[논문]오일 생산정에서 쵸크사이즈와 가스주입량에 따른 생산성 예측 인공신경망 모델 개발

한동권; 권순일

doi:10.7842/kigas.2018.22.6.90

오일 생산정에서 쵸크사이즈와 가스주입량에 따른 생산성 예측 인공신경망 모델 개발
Development of Productivity Prediction Model according to Choke Size and Gas Injection Rate by using ANN(Artificial Neural Network) at Oil Producer 원문보기

한국가스학회지 = Journal of the Korean institute of gas, v.22 no.6, 2018년, pp.90 - 103

한동권 (동아대학교 에너지자원공학과) , 권순일 (동아대학교 에너지자원공학과)

초록
AI-Helper

본 연구에서는 초크크기와 가스주입량을 조절함으로써 일반 유정이나 가스리프트가 적용된 유정에서 최적생산량을 산출할 수 있는 두 가지 인공신경망 모델을 개발하였다. 개발된 모델들의 입력자료는 용해가스-오일비, 물 생산 비율, 저류층압력, 초크크기 또는 가스주입량이고 출력자료는 정두압력과 오일 생산량으로 구성하였다. 먼저 육상 유정 시스템에 대하여 입력자료의 민감도 분석을 통해 각 변수의 범위를 결정하였고, 노달분석을 수행하여 초크크기 선정 모델에 1,715개, 가스주입량 선정 모델에 1,225개의 훈련자료를 각각 생성하였다. 동일한 저류층 자료에 대해 노달분석과 인공신경망 모델 결과를 비교해보면 두 모델 모두 결정계수 값이 0.99 이상으로 상관관계가 매우 높은 것으로 확인되었다. 또한 초크크기 선정 모델의 정두압력과 오일 생산량의 평균절대백분율오차는 각각 0.55%, 1.05%이고, 가스주입량 선정 모델의 정두압력과 오일 생산량의 평균절대백분율오차는 각각 1.23%, 2.67%로 개발된 모델의 정확도가 높은 것으로 확인되었다.

Abstract ▼ AI-Helper

This paper presents the development of two ANN models which can predict an optimum production rate by controlling choke size in oil well, and gas injection rate in gas-lift well. The input data was solution gas-oil ratio, water cut, reservoir pressure, and choke size or gas injection rate. The output data was wellhead pressure and production rate. Firstly, a range of each parameters was decided by conducting sensitive analysis of input data for onshore oil well. In addition, 1,715 sets training data for choke size decision model and 1,225 sets for gas injection rate decision model were generated by nodal analysis. From the results of comparing between the nodal analysis and the ANN on the same reservoir system showed that the correlation factors were very high(>0.99). Mean absolute error of wellhead pressure and oil production rate was 0.55%, 1.05% with the choke size model, respectively. And the gas injection rate model showed the errors of 1.23%, 2.67%. It was found that the developed models had been highly accurate.

주제어

표/그림 (21)

그림 Fig. 1. Possible pressure losses in completed producing system.
그림 Fig. 2. Determination of system flow capacity using nodal analysis.
그림 Fig. 3. Schematic of gas lift well system
그림 Fig. 4. Graph to determine the optimum gas rate in gas-lift well[10].
그림 Fig. 5. Structure of basic neural network.
그림 Fig. 6. Structure of an ANN using error back-propagation algorithm.
그림 Fig. 7. Nodal analysis for selecting water cut range.
그림 Fig. 8. Nodal analysis for selecting choke size range.
그림 Fig. 9. Structure input-output data of ANN model in choke size seleciton.
표 Table 1. Statistical range of parameter for input data(choke size ANN model).
표 Table 2. Statistical range of parameter for output data(choke size ANN model).
그림 Fig. 10. Correlation of coefficient for choke size ANN model.
표 Table 3. Statistical accuracy of choke size ANN model.
표 Table 4. Validity verification of choke size ANN model.
그림 Fig. 11. Structure input-output data of ANN model in gas injection rate selection.
표 Table 5. Statistical range of parameter for input data(gas lift ANN model).
표 Table 6. Statistical range of parameter for output data(gas lift ANN model).
그림 Fig. 12. Nodal analysis for selecting gas injection rate range.
표 Table 7. Statistical accuracy of gas lift ANN model.
그림 Fig. 13. Correlation of coefficient for gas lift ANN model.
표 Table 8. Validity verification of choke size ANN model.

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 초크크기와 가스주입량을 조절하여 생산량을 예측할 수 있는 두 가지 인공신경망 모델을 개발하였다. 이 모델은 매번 노달분석을 수행하지 않고 초크크기와 가스주입량에 따른 생산량을 산출할 수 있어 생산전문가를 활용할 수 없는 한계 유전이나 디지털오일필드 시스템이 적용된 현장에서 효과적으로 적용될 수 있을 것으로 판단된다.

가설 설정

가스리프트를 적용한 생산정은 자연 유동으로 생산이 불가능한 유정으로 가정하였다. 저류층압력의 범위는 노달분석을 수행하여 인공채유기법을 사용해야만 생산할 수 있는 압력인 2,000 psia부터 시작하였다.

제안 방법

10). 개발 모델의 타당성을 확인하기 위해 입출력자료의 범위 내 임의로 한 세트의 입력자료를 만들어 도출하고자 하는 정두압력 및 오일 생산량을 공학적 모델을 통해 산출하였다. 인공신경망 모델의 출력자료와 대조하여 절대오차 및 상대오차 값을 도출한 결과 정두압력과 오일 생산량의 절대오차는 각각 1.
13). 개발모델의 타당성을 확인하기 위해 학습자료 범위에 해당하는 임의의 한 세트의 입력자료(저류층압력 1750 psia, 물 생산 비율 35%, 용해가스-오일비 260 scf/STB, 가스주입량 200 Mscfd)를 개발모델에 입력하여 정두압력 및 오일 생산량을 산출하였다. 인공신경망 모델과 공학적 모델의 출력값의 절대오차 및 상대오차 값을 도출한 결과 정두압력과 오일 생산량의 절대오차는 각각 1.
뉴런 간의 가중치할당을 통해 저장된 자료의 패턴과 특징을 발견해내는 훈련 후 오차를 줄여나가는 과정을 거쳐 인공신경망 모델을 개발하였다. 그 후 동일한 저류층 자료를 입력자료로 하여 도출하고자 하는 정두압력 및 오일 생산량을 공학적 모델을 통해 산출하고, 통계적인 분석을 통해 적용성 및 적합성을 판단하였다. 공학적인 모델과 인공신경망 모델의 출력자료를 비교하여 분석한 결과 초크크기 선정 인공신경망 모델의 정두압력과 오일 생산량의 상대오차는 각각 0.
개발된 모델은 생산에 영향을 미치는 인자를 도출하고 민감도 분석을 통해 입출력자료를 구성하였고, 일반적인 육상유전의 저류층 물성, 유정완결 특성과 노달분석 결과를 토대로 입출력자료의 범위를 선정하여 자료를 훈련하였다. 뉴런 간의 가중치할당을 통해 저장된 자료의 패턴과 특징을 발견해내는 훈련 후 오차를 줄여나가는 과정을 거쳐 인공신경망 모델을 개발하였다. 그 후 동일한 저류층 자료를 입력자료로 하여 도출하고자 하는 정두압력 및 오일 생산량을 공학적 모델을 통해 산출하고, 통계적인 분석을 통해 적용성 및 적합성을 판단하였다.
가스리프트를 설계할 때는 케이싱, 생산관, 분리기, 밸브 등과 같은 운영장비의 선택과 유체유동 및 생산과 관련된 요소들이 다르기에 각 상황에 맞게 적절한 요소들을 고려하여 분석이 수행되어야 한다. 본 연구는 후자인 경우로 가스리프트가 적용되어 운영 중인 생산정을 대상으로 하였기 때문에 저류층압력, 정두압력, 물 생산 비율(water cut), 용해 가스-오일비(solution gas-oil ratio ; solution GOR)를 고려해서 분석하였다. 가스리프트가 설치된 생산정의 성능은 노달분석을 이용해 판단할 수 있는데, 분석하고자 하는 변수에 따라 노드를 선택할 수 있다.
이에 본 연구에서는 대상 유정의 유정완결 상태 및 저류층 특성을 고려한 후 입출력자료를 생성, 훈련하였으며 이를 기반으로 초크크기와 가스주입량 조절을 통해 적정 생산량을 산출할 수 있는 모델을 개발하였다. 본 연구에서 개발한 모델은 시뮬레이션에 의해 산출된 자료를 활용하였기 때문에 즉시 현장에 적용할 수는 없으나 이러한 방법이 디지털 오일필드 시대에 필요한 기술로 제안될 수 있음을 보여주는 것에 초점이 맞추어져 있다.

대상 데이터

이 모델은 매번 노달분석을 수행하지 않고 초크크기와 가스주입량에 따른 생산량을 산출할 수 있어 생산전문가를 활용할 수 없는 한계 유전이나 디지털오일필드 시스템이 적용된 현장에서 효과적으로 적용될 수 있을 것으로 판단된다. 개발된 모델은 생산에 영향을 미치는 인자를 도출하고 민감도 분석을 통해 입출력자료를 구성하였고, 일반적인 육상유전의 저류층 물성, 유정완결 특성과 노달분석 결과를 토대로 입출력자료의 범위를 선정하여 자료를 훈련하였다. 뉴런 간의 가중치할당을 통해 저장된 자료의 패턴과 특징을 발견해내는 훈련 후 오차를 줄여나가는 과정을 거쳐 인공신경망 모델을 개발하였다.
본 모델에 사용된 훈련자료는 총 1,225개로 구성되어 있으며 전체자료 중 80%는 훈련자료, 10%는 검증자료, 10%는 시험자료로 활용되었다. 훈련 결과를 통계적으로 분석하여 인공신경망 모델의 적용성을 검증하였다.
이를 통해 결정된 입력자료의 범위는 Table 5와 같으며, 출력자료의 범위는 Table 6과 같다. 본 연구에서는 노달분석을 통해 산출된 1,225개의 훈련자료들을 이용하였는데, 개발된 인공신경망 모델의 구조는 Fig. 9의 입력자료에서 초크크기를 가스주입량으로 대체한 것과 같다(Fig.
이 모델의 입력자료는 저류층압력, 용해가스-오일비, 물 생산 비율, 초크크기이고 출력자료는 정두압력과 오일 생산량으로 구성되었다. 분석에 사용된 생산정은 서부 텍사스 육상 유정자료에 근거하여 물성들을 선정하였는데, 저류층 심도는 7,000 ft, 저류층 온도는 120 °F, 생산관 크기는 4 1/2 인치이고 초기 저류층압력은 4,050 psia 이다. 일반적으로 텍사스 지역의 오일은 황성분이 적고, 용해가스-오일비는 평균적으로 1,000 scf/STB 내외이다[11].
이 모델의 입력자료는 저류층압력, 용해가스-오일비, 물 생산 비율, 가스주입량으로 선정하였다. 또한 출력자료는 정두압력과 오일 생산량으로 구성하였다.
이 모델의 입력자료는 저류층압력, 용해가스-오일비, 물 생산 비율, 초크크기이고 출력자료는 정두압력과 오일 생산량으로 구성되었다. 분석에 사용된 생산정은 서부 텍사스 육상 유정자료에 근거하여 물성들을 선정하였는데, 저류층 심도는 7,000 ft, 저류층 온도는 120 °F, 생산관 크기는 4 1/2 인치이고 초기 저류층압력은 4,050 psia 이다.
이 모델의 훈련자료는 총 1,715개로 구성되어 있으며 전체자료 중 80%는 훈련자료, 10%는 검증자료, 10%는 시험자료로 활용되었다. 본 연구에서 개발한 모델의 예측성능을 검증하기 위해 결정계수(coefficient of determination ; R²)와 평균절대백분율오차(mean absolute percentage error ; MAPE)지표를 활용하였다.

데이터처리

이 모델의 훈련자료는 총 1,715개로 구성되어 있으며 전체자료 중 80%는 훈련자료, 10%는 검증자료, 10%는 시험자료로 활용되었다. 본 연구에서 개발한 모델의 예측성능을 검증하기 위해 결정계수(coefficient of determination ; R²)와 평균절대백분율오차(mean absolute percentage error ; MAPE)지표를 활용하였다. 결정계수는 선형회귀 모델에서 독립변수 X로 설명되는 응답 변수 y의 비례적인 변동량이며 제곱 회귀의 합(regression sum of squares ; SSR)을 제곱 총계의 합(total sum of squares; SSTO)으로 나눈 값으로 나타낸다.
본 모델에 사용된 훈련자료는 총 1,225개로 구성되어 있으며 전체자료 중 80%는 훈련자료, 10%는 검증자료, 10%는 시험자료로 활용되었다. 훈련 결과를 통계적으로 분석하여 인공신경망 모델의 적용성을 검증하였다. 훈련자료와 공학적 모델의 출력자료의 비교결과 정두압력과 오일 생산량의 결정계수 값은 0.

이론/모형

본 연구에서 개발한 초크크기 선정 모델과 가스 주입량 선정 모델에 활용된 역전파 알고리즘은 Levenberg-Marquardt로 훈련에 소요되는 시간이 짧으며 정확성이 높아 널리 활용되고 있는 알고리즘이다. 그리고 각 층을 연결하는 활성화 함수로는 log-sigmoid 함수를 이용하였으며, 은닉층 뉴런은 7개로 구성하였다.

성능/효과

05%이다. 가스주입량 선정 인공신경망 모델의 정두압력과 오일 생산량의 상대오차는 각각 1.05%, 0.99%이고, 평균절대백분율오차는 각각 1.23%, 2.67%로 도출되었다. 모든 오차 범위가 3% 이내로 신뢰성을 있는 결과가 도출될 수 있음을 알 수 있었다.
그 후 동일한 저류층 자료를 입력자료로 하여 도출하고자 하는 정두압력 및 오일 생산량을 공학적 모델을 통해 산출하고, 통계적인 분석을 통해 적용성 및 적합성을 판단하였다. 공학적인 모델과 인공신경망 모델의 출력자료를 비교하여 분석한 결과 초크크기 선정 인공신경망 모델의 정두압력과 오일 생산량의 상대오차는 각각 0.28%, 0.23% 이고, 평균절대백분율오차는 각각 0.55%, 1.05%이다. 가스주입량 선정 인공신경망 모델의 정두압력과 오일 생산량의 상대오차는 각각 1.
그러나 경제적인 측면에서 주입가스 비용, 물 처리 비용 등을 고려하여 오일 생산량의 증가율이 미미한 지점을 최대 가스주입량으로 선정하였다. 그래프들을 살펴보면 가스주입량이 230 Mscfd를 기점으로 주입량이 늘어나도 오일 생산량이 거의 증가하지 않는다는 것을 확인할 수 있었다. 이 결과로부터 230 Mscfd를 최대 가스주입량으로 선정하였다.
생산기간 동안 변화가 큰 물 생산 비율과 초크크기의 범위는 노달분석을 수행하여 선정하였다. 물 생산 비율은 10%에서 90%까지의 범위에서 분석을 수행하였는데, 10%에서 70% 까지는 오일 생산량이 약 50 STB/D 씩 거의 일정하게 감소하는 경향을 보였다. 그 이후 물 생산 비율이 80% 되었을 때 약 70 STB/D 차이로 감쇠되었고, 90% 되었을 때는 약 80 STB/D 만큼이 감소되었다.
모든 오차 범위가 3% 이내로 신뢰성을 있는 결과가 도출될 수 있음을 알 수 있었다. 본 모델은 디지털오일필드 시스템이 적용된 유전 중 생산전문가(production engineer) 활용이 용이하지 않은 소규모 유전에서 적용 가능한 기술로 판단된다. 또한 학습자료가 많을수록 인공신경망 모델의 정확도가 높아질 가능성이 있으므로, 향후 현장자료를 확보할 수 있다면 이 연구에서 개발한 인공신경망 모델을 재훈련시켜 신뢰성은 더 높아지고 그 유정에 최적화된 자료를 얻을 수 있을 것으로 사료된다.
개발모델의 타당성을 확인하기 위해 학습자료 범위에 해당하는 임의의 한 세트의 입력자료(저류층압력 1750 psia, 물 생산 비율 35%, 용해가스-오일비 260 scf/STB, 가스주입량 200 Mscfd)를 개발모델에 입력하여 정두압력 및 오일 생산량을 산출하였다. 인공신경망 모델과 공학적 모델의 출력값의 절대오차 및 상대오차 값을 도출한 결과 정두압력과 오일 생산량의 절대오차는 각각 1.3, 2.1로, 상대오차는 각각 1.05%, 0.99%로 확인되었다(Table 8).
개발 모델의 타당성을 확인하기 위해 입출력자료의 범위 내 임의로 한 세트의 입력자료를 만들어 도출하고자 하는 정두압력 및 오일 생산량을 공학적 모델을 통해 산출하였다. 인공신경망 모델의 출력자료와 대조하여 절대오차 및 상대오차 값을 도출한 결과 정두압력과 오일 생산량의 절대오차는 각각 1.3, 1.8로, 상대오차는 각각 0.28%, 0.23%로 확인되었다(Table 4).
그러나 물처리 비용을 상쇄할 만큼 많은 오일생산이 이루어지는 저류층의 경우 높은 범위의 물 생산 비율의 학습자료 생성이 가능할 것으로 판단된다. 초크크기의 경우, 16/64 인치에서 32/64 인치로 증가할 때 오일 생산량이 약 150 STB/D에서 약 1,350 STB/D으로 상승하여 800% 증가율을 보였지만 32/64 인치에서 48/64 인치로 변화했을 시 1,350 STB/D에서 1,950 STB/D로 증가되어 44%가 향상되는 경향을 보였다. 48/64 인치에서 64/64 인치로 조절했을 때는 13% 증산되었고 64/64 인치에서 80/64 인치로 늘어날 때는 약 2,200 STB/D에서 약 2,280 STB/D 상승하였는데 증가율이 4%로 미미하였다.
훈련 결과를 토대로 통계적 기법을 통해 인공신경망 모델의 정확성을 검증하였다. 훈련자료와 공학적 모델 출력자료의 비교결과 정두압력과 오일 생산량의 결정계수 값이 모두 0.99 이상으로 도출되었고, 평균절대백분율오차는 각각 0.55%, 1.05%로 개발된 모델의 정확도가 높은 것으로 확인되었다(Table 3, Fig. 10).
훈련 결과를 통계적으로 분석하여 인공신경망 모델의 적용성을 검증하였다. 훈련자료와 공학적 모델의 출력자료의 비교결과 정두압력과 오일 생산량의 결정계수 값은 0.99 이상으로 도출되었고, 평균절대백분율 오차는 각각 1.23%, 2.67%로 개발된 모델의 정확도가 높은 것으로 확인되었다(Table 7, Fig. 13).

후속연구

본 모델은 디지털오일필드 시스템이 적용된 유전 중 생산전문가(production engineer) 활용이 용이하지 않은 소규모 유전에서 적용 가능한 기술로 판단된다. 또한 학습자료가 많을수록 인공신경망 모델의 정확도가 높아질 가능성이 있으므로, 향후 현장자료를 확보할 수 있다면 이 연구에서 개발한 인공신경망 모델을 재훈련시켜 신뢰성은 더 높아지고 그 유정에 최적화된 자료를 얻을 수 있을 것으로 사료된다.
본 연구에서는 초크크기와 가스주입량을 조절하여 생산량을 예측할 수 있는 두 가지 인공신경망 모델을 개발하였다. 이 모델은 매번 노달분석을 수행하지 않고 초크크기와 가스주입량에 따른 생산량을 산출할 수 있어 생산전문가를 활용할 수 없는 한계 유전이나 디지털오일필드 시스템이 적용된 현장에서 효과적으로 적용될 수 있을 것으로 판단된다. 개발된 모델은 생산에 영향을 미치는 인자를 도출하고 민감도 분석을 통해 입출력자료를 구성하였고, 일반적인 육상유전의 저류층 물성, 유정완결 특성과 노달분석 결과를 토대로 입출력자료의 범위를 선정하여 자료를 훈련하였다.

질의응답

핵심어	질문	논문에서 추출한 답변
	노달분석은 무엇인가?	전통적으로 유전 현장에서 최적의 생산량을 도출하고 제어하는 방법으로 노달분석을 사용하는데, 이는 유입되는 지점과 유출되는 지점이 만나는 한 부분(노드)에서의 생산량과 압력을 분석하는 방법으로 주로 노드를 공저(bottomhole) 또는 정두(wellhead)로 선정한다. 일반적으로 현장에서 생산량 조절을 위해 초크(choke)를 사용하기 때문에 초크크기에 따른 최적 생산량 분석은 정두를 노드로 노달분석이 수행되어야 한다.
	가스리프트의 장점은 무엇인가?	인공채유에는 흡입대펌프(sucker rod pump), 가스리프트(gas lift), 전기펌프(electric submersible pump ; ESP), 수압피스톤펌프(hydraulic piston pump ; HPP) 등 여러 가지 방법들이 있는데 그 중 가스리프트는 생산관 하단부에 가스를 주입하는 방법이다. 가스리프트는 설치가 쉽고 유정심도에 제약이 없으며, 운영과 유지보수 비용이 저렴하고 생산량 제어가 비교적 간단하다는 장점이 있다[4].
	쿠웨이트 국영석유회사에서 생산현장 관리 시스템인 스마트플로우(smart flow)를 사용하여 얻고있는 이점은 무엇인가?	쿠웨이트 국영석유회사(kuwait oil company)는 kuwait digital oil field(KWiDF)라는 사업을 진행하고 있는데, 이 중에서 생산현장 관리 시스템인 스마트플로우(smart flow)는 인공신경망(artificial neural network ; ANN), 전문가시스템, 패턴인식을 이용하여 오일 유동 및 실시간 모니터링, 시각화 등을 자동으로 수행하는 것이 핵심이다. 이 회사는 이 기술을 이용하여 운영비용을 감소시키고 의사결정에 이르는 시간을 단축시켜 경제성을 높이고 있다[3].

참고문헌 (11)

Cramer, R., Gobel, D., Mueller, K., and Tulalian, R., "A measure of the digital oil fields status - Is it the end of the beginning", SPE Intelligent Energy International, Utrecht, The Netherlands, March 27-29. SPE 149957, (2012).
Lim, J., Park, H. and Lim, J., "Classification and application of digital oil field System", J. Korean Soc. Miner. Energy Resour. Eng, Vol. 51, No. 5, 750-756, (2014).

상세보기
Al-Jasmi, A., Goel, H.K., Nasr, H., Carvajal, G.A., Johnson, D.W., Cullick, A.S., Rodriguez, J.A., Moricca, G., Velasquez, G., Villamizar, M. and Querales, M., "A surveillance 'Smart Flow' for intelligent digital production operations", SPE Digital Energy Conference and Exhibition, Woodlands, Texas, USA, March 5-7. SPE 163697, (2013).
Guo, B., Lyons, W.C., and Ghalambor, A., "Petroleum Production Engineering A Computer-Assisted Approach, Gulf Professional Publishing", Oxford, U.K., 182, (2007).
김의중., 알고리즘으로 배우는 인공지능, 머신러닝, 딥러닝 입문, 위키북스, (2016).
Mohammed, A. Al-Khalifa. and Muhammad, A. and Al-Marhoun., "Application of neural network for two-phase flow through chokes", SPE Saudi Arabia section Annual Technical Symposium and Exhibition, Khobar, Saudi Arabia, May 19-22, SPE 169597, (2013).
Khamehchi, A., Rashidi, F. and Rasouli, H., "Prediction of Gas Lift Parameters Using Artificial Neural Networks", Enhanced Oil Recovery-Iranian Chemical Engineering Journal (Special Issue), Vol. 8, No. 43, (2009).
Ranjan, A., Verma, S. and Singh, Y., "Gas Lift Opimization using Artificial Neural Network", SPE Middle East Oil & Gas Show and Conference, Manama, Bahrain, March 8-11, SPE 172610, (2015).
Beggs, H.D., "Production Optimization Using Nodal Analysis", 2th Ed., Vol. 1, OGCI and Petroskills Publications, Tulsa, USA, (2008).
Robert, N.H. and Potter, K., "Optimization of Gas-Injected Oil Wells", SAS Gloval Forum, (2011).
Sim, S.S.K., "Pressure-Volume-Temperature Correlations for Crud Oils from the Illinois Basin", Illinois State Geological Survey, 140, (1993).

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증