 의존성에 의한 수치 오차의 보수적 추정치를 제공한다.

4. 시간 단계와 반복 수렴의 검증

비정상 시뮬레이션에서는 시간 단계 의존성 또한 검증되어야 한다. 시간 단계를 순차적으로 축소하며 해의 변화를 관찰함으로써 시간 이산화 오차를 평가할 수 있다. 반복 해법에서는 각 반복 단계의 잔차(residual)가 지정된 수렴 기준 이하로 감소할 때까지 수행되어야 하며, 잔차 수렴 수준은 최종 결과의 정확도에 직접적 영향을 미친다.

5. 검정 계층과 실험적 비교

검정은 일반적으로 여러 계층으로 나뉘는 계층적 검정 체계를 따른다. 가장 단순한 단위 문제(unit problem)에서부터 시작하여, 벤치마크(benchmark) 문제, 서브 시스템(subsystem) 문제, 완전 시스템(system) 문제로 이어지는 계층 구조는 복잡한 실제 문제에 대한 시뮬레이션 신뢰성을 점진적으로 확립한다.

각 계층에서는 실험 데이터와의 정량적 비교가 핵심이 된다. 비교 대상으로는 벽면 압력 분포, 힘 계수, 속도 프로파일, 난류 운동 에너지, 열전달 계수 등이 선정되며, 각 물리량의 상대 오차와 불확실성 구간이 평가된다. 실험 데이터 자체의 불확실성 또한 검정의 중요한 요소이며, 이를 고려하지 않은 단순 비교는 정량적 의미가 제한된다.

6. 불확실성 정량화

시뮬레이션의 총 불확실성은 여러 성분으로 분해된다. 수치 오차(numerical error)는 이산화와 반복 수렴에서 비롯되며, 모델 불확실성(model uncertainty)은 난류 모델, 상태 방정식, 경계 조건 등의 근사에서 발생한다. 입력 불확실성(input uncertainty)은 물성치, 기하 치수, 운용 조건의 측정 오차에서 비롯된다.

Aleatory uncertainty는 본질적 확률성을 가진 불확실성을, epistemic uncertainty는 지식의 부족에 기인하는 불확실성을 의미한다. Monte Carlo 기법, 확률 콜로케이션(probabilistic collocation), Polynomial Chaos Expansion(PCE)은 이러한 불확실성을 정량적으로 전파시키는 대표적 방법이다.

7. 벤치마크 데이터베이스와 공개 자원

V&V를 지원하기 위해 다양한 벤치마크 데이터베이스가 공개되어 있다. NASA Turbulence Modeling Resource는 난류 모델 검정을 위한 고품질 시험 예제를 제공하며, ERCOFTAC(European Research Community on Flow, Turbulence and Combustion) 데이터베이스는 실험 데이터와 DNS 결과를 포괄적으로 수록한다. AIAA의 Drag Prediction Workshop과 High Lift Prediction Workshop은 특정 공력 구성에 대한 정기적 비교 시험을 통해 CFD 해석 수준을 국제적으로 평가한다.

8. 상용 및 오픈소스 시뮬레이션 환경

유체역학 시뮬레이션은 상용 소프트웨어와 오픈소스 소프트웨어 양쪽에서 활발히 개발되고 있다. 대표적 상용 코드로는 ANSYS Fluent, ANSYS CFX, Siemens STAR-CCM+, COMSOL Multiphysics 등이 있으며, 광범위한 물리 모델과 사용자 지원 체계를 제공한다. 오픈소스 진영에서는 OpenFOAM, SU2, Code_Saturne, Nek5000, basilisk 등이 널리 사용되며, 학술 연구와 맞춤형 개발에 유연성을 제공한다.

로봇 공학 응용을 위한 특화된 소프트웨어로는 수중 환경 시뮬레이터인 UUV Simulator, DAVE, 해양 수치 해석 도구 SWASH, 비행 시뮬레이션의 공력 데이터와 결합되는 Gazebo와 Unreal 기반 환경 등이 존재한다.

9. 시뮬레이션과 실험의 상호 보완

시뮬레이션과 실험은 경쟁이 아닌 상호 보완 관계에 있다. 실험은 물리 현상의 근원적 증거를 제공하나 공간·시간 해상도와 측정 항목에 제한이 있으며, 시뮬레이션은 풍부한 정보를 제공하나 모델링 가정과 수치 오차에 의존한다. 두 접근법을 결합한 하이브리드 접근법으로는 실험 데이터를 시뮬레이션에 동화시키는 Data Assimilation, 실험 기반의 모델 교정(calibration), 실험-시뮬레이션 결합 제어 설계가 있다. Digital Twin 개념은 실시간 실험 데이터와 시뮬레이션을 융합하여 시스템 상태를 지속 갱신하는 통합 접근을 제공한다.

10. 로봇 공학 응용에서의 검증 절차

로봇 공학의 유체역학 시뮬레이션은 다음과 같은 표준 검증 절차를 거친다. 먼저 단순 기하 형상에 대한 표준 문제(예: 구 주변 유동, 채널 유동)의 결과를 문헌 값과 비교하여 해석 도구의 정상 작동을 확인한다. 다음으로 유사 로봇 플랫폼의 공개 벤치마크와 비교하여 모델링 선택의 타당성을 평가한다. 마지막으로 실제 로봇의 풍동 또는 수조 시험 결과와 비교하여 해석 결과의 검정을 수행한다.

11. 감소 차수 모델과 실시간 적용

고충실도 시뮬레이션은 계산 비용이 크므로 실시간 제어 시스템에 직접 사용할 수 없다. 이를 극복하기 위해 Proper Orthogonal Decomposition(POD), Dynamic Mode Decomposition(DMD), 기계 학습 기반 서로게이트 모델이 개발되어 있다. 이러한 감소 차수 모델은 사전 시뮬레이션 데이터베이스로부터 저차원 표현을 학습하며, 실시간 예측을 가능하게 한다. 감소 차수 모델의 적용에서도 원본 고충실도 해석과의 검증 체계가 여전히 필요하다.

12. 로봇 공학에서의 의의

유체역학 시뮬레이션과 검증은 로봇 공학의 해석 결과가 설계 의사 결정과 안전 인증에 사용될 수 있도록 하는 신뢰의 근간을 제공한다. 본 절에서 정리한 검증, 검정, 불확실성 정량화의 체계는 드론, 수중 로봇, 소프트 로봇 등 다양한 로봇 시스템의 성능 예측과 운용 안전성 평가에 직접적으로 적용된다. 이를 통해 시뮬레이션은 단순한 예측 수단을 넘어, 설계와 인증의 정식 증거 자료로 기능할 수 있다.

13. 출처

Oberkampf, W. L., and Roy, C. J., Verification and Validation in Scientific Computing, Cambridge University Press, 2010.
Roache, P. J., Verification and Validation in Computational Science and Engineering, Hermosa, 1998.
American Society of Mechanical Engineers, Standard for Verification and Validation in Computational Fluid Dynamics and Heat Transfer, ASME V&V 20-2009, 2009.
Celik, I. B., Ghia, U., Roache, P. J., Freitas, C. J., Coleman, H., and Raad, P. E., “Procedure for Estimation and Reporting of Uncertainty Due to Discretization in CFD Applications,” Journal of Fluids Engineering, vol. 130, no. 7, 078001, 2008.
Smith, R. C., Uncertainty Quantification: Theory, Implementation, and Applications, SIAM, 2013.
Slotnick, J. P., et al., CFD Vision 2030 Study: A Path to Revolutionary Computational Aerosciences, NASA/CR-2014-218178, 2014.

14. 버전

v1.0