구조 최적화와 토폴로지 최적화를 통한 경량 고효율 구조 설계: 원리, 알고리즘, 건설과 산업 현장의 적용

1. 왜 지금 '가볍고 효율적인 구조'인가

구조공학의 오래된 숙제는 언제나 같았습니다. 정해진 하중을 안전하게 버티면서, 재료는 가능한 한 적게. 하지만 이 숙제의 무게는 시대에 따라 달라집니다. 20세기 중반까지는 주로 재료비와 시공성이 문제였다면, 오늘날에는 여기에 탄소 배출, 운송 에너지, 연비, 배터리 주행거리라는 새 변수가 더해졌습니다.

건설 분야에서 시멘트와 철강 생산은 전 세계 온실가스 배출에서 상당한 비중을 차지하는 산업으로 꼽힙니다. 건물 하나를 지을 때 쓰이는 콘크리트와 철골의 양을 줄이면, 그만큼 내재 탄소(embodied carbon)가 줄어듭니다. 운영 단계의 에너지 효율이 크게 개선되면서, 오히려 재료 생산과 시공에서 나오는 탄소의 상대적 비중이 커졌다는 지적이 많아진 것도 같은 맥락입니다.

항공 분야는 더 직접적입니다. 비행기는 무게 1kg을 줄이면 그 1kg을 수명 내내 들어 올리는 데 쓰였을 연료를 아낄 수 있습니다. 자동차도 마찬가지여서, 전기차 시대에는 차체 경량화가 곧 주행거리와 배터리 용량 설계에 영향을 줍니다. 그래서 항공·자동차 업계는 1990년대부터 토폴로지 최적화를 설계 초기 단계의 표준 도구로 받아들이기 시작했습니다.

여기서 중요한 단어는 '가볍다'가 아니라 '효율적이다'입니다. 단순히 재료를 깎아내면 누구나 가볍게 만들 수 있습니다. 문제는 강성, 강도, 진동 특성, 좌굴 안정성을 유지하면서 깎아내는 것입니다. 구조 최적화는 이 균형점을 수학적으로 찾아내는 학문이며, 그중 토폴로지 최적화는 "어디에 구멍을 뚫을지, 부재를 몇 개 둘지조차 정해지지 않은 상태"에서 출발한다는 점에서 가장 자유도가 높은 방법입니다.

2. 구조 최적화의 세 갈래: 치수, 형상, 위상

구조 최적화는 설계자가 무엇을 바꿀 수 있느냐, 즉 설계변수(design variable)가 무엇이냐에 따라 크게 세 가지로 나뉩니다. 이 분류는 마틴 벤쇠(Martin P. Bendsøe)와 올레 지그문드(Ole Sigmund)의 교재 Topology Optimization: Theory, Methods and Applications를 비롯한 대부분의 문헌에서 공통으로 쓰입니다.

2-1. 치수 최적화(Sizing Optimization)

트러스의 각 부재 단면적, 판의 두께, 보의 플랜지 폭처럼 형태는 그대로 두고 크기만 바꾸는 방식입니다. 설계변수가 적고 결과를 바로 도면에 옮길 수 있어 실무에서 가장 오래, 가장 널리 쓰여 왔습니다. 철골 건물의 부재 단면 선정을 자동화하는 상용 구조설계 프로그램의 '최적 단면 검색' 기능이 대표적인 예입니다. 다만 출발점이 되는 구조 형식 자체가 비효율적이라면, 치수 최적화는 그 비효율 안에서의 최선을 찾을 뿐입니다.

2-2. 형상 최적화(Shape Optimization)

구조물의 경계선 위치를 설계변수로 삼습니다. 필렛의 곡률, 구멍 가장자리의 윤곽, 아치의 곡선, 쉘 지붕의 높이 분포 등이 여기에 해당합니다. 응력 집중을 낮추는 데 탁월하지만, 처음 정한 구멍의 개수와 연결 관계(위상)는 바뀌지 않는다는 근본적 한계가 있습니다. 구멍이 하나인 판은 아무리 최적화해도 구멍이 하나인 판으로 남습니다.

2-3. 토폴로지 최적화(Topology Optimization)

수학에서 위상(topology)은 '구멍의 개수와 연결성'을 다루는 분야입니다. 토폴로지 최적화는 바로 이 위상을 바꿀 수 있는 최적화입니다. 설계자는 재료가 들어갈 수 있는 공간(설계영역), 지지 조건, 하중 조건, 그리고 사용할 재료량만 지정합니다. 그러면 알고리즘이 공간의 각 점에 재료가 있어야 하는지 없어야 하는지를 결정하며, 그 과정에서 구멍이 새로 생기기도 하고 부재가 합쳐지거나 사라지기도 합니다.

실무에서는 이 셋을 순서대로 엮는 경우가 많습니다. 토폴로지 최적화로 뼈대의 개념을 잡고 → 형상 최적화로 윤곽을 다듬고 → 치수 최적화로 두께와 단면을 확정하는 흐름이죠. 자동차 부품 개발에서 흔히 쓰는 이 3단계 워크플로는 뒤에서 자세히 다루겠습니다.

3. 짧은 역사: 맥스웰의 펜에서 GPU 클러스터까지

토폴로지 최적화는 컴퓨터가 만든 신기술처럼 보이지만, 그 사상의 뿌리는 150년이 넘습니다.

4. 문제를 수식으로 옮기기: 최적화 정식화

모든 최적화 문제는 세 가지 질문에 답하는 데서 시작합니다. 무엇을 바꿀 것인가(설계변수), 무엇을 좋게 할 것인가(목적함수), 무엇을 지켜야 하는가(제약조건).

4-1. 가장 고전적인 문제: 컴플라이언스 최소화

토폴로지 최적화의 '헬로 월드'는 부피 제약 하의 컴플라이언스 최소화 문제입니다. 컴플라이언스(compliance)는 강성의 역수에 해당하는 개념으로, 외력이 구조물에 한 일, 즉 변형에너지의 두 배와 같습니다. 컴플라이언스가 작을수록 구조물은 같은 하중에 덜 처지는, 다시 말해 더 단단한 구조입니다.

여기서 각 기호의 의미는 다음과 같습니다.

이 문제 설정은 단순해 보이지만, 아주 영리한 구조를 갖고 있습니다. '재료를 30%만 써라'라는 제약과 '최대한 단단하게'라는 목표가 서로 줄다리기를 하면서, 알고리즘은 하중 경로상에 놓인 요소에는 재료를 몰아주고 그렇지 않은 요소는 비우게 됩니다.

4-2. 왜 '0 아니면 1'로 풀지 않을까

원래 토폴로지 최적화의 본질은 이산(discrete) 문제입니다. 각 요소에 재료가 있거나(1) 없거나(0) 둘 중 하나죠. 그런데 요소가 10만 개라면 가능한 조합은 2의 10만 제곱이라는 천문학적인 수가 됩니다. 유전 알고리즘 같은 방법으로 이 공간을 무작정 탐색하는 것은, 문헌에서 반복적으로 지적되듯 대규모 문제에서 현실적이지 않습니다.

그래서 대부분의 실용적 방법은 설계변수를 0과 1 사이의 연속값으로 '완화(relaxation)'합니다. 연속변수가 되면 미분, 즉 기울기 정보를 쓸 수 있고, 기울기 기반 최적화는 변수가 수백만 개여도 수십~수백 번의 반복으로 수렴할 수 있습니다. 문제는 0.5 같은 '회색' 밀도가 물리적으로 무엇을 뜻하느냐는 것입니다. 이 난제를 풀기 위한 대표적 해답이 바로 SIMP입니다.

5. SIMP: 회색을 흑백으로 밀어내는 페널티의 마법

SIMP는 Solid Isotropic Material with Penalization의 약자로, '페널티를 적용한 등방성 고체 재료'라는 뜻입니다. 핵심 아이디어는 한 줄로 요약됩니다.

요소의 영률(탄성계수)을 밀도의 p제곱에 비례하게 두는 것입니다. 반면 부피(=재료 사용량)는 밀도에 정비례합니다. 이게 왜 중요한지 그래프로 보면 직관적으로 이해됩니다.

p = 3일 때 밀도 0.5인 요소는 재료를 절반이나 쓰면서도 강성은 고작 0.5³ = 12.5%밖에 내지 못합니다. 최적화 알고리즘 입장에서 이런 요소는 '가성비 최악'입니다. 같은 재료로 차라리 한 요소를 완전히 채우고(강성 100%) 다른 요소는 비우는 편이 훨씬 이득이죠. 그 결과 중간 밀도는 자연스럽게 사라지고, 해가 0과 1로 양극화됩니다.

5-1. SIMP의 친척들: RAMP와 균질화법

RAMP(Rational Approximation of Material Properties)는 2001년 스톨페(Stolpe)와 스반베리(Svanberg)가 제안한 보간 방식으로, 거듭제곱 대신 유리함수 x/(1+q(1−x))를 씁니다. 밀도가 0 근처일 때도 기울기가 0이 되지 않는다는 성질 덕분에, 자중(self-weight)이나 열하중처럼 하중이 밀도에 따라 변하는 문제에서 SIMP보다 안정적인 경우가 있다고 보고됩니다.

역사적으로 먼저 등장한 균질화법은 각 요소 안에 직사각형 구멍이 뚫린 미세구조를 가정하고, 그 구멍의 크기와 방향을 설계변수로 둡니다. 물리적 의미가 명확하다는 장점이 있지만 변수가 많고 결과에 미세한 '다공질' 영역이 남기 쉬워, 실무에서는 SIMP가 주류가 되었습니다. 다만 균질화 개념은 최근 격자(lattice) 구조와 결합한 디호모지나이제이션(de-homogenization) 기법으로 화려하게 부활하고 있습니다.

6. 민감도 해석: 각 요소에게 "너 얼마나 중요해?"라고 묻기

기울기 기반 최적화를 하려면 목적함수를 각 설계변수로 미분한 값, 즉 민감도(sensitivity)가 필요합니다. 요소가 100만 개라면 100만 개의 미분값이 필요한데, 각 요소의 밀도를 조금씩 바꿔 가며 유한요소해석을 100만 번 돌리는 유한차분법은 당연히 불가능합니다. 여기서 등장하는 구원투수가 수반법(adjoint method)입니다.

6-1. 컴플라이언스의 우아한 민감도

컴플라이언스 최소화 문제는 '자기수반(self-adjoint)' 성질을 가지고 있어, 수반 문제를 따로 풀 필요가 없습니다. 결과는 놀랄 만큼 간단합니다.

여기서 u_e는 요소 e의 절점 변위, k₀는 영률이 1인 기준 요소 강성행렬입니다. u_e^Tk₀u_e는 사실상 그 요소에 저장된 변형에너지에 비례하는 양입니다. 다시 말해 변형에너지를 많이 품고 있는 요소일수록 밀도를 높이면 컴플라이언스가 많이 줄어든다는 뜻이죠. 한 번의 유한요소해석으로 모든 요소의 민감도를 한꺼번에 얻을 수 있습니다.

부호가 항상 음수라는 점도 의미심장합니다. 컴플라이언스 문제에서는 어느 요소든 재료를 더하면 구조가 더 단단해집니다. 그래서 부피 제약이 없다면 정답은 '전부 채우기'가 되어 버리고, 부피 제약이 있어야 비로소 '어디를 채울 것인가'라는 흥미로운 문제가 됩니다.

6-2. 일반적인 목적함수의 경우

특정 지점의 변위를 원하는 방향으로 만들고 싶은 문제(컴플라이언트 메커니즘 설계 등)나 응력 제약 문제는 자기수반이 아닙니다. 이때는 원래의 평형 방정식 KU = F 외에 수반 방정식 Kλ = −∂g/∂U를 한 번 더 풉니다. 강성행렬 K가 같기 때문에 이미 분해(factorization)해 둔 행렬을 재사용할 수 있어 추가 비용이 크지 않습니다. 제약함수의 개수만큼 수반 해석이 필요하다는 점은 기억해 둘 만합니다. 그래서 수천 개의 국부 응력 제약을 그대로 다루면 계산량이 폭증하고, 이를 하나 또는 몇 개의 집계 함수로 묶는 기법이 발달했습니다.

7. 설계변수 업데이트: OC 방법과 MMA

민감도를 알았다면 이제 밀도를 어떻게 바꿀지 정해야 합니다. 토폴로지 최적화에서 가장 많이 쓰이는 두 가지 방법을 살펴보겠습니다.

7-1. 최적성 기준법(OC, Optimality Criteria)

OC 방법은 라그랑주 승수를 이용한 최적성 조건에서 출발한 휴리스틱한 갱신식입니다. 직관적으로 설명하면 이렇습니다. "변형에너지 밀도가 평균보다 높은 요소는 밀도를 올리고, 낮은 요소는 내린다. 단, 전체 부피가 목표치를 지키도록 라그랑주 승수를 이분법(bisection)으로 맞춘다." 지그문드의 99줄 코드가 사용한 방식이 바로 이것입니다.

# OC 갱신의 핵심 (개념 설명용 Python 의사코드)
l1, l2, move = 0.0, 1e9, 0.2
while (l2 - l1) / (l1 + l2) > 1e-3:
    lmid = 0.5 * (l1 + l2)
    B = -dc / (dv * lmid)              # 최적성 비율
    xnew = clip(x * sqrt(B),           # 감쇠 계수 0.5
                max(0, x - move), min(1, x + move))
    if xnew.mean() > volfrac:          # 부피 초과면 승수 증가
        l1 = lmid
    else:
        l2 = lmid
x = xnew

여기서 move limit(이동 한계) 0.2는 한 번의 반복에서 밀도가 너무 급격하게 변하지 않도록 막는 안전장치입니다. 부피 제약이 하나뿐인 컴플라이언스 문제에서 OC는 단순하고 빠르며 매우 안정적입니다. 하지만 제약이 여러 개이거나 목적함수가 복잡해지면 쓰기 어렵습니다.

7-2. 이동점근선법(MMA, Method of Moving Asymptotes)

MMA는 스웨덴의 크리스터 스반베리(Krister Svanberg)가 1987년 발표한 방법으로, 오늘날 토폴로지 최적화 연구에서 사실상의 표준 최적화기로 쓰입니다. 매 반복마다 목적함수와 제약함수를 볼록하고 분리 가능한(separable) 근사 함수로 대체한 뒤 그 부문제를 풉니다. 근사 함수의 곡률을 결정하는 '점근선'이 반복마다 움직이면서 진동하면 좁히고, 단조롭게 수렴하면 넓히는 방식으로 스스로 보폭을 조절합니다.

7-3. 전체 반복 루프 한눈에 보기

8. 수치적 함정과 그 해법: 체커보드, 메쉬 의존성, 국소해

토폴로지 최적화를 처음 구현해 본 사람이라면 십중팔구 이상한 결과를 마주합니다. 검은 칸과 흰 칸이 바둑판처럼 번갈아 나타나는 무늬, 메쉬를 촘촘히 할수록 점점 가늘고 복잡해지는 부재들. 이 현상들은 1990년대 연구자들을 오랫동안 괴롭혔고, 지그문드와 페테르손(Petersson)의 1998년 리뷰 논문은 이 문제들을 체계적으로 정리한 고전으로 꼽힙니다.

8-1. 체커보드(Checkerboard) 패턴

저차(1차) 사각형 요소를 쓸 때, 대각선 방향으로만 연결된 '바둑판' 배열이 수치적으로 실제보다 과도하게 단단하게 계산되는 현상입니다. 꼭짓점 하나로만 이어진 두 요소는 물리적으로는 힘을 거의 전달할 수 없는데, 유한요소 근사의 결함 때문에 강성이 있는 것처럼 보이는 거죠. 최적화기는 이 '버그'를 귀신같이 찾아내 이용합니다. 최적화 알고리즘은 해석 모델의 약점을 파고드는 데 천재적이라는 점은 토폴로지 최적화에서 늘 명심해야 할 교훈입니다.

8-2. 메쉬 의존성(Mesh Dependency)

같은 문제를 더 촘촘한 메쉬로 풀면 더 가늘고 많은 부재가 생기는 현상입니다. 근본적으로 연속체 컴플라이언스 최소화 문제는 해가 존재하지 않을 수 있는(ill-posed) 문제이기 때문입니다. 무한히 가는 부재를 무한히 많이 두는 미세구조가 이론적으로 더 유리할 수 있어서, 메쉬가 허락하는 한 끝없이 잘게 쪼개려 하는 것이죠. 이 문제를 해결하려면 최소 부재 크기(length scale)라는 정보를 문제에 인위적으로 집어넣어야 합니다.

8-3. 해법 1: 필터링

필터 반경 r_min은 사실상 최소 부재 두께를 지정하는 손잡이 역할을 합니다. 메쉬를 아무리 촘촘히 해도 r_min을 물리적 길이로 고정하면 거의 같은 형상이 나옵니다. 제조 공정의 최소 두께(예: 주조 시 최소 살두께, 적층제조의 최소 벽 두께)를 이 값에 반영하는 것이 실무의 요령입니다.

8-4. 해법 2: 헤비사이드 투영(Projection)

밀도 필터를 쓰면 경계에 0.3~0.7 같은 회색 영역이 남는데, 이것을 다시 선명하게 만드는 기법이 투영입니다. 게스트(Guest) 등이 2004년 제안한 헤비사이드 투영은 필터된 밀도를 계단함수에 가까운 매끄러운 함수에 통과시켜 0 또는 1로 밀어냅니다. 투영의 날카로움을 조절하는 매개변수 β를 1, 2, 4, 8, 16…처럼 단계적으로 키우는 연속법이 흔히 쓰입니다.

더 나아가 강건 설계 정식화(robust formulation)는 같은 설계를 '살짝 침식된(eroded)', '원래(intermediate)', '살짝 팽창된(dilated)' 세 가지 버전으로 동시에 평가합니다. 제조 오차로 부재가 조금 가늘어지거나 두꺼워져도 성능이 유지되도록 하는 이 방식은, 동시에 고체 영역과 빈 영역 모두에 최소 길이 척도를 부여하는 효과도 있습니다.

8-5. 국소해(Local Minima)

SIMP 문제는 페널티 때문에 비볼록(non-convex) 문제가 됩니다. 시작점이나 매개변수에 따라 서로 다른 결과로 수렴할 수 있다는 뜻입니다. 전역 최적해를 보장하는 방법은 대규모 문제에서 현실적이지 않으므로, 실무에서는 연속법, 여러 초기값 시도, 결과의 공학적 타당성 검토로 대응합니다. 토폴로지 최적화 결과는 '수학적으로 증명된 유일한 정답'이 아니라 '매우 좋은 설계 후보'로 받아들이는 것이 건강한 태도입니다.

9. SIMP만 있는 게 아니다: 다양한 토폴로지 최적화 방법

9-1. ESO와 BESO: 깎아내는 진화

1993년 시에와 스티븐이 제안한 ESO(Evolutionary Structural Optimization)는 개념이 아주 직관적입니다. "응력이나 변형에너지가 낮은, 즉 덜 일하는 요소를 조금씩 제거한다." 조각가가 대리석을 깎듯 비효율적인 재료를 반복적으로 덜어내 최종 형상에 이릅니다.

초기 ESO는 한 번 제거한 요소를 되살릴 수 없어 최적성이 떨어지는 경우가 있었습니다. 이를 개선한 것이 BESO(Bi-directional ESO, 양방향 진화적 구조 최적화)로, 필요한 곳에는 요소를 다시 추가할 수 있습니다. 시에와 황샤오디(X. Huang) 등은 이후 민감도 필터와 이력 평균화를 도입한 개선된 BESO를 발표하며 수렴성과 메쉬 독립성을 크게 높였습니다. BESO의 결과는 근본적으로 0 아니면 1이라 회색 영역이 없다는 장점이 있어, 건축 분야에서 특히 사랑받았습니다.

9-2. 레벨셋 방법: 경계를 직접 움직인다

레벨셋 방법은 구조의 경계를 어떤 함수 φ의 등고선(φ = 0)으로 표현합니다. φ > 0인 곳은 재료, φ < 0인 곳은 빈 공간이죠. 최적화는 이 함수를 민감도(형상 미분)를 속도장 삼아 해밀턴-야코비 방정식으로 진화시키는 방식으로 진행됩니다.

장점은 분명합니다. 경계가 항상 선명하고 매끄러워서 회색 영역이 없고, 경계 조건(예: 표면에 작용하는 압력)을 정확히 다루기 좋습니다. 단점은 초기 설계에 구멍이 충분히 있어야 하는 경향이 있다는 점입니다(2차원 기본 정식화에서는 새 구멍을 만들기 어려움). 이를 보완하려고 '위상 미분(topological derivative)'을 함께 써서 새 구멍의 생성 위치를 판단하는 기법이 개발되었습니다.

9-3. 명시적 기하 기반 방법: MMC와 피처 매핑

2014년 중국 다롄이공대학의 궈쉬(Guo Xu) 등은 MMC(Moving Morphable Components, 이동 변형 가능 컴포넌트) 방법을 제안했습니다. 화소를 하나하나 칠하는 대신, 위치·길이·두께·각도를 가진 '막대 블록' 여러 개를 움직이고 늘리고 겹쳐서 구조를 만드는 방식입니다. 설계변수가 크게 줄고 결과가 곧바로 CAD 형상으로 이어진다는 점이 매력적입니다. 이와 비슷하게 기하 형상 기반으로 부재를 표현하는 여러 피처 매핑 기법이 함께 연구되고 있습니다.

9-4. 트러스 그라운드 구조법

건설공학에서 특히 중요한 방법입니다. 설계영역에 절점을 촘촘히 배치하고, 모든 절점 쌍을 잇는 잠재적 부재를 만든 뒤(이것이 그라운드 구조), 각 부재의 단면적을 최적화합니다. 단면적이 0이 된 부재는 사라지므로 결과적으로 위상이 결정됩니다. 소성 설계 관점의 최소 체적 문제는 선형계획법(LP)으로 정식화할 수 있어 대규모 문제도 효율적으로 풀 수 있습니다. 결과가 이미 '부재'의 형태라 철골 트러스나 브레이싱 설계로 옮기기 쉽습니다.

10. 강성 말고도 중요한 것들: 응력, 좌굴, 진동, 다물리

컴플라이언스 최소화는 출발점일 뿐입니다. 실제 구조물은 강도 부족으로 부서지고, 좌굴로 휘어 무너지고, 공진으로 흔들립니다. 실전 토폴로지 최적화는 이 모든 현상을 함께 다뤄야 합니다.

10-1. 응력 제약: 가장 까다로운 숙제

"어떤 지점에서도 응력이 허용응력을 넘지 않게 하라." 공학적으로는 가장 당연한 요구인데, 토폴로지 최적화에서는 가장 어려운 문제 중 하나입니다. 이유는 세 가지입니다.

컴플라이언스 최소화 결과는 날카로운 내부 모서리를 만드는 경향이 있는데, 응력 제약을 넣으면 그 모서리가 둥글게 바뀌는 것을 볼 수 있습니다. 강성 최적과 강도 최적은 같지 않다는 사실을 눈으로 확인할 수 있는 장면입니다.

10-2. 좌굴: 가늘어진 부재의 배신

토폴로지 최적화는 재료를 아끼려다 보니 가늘고 긴 압축재를 만들기 쉽습니다. 선형 정적 해석만으로는 좌굴을 알 수 없어서, 최적화 결과를 실제로 만들어 보니 압축재가 휘어 버리는 일이 생깁니다. 이를 막으려면 선형 좌굴 고유치 해석을 포함해 최소 좌굴 하중계수에 제약을 겁니다. 이때 밀도가 낮은 영역에서 의미 없는 '가짜 좌굴 모드(spurious mode)'가 나타나는 문제가 있어, 응력 강성 행렬 보간을 따로 처리하는 기법이 필요합니다. 건설 구조물처럼 압축재 비중이 큰 경우 이 부분은 결코 생략할 수 없습니다.

10-3. 고유진동수와 동적 응답

교량, 바닥판, 기계 프레임에서는 고유진동수를 외부 가진 주파수에서 멀리 떨어뜨리는 것이 중요합니다. 1차 고유진동수를 최대화하거나, 특정 대역에서 진동수 간격(밴드갭)을 넓히는 문제가 대표적입니다. 고유진동 문제에서는 반복 고유치(repeated eigenvalue)가 나타나면 미분이 불연속이 되는 수학적 난점과, 저밀도 요소에서 질량 대비 강성이 지나치게 작아져 생기는 국부 모드(localized mode) 문제가 있습니다. 후자는 저밀도 영역의 질량·강성 보간을 다르게 주는 방식으로 해결합니다.

10-4. 열·유체·다물리 최적화

토폴로지 최적화의 무대는 구조역학에 그치지 않습니다. 열전도 경로 최적화(전자 장비 방열판), 유체 유로 최적화(보로바니와 페테르손이 2003년 제안한 스토크스 유동 토폴로지 최적화가 기점), 열-구조 연성, 음향, 전자기, 광학 메타물질까지 확장되었습니다. 구조와 건설공학 관점에서는 열하중을 받는 구조물, 풍하중을 고려한 고층 건물 외피 등이 연관 분야입니다.

11. 그림을 실물로: 제조 제약과 적층제조

토폴로지 최적화의 결과는 종종 생물처럼 보입니다. 아름답지만, 이를 기존 공법으로 만들기는 쉽지 않습니다. 그래서 최적화 단계에서부터 제조 가능성(manufacturability)을 제약조건으로 넣는 것이 실무의 핵심 기술입니다.

11-1. 전통 공법을 위한 제약

11-2. 적층제조(3D 프린팅)와 오버행 제약

금속 분말 베드 용융(PBF) 같은 적층제조는 복잡한 형상을 만들 수 있게 해 주었지만, 공짜는 아닙니다. 아래층이 받쳐 주지 않는 돌출부, 즉 오버행(overhang)이 일정 각도보다 수평에 가까우면 처지거나 변형되어 서포트 구조가 필요합니다. 많은 금속 적층 공정에서 경험적으로 수평면 기준 약 45°가 자주 쓰이는 기준이지만, 실제 허용 각도는 재료와 장비, 공정 조건에 따라 달라집니다. 랑엘라르(M. Langelaar)가 2016~2017년 발표한 층별 필터 방식 등은 최적화 중에 이 오버행 제약을 직접 반영하는 대표적 연구입니다.

이 밖에도 적층제조에서는 잔류응력과 열 변형, 내부 빈 공간의 분말 제거 경로, 표면 거칠기에 의한 피로 강도 저하, 빌드 방향에 따른 이방성 등을 함께 고려해야 합니다. 토폴로지 최적화와 적층제조는 '최고의 궁합'으로 불리지만, 실제로는 공정 지식이 결합될 때 비로소 진가가 나오는 조합입니다.

11-3. 격자(Lattice) 구조와 다중 스케일 설계

적층제조는 내부를 수 밀리미터 크기의 격자로 채우는 것도 가능하게 했습니다. 이때 SIMP의 회색 밀도가 다시 의미를 갖습니다. 밀도 0.4인 요소는 '부피 비율 40%의 격자 셀'로 해석할 수 있기 때문입니다. 균질화 이론으로 격자 셀의 등가 물성을 계산한 뒤, 거시 구조의 밀도 분포와 미시 셀의 형태를 함께 최적화하는 것이 다중 스케일 토폴로지 최적화입니다. 앞서 언급한 디호모지나이제이션 기법은 이렇게 얻은 방향성 미세구조 정보를 실제 고해상도 형상으로 변환해, 계산 비용을 크게 줄이면서도 매우 세밀한 구조를 얻는 방법으로 주목받고 있습니다.

12. 건설공학 속의 토폴로지 최적화

기계 부품에 비해 건설 구조물은 토폴로지 최적화를 적용하기가 더 까다롭습니다. 규모가 크고, 하중 조건이 복잡하며(고정하중·활하중·풍하중·지진하중의 조합), 설계기준에 따른 검증 절차가 엄격하고, 무엇보다 현장 시공성이 결정적이기 때문입니다. 그럼에도 다음과 같은 영역에서 의미 있는 성과가 축적되고 있습니다.

12-1. 고층 건물의 브레이싱과 다이아그리드

고층 건물은 본질적으로 땅에 박힌 거대한 외팔보입니다. 횡하중(바람·지진)에 대한 강성이 설계를 지배하는 경우가 많아, 컴플라이언스 최소화와 궁합이 좋습니다. 1960~70년대 파즐러 칸(Fazlur Khan)이 SOM에서 설계한 시카고 존 핸콕 센터의 거대한 X 브레이싱은 컴퓨터 최적화 이전의 '직관적 최적 구조'로 자주 거론됩니다.

2010년대 초 일리노이 대학의 파울리노(G. H. Paulino) 연구실과 SOM의 윌리엄 베이커(William F. Baker) 등은 고층 건물의 브레이싱 패턴을 토폴로지 최적화로 도출하는 공동 연구를 발표했습니다. 연속체 최적화 결과에서 나타나는 브레이싱 각도와 패턴을 이산 부재 배치로 해석하는 방법을 제시했고, 하부에서 상부로 갈수록 브레이싱 패턴이 변화하는 결과는 실제 다이아그리드 설계의 직관과 맞닿아 있었습니다.

그림이 보여 주듯, 횡하중을 받는 건물은 아래로 갈수록 전도 모멘트와 전단력이 커집니다. 따라서 최적화된 배치는 하부에서 부재가 더 굵어지거나 밀도가 높아지는 경향을 띱니다. 물론 실제 설계에서는 층고, 개구부, 접합부 반복성, 내화 피복 등 수많은 실무 조건이 더해지므로, 최적화 결과는 구조 형식을 결정하는 '나침반'으로 쓰입니다.

12-2. 교량과 장스팬 지붕

교량 거더의 복부판(웨브) 개구부 배치, 아치교의 행어 배치, 트러스교의 부재 구성 등에 토폴로지 최적화와 그라운드 구조법이 연구되어 왔습니다. 장스팬 지붕에서는 쉘 구조의 두께 분포와 리브 배치를 최적화해, 자중을 줄이면서 좌굴 안정성을 확보하려는 시도가 이어지고 있습니다. 다만 이런 구조에서는 하중 조합이 많고 비대칭 적설·풍하중이 중요하므로 다중 하중 조건(multiple load cases)을 동시에 고려하는 정식화가 필수입니다. 단일 하중에만 최적화하면 다른 하중에서 극도로 취약한 구조가 나올 수 있습니다.

12-3. 철골 접합부 노드와 적층제조

건설 분야에서 적층제조와 토폴로지 최적화가 결합한 상징적 사례가 강구조 노드(node)입니다. 영국의 엔지니어링 회사 Arup은 2010년대 중반 장력 구조(텐세그리티)용 강철 노드를 최적화하고 금속 3D 프린팅으로 제작한 연구 프로젝트를 공개했으며, 기존 노드보다 크게 가볍고 작아진 결과를 발표해 화제가 되었습니다. 복잡한 자유곡면 건축물에서는 노드마다 각도와 하중이 모두 달라 표준화가 어렵기 때문에, '노드별 맞춤 최적화 + 디지털 제작'이 경제성을 가질 여지가 큽니다.

12-4. 콘크리트 구조와 최적화

콘크리트는 형틀(거푸집)만 있으면 어떤 형태든 만들 수 있다는 점에서 원래 최적 형상과 잘 어울리는 재료입니다. 문제는 복잡한 거푸집의 제작비였죠. 최근에는 3D 프린팅으로 거푸집을 만들거나, 콘크리트를 직접 적층 출력하는 기술이 발전하면서 휨 응력 분포를 따라 재료를 배치한 최적화 슬래브, 리브 패턴이 주응력선을 따라가는 바닥판 등이 연구·시범 적용되고 있습니다. 취리히 연방공대(ETH Zürich)의 연구 그룹들은 3D 프린팅 거푸집을 활용한 경량 콘크리트 슬래브 시제품을 여러 차례 선보였습니다.

철근콘크리트 설계에서 토폴로지 최적화는 또 다른 방식으로도 쓰입니다. 깊은 보(deep beam)나 개구부 주변처럼 응력 흐름이 복잡한 영역에서 스트럿-타이 모델(Strut-and-Tie Model)을 세울 때, 압축 스트럿과 인장 타이의 위치를 토폴로지 최적화 결과로부터 찾아내는 연구가 활발합니다. 기존에는 설계자의 경험에 크게 의존하던 하중 경로 결정에 객관적 근거를 제공한다는 점에서 의미가 큽니다. 인장 타이에 해당하는 위치가 곧 철근 배치의 힌트가 됩니다.

12-5. 형태 탐색(Form-finding)과의 관계

건축 구조에서는 토폴로지 최적화와 함께 형태 탐색이라는 오랜 전통이 있습니다. 가우디가 쇠사슬을 거꾸로 매달아 아치 형상을 찾은 '현수 모형', 프라이 오토(Frei Otto)의 비누막 실험, 하인츠 이슬러(Heinz Isler)의 쉘 실험이 그 계보입니다. 현대에는 힘 밀도법(force density method), 동적 이완법(dynamic relaxation), 추력 네트워크 분석 같은 수치 기법으로 계승되고 있습니다. 형태 탐색이 '주어진 위상에서 순수 인장 또는 순수 압축 상태의 형상'을 찾는다면, 토폴로지 최적화는 '위상 자체를 포함한 재료 배치'를 찾는다는 점에서 상호 보완적입니다.

13. 산업 현장의 대표 사례

13-1. 항공: 에어버스 A380 날개 앞전 리브

토폴로지 최적화의 산업 적용에서 가장 자주 인용되는 사례 중 하나는 에어버스 A380 날개 앞전(leading edge)의 리브입니다. 에어버스 엔지니어들은 2000년대 초 Altair의 OptiStruct를 활용해 리브의 토폴로지·치수·형상 최적화를 수행했고, 관련 발표(크로그(L. Krog) 등, 2004년)에서는 이를 통해 기체 한 대당 상당한 무게, 수백 kg 수준의 절감을 얻었다고 보고했습니다. 대형 여객기의 운용 기간 전체에 걸친 연료 절감을 생각하면 그 경제적 가치는 매우 큽니다.

13-2. 항공: 생체모방 객실 칸막이

2010년대 중반 에어버스는 Autodesk 등과 협업해 A320 계열 객실의 칸막이(partition)를 생성형 설계와 적층제조로 재설계한 '바이오닉 파티션'을 공개했습니다. 점균류의 네트워크와 포유류 뼈의 성장 원리를 참고한 알고리즘으로 격자형 구조를 만들었고, 기존 칸막이보다 약 45% 가벼워졌다고 발표했습니다. 이 사례는 기능적 성능뿐 아니라 '생성형 설계'라는 말을 대중에게 널리 알린 계기가 되기도 했습니다.

13-3. 자동차: 브래킷에서 차체까지

자동차 업계는 엔진 마운트 브래킷, 서스펜션 암, 시트 프레임, 브레이크 캘리퍼 같은 부품에 토폴로지 최적화를 일상적으로 사용합니다. 차체(BIW, Body-in-White) 단계에서는 굽힘·비틀림 강성과 고유진동수를 목표로 하중 경로를 먼저 찾고, 이를 바탕으로 프레임과 보강재 배치를 결정합니다. 충돌 성능처럼 대변형·비선형·접촉이 개입하는 문제는 직접적인 토폴로지 최적화가 어려워, 등가 정하중법(ESL, Equivalent Static Loads) 같은 근사 기법이 활용됩니다. 국내 연구진(박경진 교수 연구팀 등)이 이 등가 정하중법 분야에서 활발한 연구를 해 온 것으로 알려져 있습니다.

13-4. 우주: 위성 브래킷과 발사체 부품

우주 분야는 kg당 발사 비용이 매우 높아 경량화 압력이 극단적입니다. 위성의 안테나 브래킷, 구조 패널 인서트, 추진계 부품 등에 토폴로지 최적화와 금속 적층제조를 결합한 사례가 다수 보고되어 왔습니다. 발사 시의 강한 진동 환경 때문에 고유진동수 제약이 특히 중요하다는 점이 지상 구조물과 다른 특징입니다.

14. 실무 워크플로: 결과 화면이 끝이 아니다

토폴로지 최적화 소프트웨어가 만들어 준 뼈대 그림은 아름답지만, 그 자체로는 아직 설계가 아닙니다. 실무에서 흔히 쓰이는 전체 흐름은 다음과 같습니다.

14-1. 결과 해석의 기술

최적화 결과를 도면으로 옮길 때 엔지니어는 다음 질문들을 스스로 던져야 합니다.

14-2. 도구 생태계

상용 분야에서는 Altair OptiStruct, Dassault Systèmes의 Tosca 계열, ANSYS의 토폴로지 최적화 모듈, Siemens의 NX·Simcenter 관련 기능, Autodesk Fusion의 생성형 설계 등이 널리 쓰입니다. 건축 분야에서는 Rhino-Grasshopper 환경의 플러그인(예: Millipede, Karamba3D 등)을 이용한 파라메트릭 구조 탐색이 인기가 있습니다. 연구·교육 분야에서는 지그문드 그룹의 MATLAB 코드, 파이썬 기반 구현, 오픈소스 유한요소 프레임워크와 연결한 대규모 병렬 코드가 활발히 공유됩니다. 이처럼 도구가 다양해지면서 최적화 모델링이나 결과 형상의 CAD 재구성 같은 전문 작업을 외부 전문가에게 의뢰하는 수요도 늘고 있는데, 재능넷 같은 재능 공유 플랫폼에서 구조해석·3D 모델링 역량을 가진 프리랜서를 찾는 것도 하나의 방법이 될 수 있습니다.

15. 한계와 주의점: 최적화는 마법이 아니다

토폴로지 최적화가 강력한 만큼, 그 한계를 정확히 아는 것이 더 중요합니다.

결국 토폴로지 최적화는 엔지니어를 대체하는 기계가 아니라, 엔지니어의 직관을 확장하는 망원경에 가깝습니다. 사람이 미처 상상하지 못한 하중 경로를 보여 주고, 그 결과를 현실의 제약과 맞춰 다듬는 일은 여전히 공학자의 몫입니다.

16. 계산 규모와 성능: 얼마나 큰 문제까지 풀 수 있나

토폴로지 최적화의 계산 비용은 대부분 반복마다 수행하는 유한요소해석, 즉 대형 연립방정식 풀이에서 나옵니다. 2차원 교육용 문제는 노트북에서도 몇 초~몇 분이면 끝나지만, 3차원 고해상도 문제는 상황이 다릅니다. 요소 수가 늘면 해석 비용이 급격히 커지기 때문에, 대규모 문제에서는 직접 해법 대신 다중격자 전처리(multigrid preconditioning)를 사용한 반복 해법과 PETSc 같은 병렬 라이브러리가 쓰입니다.

앞서 언급한 2017년 DTU 연구진의 Nature 논문(아게(N. Aage) 등)은 보잉 777 크기의 날개를 대상으로 10억 개가 넘는 복셀 해상도의 토폴로지 최적화를 수행했다고 보고했습니다. 결과로 얻은 내부 구조는 전통적인 리브-스파 구조와 달리 곡선형 리브와 대각 부재가 섞인 형태였으며, 연구진은 이것이 기존 설계 대비 상당한 구조 중량 절감 가능성을 시사한다고 밝혔습니다. 이는 제조 가능성을 바로 의미하지는 않지만, "계산 해상도가 충분히 높아지면 완전히 새로운 구조 형식이 보인다"는 메시지를 강렬하게 남겼습니다.

GPU 가속도 중요한 흐름입니다. 구조화된 격자(복셀) 기반 토폴로지 최적화는 행렬을 조립하지 않는 matrix-free 방식과 잘 맞아 GPU 병렬화 효율이 높습니다. 덕분에 몇 년 전까지 슈퍼컴퓨터가 필요했던 규모의 문제 일부를 워크스테이션급 GPU에서 다룰 수 있게 되었습니다.

17. 미래의 방향: AI, 생성형 설계, 탄소 중심 최적화

17-1. 머신러닝과의 결합

최근 몇 년간 딥러닝을 토폴로지 최적화에 접목하는 연구가 폭발적으로 늘었습니다. 크게 세 가지 방향이 있습니다.

현재까지의 연구 동향을 보면, 물리 기반 최적화를 완전히 대체하기보다는 보조·가속하는 역할에서 더 실용적인 성과를 내고 있다는 평가가 많습니다. 구조 안전이 걸린 분야에서는 최종 결과를 반드시 물리 기반 해석으로 검증해야 한다는 원칙은 변하지 않습니다.

17-2. 생성형 설계(Generative Design)

'생성형 설계'는 토폴로지 최적화를 포함하되 더 넓은 개념입니다. 여러 재료, 여러 제조 공법, 여러 목표를 조합해 수십~수백 개의 설계 후보를 자동 생성하고, 설계자가 그중에서 트레이드오프를 비교해 선택하는 방식입니다. 이는 최적화를 '정답 하나를 찾는 과정'에서 '좋은 선택지를 넓게 펼쳐 보이는 과정'으로 바꿔 놓았습니다. 건축 분야에서는 구조 성능, 일조, 공간 효율, 공사비를 함께 고려하는 다목적 탐색으로 확장되고 있습니다.

17-3. 탄소를 목적함수로

건설 분야의 가장 뜨거운 화두 중 하나는 내재 탄소를 직접 목적함수로 삼는 최적화입니다. 질량 최소화와 탄소 최소화는 비슷해 보이지만 같지 않습니다. 철강·콘크리트·목재·재활용 강재는 단위 질량당 탄소 배출 계수가 다르고, 운송 거리와 시공 방식에 따라서도 달라집니다. 여러 재료를 섞어 쓰는 다재료 최적화에 재료별 탄소 계수를 반영하면, "가장 가벼운 구조"와 "가장 탄소가 적은 구조"가 다른 답을 낼 수 있습니다. 재사용 부재를 활용한 구조 설계, 즉 이미 존재하는 부재 재고에 맞춰 구조를 구성하는 재고 기반 설계(inventory-constrained design)도 순환경제 관점에서 연구가 늘고 있습니다.

17-4. 디지털 제작과 현장의 연결

로봇 용접, 대형 금속 적층제조(WAAM, 와이어 아크 적층제조), 콘크리트 3D 프린팅, CNC 목재 가공의 발전은 최적화된 형상을 건설 현장 규모로 끌어올리고 있습니다. 2021년 암스테르담 운하에 설치된 MX3D의 3D 프린팅 스테인리스 보행교는 WAAM 기술로 제작된 대표 사례로, 센서를 부착해 실사용 중 거동을 측정하는 '디지털 트윈' 실험의 장이 되기도 했습니다. 이처럼 설계(최적화) → 제작(디지털 패브리케이션) → 운영(모니터링)이 하나의 데이터 흐름으로 연결되는 방향이 앞으로의 경량 고효율 구조 설계를 이끌 것으로 보입니다.

18. 개념 정리: 핵심 용어 사전

19. 자주 묻는 질문

미셸이 펜과 종이로 최소 재료 트러스를 그린 지 한 세기가 넘었습니다. 그 사이 계산 능력은 상상할 수 없을 만큼 커졌고, 만들 수 있는 형태의 경계도 적층제조 덕분에 크게 넓어졌습니다. 그러나 질문은 처음과 똑같습니다. "이 힘은 어디로 흘러가고 싶어 하는가?" 토폴로지 최적화는 그 물음에 대한 가장 정직한 대답을 그림으로 보여 주는 도구입니다. 그 그림을 읽고, 현실의 재료와 공법과 사람의 삶에 맞게 번역하는 일. 그것이 앞으로도 구조공학자가 가장 가슴 뛰게 할 일일 것입니다. 이런 전문 지식을 나누고 배우는 재능넷의 지식 공간에서, 여러분만의 '최적 구조'에 대한 영감을 얻으셨기를 바랍니다. 🦴✨