연구 · 선박 Physical AI 와이어

선박 피지컬 AI 브리핑 · 2026년 10월 2일

한줄: 이번 창 선상가열·곡가공 전용 신규 AI 논문 없음. 대신 신규 2건 — ① 초기 선형 단계 곡면 외판 생산성(developability) 스크리닝 프리프린트 HullProd (arXiv:2609.27544), ② 한화오션 × KIRO 조선 특화 자율작업로봇·산업용 휴머노이드 공동개발 MOU (9/30 거제 체결, 10/1 보도).

공개 자료만. 수치는 논문 초록·본문과 보도 인용.

슬라이드 1 · HullProd 방법

HullProd — 선체 표면의 복곡 강도·부호·면적을 기하 시그니처로

  • 논문: Geometry-Based Metrics for Early-Stage Hull-Form Producibility Screening · Andrea Serani (CNR-INM), Kevin Maki (University of Michigan) · arXiv 2026-09-23 · Ocean Engineering 투고 프리프린트
  • developability 편차: 가우스 곡률 |K|를 선체 기준 길이(Lpp)로 무차원화한 면적 평균 — 전체(ID)와 부호별(타원형 +, 안장형 −) 분리
  • 곡률 클래스 면적비: 평판 / 단곡 / 타원형 복곡 / 안장형 복곡의 면적 비율
  • 분포 필드(어디서 복곡이 생기는지) + 지표별 유효성·표현 출처(provenance) 기록
  • 입력: 네이티브 BRep(IGES/STEP) 직접 미분기하 계산, 또는 삼각 메시(STL 등) 이산 곡률 복원
  • 검증: 해석 제어(평면·구·원통·안장·토러스·Wigley) + 공개 선형 DTMB 5415 · KCS · JBC · KVLCC2M
  • 예: KCS는 DTMB 5415보다 developability 편차가 약 24% 큼, 복곡 면적은 KCS 유효면적의 72.9% vs DTMB는 거의 전체 → 강도와 면적은 서로 다른 정보
  • 오픈소스 HullProd (v1.0.1, GitHub·PyPI·Zenodo)

https://arxiv.org/abs/2609.27544

슬라이드 2 · 선상가열 상류에서의 의미

왜 중요한가 — 가열선·프레스 경로 AI의 입력층

  • 선상가열·곡가공 부하는 결국 복곡(K≠0) 영역에서 나옴. HullProd는 이 영역의 강도·부호·분포를 설계 초기에 정량화
  • 활용 그림: 선형 단계 시그니처·분포 필드 → 판 분할 후 가열선·프레스 경로 AI의 입력 특징 / 설계 최적화의 목적함수·제약
  • 주의 — 스크리닝 층이지 예측기 아님: 저자들이 명시적으로 제작비·성형 공수·공정 가능성의 보정된 예측기가 아니다라고 선을 그음. 판 크기·재질·두께·성형 방식·공차·설비·조선소 관행은 범위 밖
  • 논문이 밝힌 다음 과제: 판 단위 성형 실험·변형·재작업·검사·조선소 생산 기록과의 상관·보정
  • 표현 민감도: 네이티브 BRep 대비 fine STL의 ID 차이가 −16.0% ~ +24.3% → 곡률 기반 AI 입력에는 표현·해상도 출처를 함께 넘겨야 함
  • 맥락: 미시간대는 미·일 AI 조선 로봇·시뮬레이션 공동개발의 현지 거점 (10/1 와이어 참고)

슬라이드 3 · 한화오션 × KIRO MOU

한화오션 × KIRO — 조선 특화 자율작업로봇·산업용 휴머노이드

  • 체결: 2026-09-30, 한화오션 거제사업장 · 보도: 2026-10-01 (이데일리)
  • 참석: KIRO(한국로봇융합연구원) 강기원 원장, 한화오션 AX사업부 이길섭 부문장 등
  • 범위: 조선 특화 자율작업로봇 · 제조용 산업 휴머노이드 · AI 로봇 솔루션 공동개발 → 조선 현장 실증
  • 그 외: 연구인력 교류, 연구시설·장비 공동 활용, 정책 자문, 협력 네트워크, 세미나·포럼 공동 개최
  • 경과: 지난 7월 KIRO의 한화오션 방문으로 본격 논의 → 분야별 세부 실행계획 수립 예정
  • 한화오션 자동화 수치 (회사 제시 목표·현황, 독립 검증 아님): 실내 용접 공정의 약 **67%**에 AI·자동화 적용, 2030년 용접 완전 자동화, 전처리·도장 공정 AI 적용 비중 50% 목표
  • 관련: 숙련 용접사 작업 데이터 수집해 AI 학습 중, 6월 NC AI와 용접 특화 비전 모델·협동로봇 기반 자율용접 모델 개발 착수(보도 인용)

https://en.edaily.co.kr/news/eda202610015256/

슬라이드 4 · 현장·구매자 관점

조선소 Physical AI 구매자에게 주는 신호

  1. 설계 → 공정 데이터 연결 — HullProd 같은 기하 스크리닝 층은 곡가공 AI의 상류 입력. 도입 검토 시 벤더 AI가 설계 기하(BRep/메시)를 어떻게 받아들이고 출처를 기록하는지 확인
  2. 스크리닝 vs 예측 구분 — 기하 지표만으로 공수·비용을 단정하는 주장은 경계. 조선소 생산 기록으로 보정됐는지가 조달 게이트
  3. 목표치 vs 실적 구분 — 67% · 2030 · 50% 같은 수치는 회사 제시 목표·현황. 평가 시 공정·범위·측정 기준을 별도로 확인
  4. 로봇 + 데이터가 함께 쌓이는 국면 — 연구기관·AI 기업과의 실증 파트너십이 늘며, 비정형 용접·곡블록 데이터와 로봇 플랫폼이 같이 축적
  5. 온디바이스 관점 — 곡면·대형 구조물 현장의 실시간 인지·판단은 로봇 옆에서 처리하는 온디바이스 산업 AI와 맞닿아 있음 (Core On: CoreVLA / CoreEdge)

슬라이드 5 · 신규 논문·출처

선상가열·곡가공 AI 전용 신규 없음 · 출처

선상가열·곡가공 AI 전용 신규 논문: 이번 창에서 해당 없음 (가장 가까운 신규는 상류 곡면 생산성 스크리닝 HullProd)

출처