이득:
- AI 지원을 통해 임무 요구 사항부터 개념적 항공기/우주선 크기 조정까지 균형 연구를 가속화하는 능력
- 구성된 프롬프트를 통해 요구 사항 작성, 추적성 및 일관성 제어를 수행하는 기능
- AI가 제안한 설계 포인트를 물리 기반 수작업 계산으로 교차 검증하여 불합리한 출력을 제거하는 기능
비행기나 우주선은 계획이 아닌 요구 사항 목록에서 탄생합니다. "이 정도의 하중을 이 범위, 이 속도, 이 비용으로 운반하라"는 문장은 앞으로 몇 년 동안 지속될 디자인의 씨앗입니다. 개념설계(차량의 대략적인 크기, 무게, 구성 등이 먼저 결정되는 가장 초기 설계 단계)는 이 시드에서 초기 형상을 추출하는 과정이다. 여기에서 내린 결정은 저렴하지만 그 효과는 가장 비쌉니다. 잘못된 개념 선택 하나로 인해 수백만 달러의 세부 설계 비용이 낭비될 수 있습니다.
이 단원에서는 인공 지능(AI)을 사용하여 개념 설계의 세 가지 부담을 완화합니다. 모호한 작업 요청을 측정 가능한 요구 사항으로 변환, 요구 사항 간의 추적성과 일관성 유지, 경쟁 설계 옵션 간의 절충 분석 가속화. 하지만 처음부터 중요한 원칙을 제시해 보겠습니다. AI가 제안하는 모든 크기, 모든 무게 추정치는 반드시 물리학 기반 수작업 계산을 통해 교차 검증됩니다. AI는 브레인스토밍 및 회계 파트너입니다. 크기 결정을 소유하지 않습니다.
개념: 요구사항: 도구가 충족해야 하는 검증 가능한 단일 설명입니다. 추적성: 각 요구 사항의 출처와 충족된 설계/테스트에 대한 기록 체인입니다. 교환 공간(Trade space): 변경 가능한 설계 변수에 의해 생성된 모든 옵션의 집합입니다. MTOW: 최대 이륙 중량(Maximum Take-Off Weight), 차량이 이륙할 수 있는 가장 높은 질량.
작업 요구 사항에서 요구 사항까지: 단계별
좋은 요구사항에는 단일성(한 가지를 말함), 측정 가능함(숫자와 단위 포함), 검증 가능함(확인 방법이 분명함)이라는 세 가지 특성이 있습니다. "항공기는 빨라야 합니다"는 요구 사항이 아닙니다. "항공기는 해수면에서 250노트 구경 속도(KCAS)를 달성해야 합니다"는 요구 사항입니다.
첫 번째 단계는 이해관계자의 요청을 수집하고 이를 AI를 통해 요구사항 초안으로 정제하는 것입니다. 두 번째 단계는 각 요구 사항을 측정 가능하게 만드는 것입니다. 각각의 모호한 형용사("경량", "내구성", "효율적")를 측정 기준 및 임계값으로 대체합니다. 세 번째 단계는 요구 사항 간의 모순을 찾는 것입니다. 범위와 페이로드는 종종 서로 경쟁하므로 AI는 이러한 모순을 신속하게 표면으로 드러냅니다. 네 번째 단계는 추적성 매트릭스를 설정하는 것입니다. 즉, 어떤 최상위 작업 목표가 어떤 하위 요구 사항으로 이어지는지 표로 작성하는 것입니다.
개념적 치수 측면에서 AI는 알려진 엔지니어링 관계(중량 비율, 추력 대 중량 비율, 날개 하중)를 기억하고 초기 계산 체인을 설정할 수 있습니다. 예를 들어, 여객기의 경우 브레게 범위 방정식을 사용하여 연료 중량 비율을 추정할 수 있고 통계 관계를 사용하여 빈 중량 비율을 추정할 수 있습니다. 그러나 이 체인의 각 링크는 손으로 계산하여 확인됩니다.
팁: 요구사항을 작성할 때 AI에 "각각의 모호한 형용사를 측정항목, 단위 및 확인 방법으로 대체"하는 작업을 명시적으로 제공하세요. "사용자 친화적"과 같은 검증할 수 없는 진술을 "측정 가능하게 만듭니다"라고 말할 때 모델은 훨씬 더 규율 있게 작동합니다.
절충 분석 구성
절충 분석의 핵심은 여러 후보 구성을 공통 기준으로 병치하는 것입니다. 고전적인 도구는 가중 결정 매트릭스입니다. 기준에 중요도 가중치가 부여되고, 각 후보자가 각 기준에 대해 점수가 매겨지며, 가중 합계가 계산됩니다. AI는 이 매트릭스를 신속하게 구축하지만 두 가지 함정에 주의해야 합니다. 즉, 가중치는 주관적인 엔지니어링 판단(AI에 맡겨지지 않음)이고 점수는 물리적 정당화(구성되지 않음)를 기반으로 해야 합니다.
기준(무게)
구성. A: 하이윙
구성. B: 로우 윙
구성. C: 카나드
범위, km (0.30)
1200
1350
1250
무게 제한, kg(0.25)
640
610
690
생산비(0.20)
중간
낮음
높다
안정성(0.15)
높다
중간
중간
유지관리 용이성(0.10)
높다
중간
낮음
AI가 이 테이블을 구축하도록 할 수 있습니다. 그러나 범위와 중량 수치는 독립적인 예비 계산에서 나와야 하며 "안정성: 높음"과 같은 정성적 점수도 정당화되어야 합니다. AI의 힘은 몇 분 안에 10가지의 서로 다른 구성을 표로 작성하고 감정 분석(가중치가 변경되면 순위가 어떻게 변하는지)을 수행한다는 것입니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
저는 훈련용 항공기를 설계하고 있습니다. 최적의 구성을 알려주세요.
강력한 프롬프트:
역할: 당신은 개념적 항공기 설계 컨설턴트입니다. 맥락: 2인승 훈련기에 대한 예비 절충 연구(대표적인 값): 목표 범위 ~1000km, 순항 속도 ~55m/s, 탑재량 ~220kg, 낮은 생산 비용 우선순위. 작업:1) 3가지 후보 구성(날개 위치, 엔진 유형)을 제안합니다.2) 각 후보를 비교하는 표를 설정합니다: 범위, 예상 자체 중량, 생산 비용, 안정성.3) 수치 추정에 사용하여 관계와 가정을 작성합니다. 제약: 중량 추정에 사용한 통계 관계를 명시합니다. 쓰기 단위; 최종 결정을 내리지 말고 후보자를 제출하십시오. 제가 직접 판단하고 최종 결정을 내리겠습니다.
복사 가능한 프롬프트 템플릿
템플릿 1 — 작업 요구 사항을 측정 가능한 요구 사항으로 변환:
다음 이해관계자 요청을 단일하고 측정 가능하며 검증 가능한 요구 사항으로 변환합니다. 각 요구 사항에 대해: 측정항목, 단위, 임계값 및 제안된 검증 방법(분석/테스트/시연). 모호한 형용사("가벼움", "빠름")를 구체적인 숫자로 번역합니다. 확실하지 않은 경우 필요한 정보가 무엇인지 문의하세요.요청: [여기에 기재]
템플릿 2 — 추적성 매트릭스 및 충돌 검사:
이 요구 사항 목록을 사용하여 다음을 수행하십시오. (a) 각 요구 사항을 상위 수준 작업 목표에 연결하는 추적성 테이블을 구축합니다. (b) 상충되거나 까다로운 요구 사항(예: 범위 대 페이로드) 쌍을 표시합니다. (c) 누락되었거나 검증할 수 없는 요구사항을 나열합니다. 결과를 테이블로 만들어 보겠습니다. 요구 사항: [여기에 나열]
템플릿 3 — 가중 결정 매트릭스 설정:
다음 후보 구성에 대한 가중치 결정 매트릭스 프레임워크를 구축합니다. 기준 행과 후보 열을 만듭니다. 가중치 열은 공백으로 둡니다(가중치를 입력하겠습니다). 각 셀에 입력할 점수에 대한 물리적 타당성을 별도의 메모로 설명하세요. 가상의 숫자를 쓰지 말고 추측한 장소를 '추측'으로 표시하세요. 후보자: [...] 기준: [...]
템플릿 4 — 개념적 치수 교차 확인:
MTOW, 날개 면적, 추력 등의 사전 결정 결과를 독립적으로 확인합니다. (a) 날개 하중(W/S)을 계산하고 이를 특정 항공기 등급의 일반적인 범위와 비교합니다. (b) 추력 대 중량비(T/W)를 계산하고 이를 일반적인 범위와 비교한다. (c) 값이 일반적인 범위를 벗어나면 경고하고 오류 가능성을 나타냅니다. 모든 단위를 명시적으로 작성합니다. 입력: [MTOW, S, T 값]
미니 케이스
사례 1 — 상충되는 요구 사항을 조기에 감지합니다. UAV 프로젝트에서 이해관계자는 "최소 8시간의 방송 시간"과 "최대 12kg의 총 질량"을 모두 원합니다. AI는 두 가지 요구 사항을 정량화하고 에너지 예산을 대략적으로 설명함으로써 일반적인 배터리 에너지 밀도(약 200Wh/kg)로 8시간 비행하려면 배터리만 6~7kg이 필요함을 보여줍니다. 이는 페이로드 및 구조와 함께 12kg 예산에 맞지 않습니다. 세부 설계가 시작되기 전에 모순이 논의됩니다. 교훈: 요구 사항을 숫자로 변환하면 숨겨진 모순이 조기에 드러납니다.
사례 2 - 민감도 분석으로 결정이 변경됩니다. 한 팀은 세 가지 날개 구성을 비교합니다. 초기 가중치로 구성합니다. B가 승리합니다(가중 점수 0.82 대 0.79). AI는 "비용 가중치를 0.20에서 0.10으로 줄이면 어떻게 될까요?"라는 질문을 받습니다. 이 시나리오에서는 범위가 전면에 나오고 Config가 나타납니다. A가 선두를 차지합니다(0.84 대 0.80). 팀은 결정이 비용 우선순위에 얼마나 민감한지 확인하고 이해관계자와 함께 가중치를 명확히 합니다. 교훈: 중요한 것은 단일 점수가 아니라 순위의 안정성입니다.
사례 3 — 중량 추정의 순서 오류. AI는 경비행기의 자중을 관계식으로 95kg으로 계산합니다. 엔지니어는 비슷한 등급의 2인승 항공기의 자체 중량이 일반적으로 350~500kg 범위에 있다는 것을 기억합니다. 95kg은 물리적으로 불가능합니다. 확인해보면 AI가 관계식에 계수를 잘못 적용하여 수정한 것을 알 수 있다. 교훈: 각 추정 중량은 클래스의 알려진 범위와 크기 순서로 비교됩니다.
일반적인 실수
- 모호한 요구사항을 수용합니다. 측정항목과 단위가 포함되지 않은 요구사항은 확인할 수 없습니다. "가벼워야 한다"는 것은 요구 사항이 아니라 소망입니다.
- AI가 가중치를 선택하도록 합니다. 의사결정 매트릭스의 기준 가중치는 주관적인 엔지니어링 및 이해관계자의 판단입니다. AI에게 맡긴다면 결정은 여전히 유효하지 않습니다.
- 정당한 사유 없이 포인트를 수락합니다. "안정성: 높음"과 같은 정성적 점수에 물리적 근거가 없으면 매트릭스는 추측의 멋진 목록이 됩니다.
- 무게/크기 추정치를 확인하지 않습니다. 통계적 상관관계는 대략적인 추정치입니다. 클래스 범위와 비교하지 않고는 세부 설계에 포함되지 않습니다.
- 나중에 추적성을 남겨둡니다. 요구 사항이 어디서 왔는지 기록되지 않으면 변경 사항이 향후 어떤 결정에 영향을 미칠지 아무도 알 수 없습니다.
요약하면
개념적 설계는 가장 저렴하면서도 효과적인 결정이 내려지는 단계입니다. AI는 모호한 요청을 측정 가능한 요구 사항으로 변환하고, 추적 가능성 및 충돌을 검색하고, 절충 테이블에서 여러 구성을 비교하는 강력한 가속기입니다. 그러나 기준 가중치는 인간의 판단이며, 수치 예측은 물리학 기반 수작업 계산 및 클래스 간격을 통해 검증되며, 최종 구성 결정은 엔지니어의 몫입니다. AI는 후보자를 생산합니다. 결정하지 않습니다.
응용과제
선택한 항공 또는 우주선에 대한 세 가지 높은 수준의 임무 목표를 작성하십시오. AI를 사용하여 이를 최소 6개의 측정 가능한 요구 사항으로 변환하고 추적성 테이블을 설정합니다. 그런 다음 세 가지 후보 구성에 대한 가중치 결정 매트릭스를 만듭니다. 가중치를 직접 결정하십시오. 마지막으로 AI가 독립적인 계산과 클래스 범위를 통해 제공한 무게/크기 추정치를 확인합니다. 충돌이 발견된 요구사항 쌍을 하나 이상 보고하세요.
체크리스트
- [ ] 각 요구 사항을 단일하고 측정 가능하며 검증 가능하게 만들었습니다.
- [ ] 모호한 형용사를 미터법, 단위, 임계값으로 대체했습니다.
- [ ] 추적성 테이블을 설정하고 상충되는 요구 사항을 표시했습니다.
- [ ] 결정 매트릭스 가중치를 AI가 아닌 직접 결정했습니다.
- [ ] 나는 매트릭스 점수를 물리적 정당성에 기인했습니다.
- [ ] 학급간격 및 손계산을 통해 체중/크기 추정치를 확인했습니다.