[논문]Pipe Leak Detection System using Wireless Acoustic Sensor Module and Deep Auto-Encoder

Yeo, Doyeob; Lee, Giyoung; Lee, Jae-Cheol

doi:10.9708/jksci.2020.25.02.059

Pipe Leak Detection System using Wireless Acoustic Sensor Module and Deep Auto-Encoder 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.25 no.2, 2020년, pp.59 - 66

Yeo, Doyeob (Electronics and Telecommunications Research Institute (ETRI)) , Lee, Giyoung (Electronics and Telecommunications Research Institute (ETRI)) , Lee, Jae-Cheol (Korea Atomic Energy Research Institute (KAERI))

초록
AI-Helper

본 논문에서는 저전력 무선 음향센서 모듈을 통한 데이터 수집과 딥 오토인코더를 이용한 데이터 분석을 통해 배관의 누출을 탐지하는 시스템을 제안한다. 데이터 통신량을 줄이기 위해서 푸리에 변환을 통해 음향센서 데이터 양을 약 1/800로 감소시키는 저전력 무선 음향센서 모듈을 구성하였고, 20kHz~100kHz 주파수 신호를 이용하여 가청 주파수 대역에서 발생하는 노이즈에 강인한 누출 탐지 시스템을 설계하였다. 또한, 데이터 양의 감소에도 배관 누출을 정확하게 탐지하도록 딥 오토인코더를 이용한 데이터 분석 기법을 설계하였다. 수치적인 실험을 통해, 본 논문에서 제안한 누출 탐지 시스템이 고주파 대역대의 노이즈가 섞인 환경에서도 99.94%의 높은 정확도와 Type-II error 0%의 높은 성능을 보이는 것을 검증하였다.

Abstract ▼ AI-Helper

In this paper, we propose a pipe leak detection system through data collection using low-power wireless acoustic sensor modules and data analysis using deep auto-encoder. Based on the Fourier transform, we propose a low-power wireless acoustic sensor module that reduces data traffic by reducing the amount of acoustic sensor data to about 1/800, and we design the system that is robust to noise generated in the audible frequency band using only 20kHz~100kHz frequency signals. In addition, the proposed system is designed using a deep auto-encoder to accurately detect pipe leaks even with a reduced amount of data. Numerical experiments show that the proposed pipe leak detection system has a high accuracy of 99.94% and Type-II error of 0% even in the environment where high frequency band noise is mixed.

주제어

표/그림 (9)

그림 Fig. 1. Image feature extraction for pipe leak detection[2]
그림 Fig. 2. Basic architecture of the auto-encoder[3]
표 Table 1. International standard for pipe leak detection
그림 Fig. 3. A low-power acoustic sensor module
그림 Fig. 4. Architecture of deep auto-encoder for pipe leak detection using data from low-power acoustic sensors
그림 Fig. 5. Data from low-power acoustic sensor modules
그림 Fig. 6. Reconstruction results of proposed deep auto-encoder model
표 Table 2. Confusion matrix for pipe leak detection using proposed deep auto-encoder
표 Table 3. Classification Accuracies (%) for pipe leak detection using MLP

AI 본문요약
AI-Helper

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

문제 정의

이 때문에 기존의 배관 누출감지 방법들은 누출 상태를 정확히 판단하지 못하게 된다. 따라서, 본 절에서는 저전력 음향센서를 통해 수집된 데이터를 딥오토인코더를 이용하여 분석한 결과에 대해 기술한다.
본 논문에서 설계한 딥 오토인코더 기반의 배관 누출 탐지 모델의 성능을 검증하기 위하여, 지도학습 기반의 MLP 구조를 통한 배관 누출 탐지 모델과 비교하였다. MLP 구조는 Fig.
본 논문에서는 무선 저전력 음향센서 모듈과 딥 오토인코더를 이용한 배관 누출 탐지 시스템에 대해 제안하였다. 저전력 음향센서로부터 수집되는 아날로그 신호를 증폭하고, 20kHz~100kHz 사이의 푸리에 변환의 스펙트럼 데이터 320개로 변환하는 방식을 통해, 실제 전송하는 데이터의 양을 1/800로 줄일 수 있었다.
저전력 무선 센싱을 위해서는 저전력 음향센서를 사용함으로써 발생하는 음향 신호 센싱 능력 저하 문제와 무선 통신에 따른 전력소모 문제를 해결해야 한다. 본 논문에서는 신호 증폭을 이용하여 능력 저하 문제를 개선하고, 신호를 푸리에 변환의 스펙트럼으로 변환함으로써 이 신호의 특성을 최소량의 데이터로 표현하여 무선통신 데이터 양을 획기적으로 줄이고자 하였다.
저전력 센서 모듈 개발을 위해서는 모듈 내에서 발생하는 계산량을 줄이는 방법과 통신에 사용되는 데이터의 양을 줄이는 방법이 있다. 본 논문에서는 통신에 사용되는 데이터의 양을 줄이는 방법을 통해 저전력 센서 모듈을 개발하는 방법을 제안한다.
하나는 저전력 무선 음향 센서 모듈의 설계이고, 다른 하나는 딥 오토인코더(Deep auto-encoder)를 이용한 배관 누출 탐지 모델의 설계이 다. 본 연구에서는, 저전력 무선 음향센서로부터 수집한 20kHz~100kHz 대역대의 주파수 신호를 딥러닝 기법으로 분석하여, 배관의 누출을 탐지하는 시스템을 제안한다.
본 절에서는 MLP 구조를 이용한 딥 오토인코더를 통해 푸리에 변환의 스펙트럼 데이터로부터 정상 상태 데이터의 패턴을 학습하여 정상 상태와 누출 상태를 구분하는데 이용하고자 한다.

가설 설정

기존의 딥러닝 기법을 이용한 배관 누출 탐지 연구들 [1-3]은 음향센서 모듈에 충분한 전력이 공급되는 상황을 가정하였고, 음향 시계열 데이터를 모두 수집 및 전송할수 있는 상태를 가정하였다. 따라서, 수집된 데이터를 분석하는 데에 있어 많은 양의 정보를 이용할 수 있었으며, 배관 누출 탐지 기법을 설계하는데 있어 다양한 전처리 방법들을 활용할 수 있다.
본 연구에서는 충분한 전력을 사용할 수 없는 저전력 음향 센서를 통한 저전력 무선 센싱 상황을 가정하였으므로, Table 1의 국제 기준보다 다소 완화된 환경을 고려한다. 본장에서 진행된 실험에서는 3m 거리에서 1기압 압력 차로 0.

제안 방법

저전력 음향센서로부터 수집되는 아날로그 신호를 증폭하고, 20kHz~100kHz 사이의 푸리에 변환의 스펙트럼 데이터 320개로 변환하는 방식을 통해, 실제 전송하는 데이터의 양을 1/800로 줄일 수 있었다. 딥 오토인코더는 정상 상태 데이터만을 이용하여 학습한 후, 실험적으로 결정한 임계치값을 통해 정상 상태인지 누출 상태인지 구분하도록 설계하였다. 본 논문에서 설계한 딥 오토인코더를 이용 하면 데이터의 양이 감소함에 따라 많은 양의 정보를 잃는 상황임에도 불구하고, 정확도 99.
또한, 기존 연구들[1-3]은 가청 주파수 대역대(20kHz 이하)의 음향 신호를 주로 사용하여 배관의 누출을 탐지하는 기법을 제안하였는데, 발전소와 플랜트에서는 가청 주파수 대역대에서 상당히 큰 잡음 (Noise)이 발생하기 때문에 이를 이용하여 배관의 누출 신호를 판별하는 것은 매우 어려운 일이다. 따라서, 본 논문에서는 Table 2의 배관 누출 기법에 대한 국제 표준 규격에 따라 20kHz~100kHz 대역대의 신호를 이용하여 배관의 누출을 감지하는 기법을 제안한다.
1mm 직경의 누출 구멍에서 발생하는 누출 음향을 저전력 음향센서로 수집한 데이터를 이용하였다. 또한, 고주파 대역대의 잡음을 인위적으로 추가하여 데이터를 생성하였다.
본 논문에서 제안한 배관 누출 탐지 모델은 딥 오토인코더를 이용한 비지도학습 방법이므로, 정상 상태의 데이터 만으로도 모델을 학습하여 누출 상태를 찾아낼 수 있다. 따라서, 현장에서는 누출 상태 데이터 확보에 어려움이 있다는 점을 감안할 때, [2]에서 제안한 누출 탐지 모델보다본 논문에서 제안한 모델이 현장 적용에 유리하다.
본 논문에서는 256kHz의 초당 샘플수로 수집된 디지털 신호를 1/250초 단위로 나누어, 1024개의 샘플을 이용하여 1차원 이산 푸리에 변환을 적용하였다. 즉, 수식 (1)과 (2)에 를 적용하였다.
본 논문에서는 이산 푸리에 변환을 이용하여 데이터 양을 줄이는 방법을 통해 센서 모듈을 설계하고, 이를 딥 오토인코더를 이용하여 분석하는 방법을 통해 배관 누출 탐지 시스템을 설계하였다.
F(w)의 크기인 |F(w)|는 푸리에 변환의 스펙트럼(Spectrum) 또는 크기(Magnitude)라고 부른다. 이 방법을 이용하면 0~128kHz의 주파수 대역대의 평균 스펙트럼 값을 0.25kHz(=256kHz/1,024) 간격으로 얻을 수 있는데, 본 논문에서는 [16, 17]의 표준 기준에 의거하여 가청 주파수 대역대의 정보와 고주파 대역대의 정보를 제외한 20kHz~100kHz 주파수 대역대의 평균 스펙트럼만을 출력하였다. 따라서, 최종적으로 Fig.
추가적으로, 데이터의 용량을 줄이기 위하여 푸리에 변환의 평균 스펙트럼 값을 하나의 주파수 당 4bytes 용량으로 초당 한 번씩 전송하는 방식을 택하였다. 결과적으로, 음향센서 모듈 하나당 전송되는 데이터의 양은 초당 320 x 4 =1,280bytes가 된다.

대상 데이터

4와 같다. 딥오토인코더의 인코더는 총 4층의 은닉층(Hidden layer)을 갖도록 설계되었으며, 디코더는 인코더 구조의 역으로 설계되었다. 인코더층과 디코더층은 Fig.
오토인코더 기반의 분류문제를 풀기 위하여, 정상 상태 데이터 10,757개만을 오토인코더 학습에 이용하였다. 또한, 검증을 위해 정상 상태 데이터 2,656개, 누출 상태 데이터 2,464개를 사용하였다. 오토인코더를 학습한 다음, 정상 상태와 누출 상태를 구별하기 위한 수식 (3)의 임계치값은 0.
본 연구에서는 충분한 전력을 사용할 수 없는 저전력 음향 센서를 통한 저전력 무선 센싱 상황을 가정하였으므로, Table 1의 국제 기준보다 다소 완화된 환경을 고려한다. 본장에서 진행된 실험에서는 3m 거리에서 1기압 압력 차로 0.1mm 직경의 누출 구멍에서 발생하는 누출 음향을 저전력 음향센서로 수집한 데이터를 이용하였다. 또한, 고주파 대역대의 잡음을 인위적으로 추가하여 데이터를 생성하였다.
오토인코더 기반의 분류문제를 풀기 위하여, 정상 상태 데이터 10,757개만을 오토인코더 학습에 이용하였다. 또한, 검증을 위해 정상 상태 데이터 2,656개, 누출 상태 데이터 2,464개를 사용하였다.
우선, 마이크로폰(Microphone)으로부터 수집된 아날로그 음향 신호를 증폭한 다음, 아날로그-디지털 변환회로(A/D converter)를 통하여 디지털 신호로 변환한다. 이 때, 수집하는 초당 샘플수는 256kHz를 이용하였다. 샘플링된 디지털 신호는 1차원 이산 푸리에 변환(Discrete Fourier transform)을 통해 주파수 영역 데이터로 변환된다.
학습에 사용된 데이터 수는 정상 상태 데이터 10,757개와 누출 상태 데이터 20,812개이며, 검증을 위한 데이터는 IV.2.1과 동일한 데이터를 이용하였다. 학습에 사용된 두 범주의 데이터 개수가 많이 차이 나기 때문에, 학습을 위한 배치(Batch)를 구성할 때, 샘플링 확률을 조정하여 정상 상태 데이터와 누출 상태 데이터의 비율을 같게 만들었다.

데이터처리

즉, 수식 (1)과 (2)에 를 적용하였다. 그런 다음, 각각의 F(w)에 대한 크기를 구하여 16개의 구간 데이터들을 평균값을 취하였다. F(w)의 크기인 |F(w)|는 푸리에 변환의 스펙트럼(Spectrum) 또는 크기(Magnitude)라고 부른다.

이론/모형

여기서 ℝ은 실수 집합을 의미한다. 따라서, 본 논문에서는 데이터를 분석하는데 있어 딥러닝 구조 중 벡터 데이터를 분석하는데 가장 일반적으로 사용되는 MLP 구조를 이용하였다.
또한, MLP 구조에서 비선형성(Non-linearity)을 부여 하기 위하여, 각각의 은닉층에서 ReLU(Rectified Linear Units) 함수를 활성화 함수(Activation function)로 이용하였다.
1과 같이 음향 시계열 데이터를 전처리한 다음, ResNet 구조의 딥러닝 네트워크를 이용하여 정상 상태인지 누출 상태인지 판별하는 방법을 제안하였다. 이 때, 정상 상태 데이터와 누출 상태 데이터를 모두 학습 시켜 두 가지 상태를 판별하게 하는 지도학습 기반의 딥러닝 모델을 이용하였다. [2]에서 제안한 패턴 영상 변환을 이용하면, 기계적 잡음이 있는 환경에서도 99.

성능/효과

MLP를 이용한 배관 누출 탐지 모델의 정확도는 평균 96.45%로, 본 논문에서 제안한 딥 오토인코더를 이용한 배관 누출 탐지 모델의 성능에 비하여 3%p 가까이 성능이 저하되는 것을 볼 수 있다. 이는 정제되지 않은 음향 신호가 저전력 음향센서 모듈을 통해 푸리에 변환의 스펙트럼 값으로 변환이 되면서 상당히 많은 양의 정보를 잃었기 때문이라 판단된다.
추가적으로, 데이터의 용량을 줄이기 위하여 푸리에 변환의 평균 스펙트럼 값을 하나의 주파수 당 4bytes 용량으로 초당 한 번씩 전송하는 방식을 택하였다. 결과적으로, 음향센서 모듈 하나당 전송되는 데이터의 양은 초당 320 x 4 =1,280bytes가 된다.
256kHz로 샘플링하여 정제하지 않고, 16진수로 변환하여 전송한다면, 데이터의 양은 초당 256,000 × 4bytes = 1,000kbytes가 된다. 따라서, 본 논문에서 제안한 음향센서 모듈을 이용하면, 데이터를 정제하지 않고 전송하는 것에 비하여 전송되는 데이터의 양을 1/800로 감소시킬 수 있다.
25kHz(=256kHz/1,024) 간격으로 얻을 수 있는데, 본 논문에서는 [16, 17]의 표준 기준에 의거하여 가청 주파수 대역대의 정보와 고주파 대역대의 정보를 제외한 20kHz~100kHz 주파수 대역대의 평균 스펙트럼만을 출력하였다. 따라서, 최종적으로 Fig. 3의 저전력 음향 센서 모듈을 통해 얻어지는 데이터는 0.25kHz 간격의 20kHz~100kHz 주파수 대역대 푸리에 변환의 평균 스펙트럼 값으로, 총 320개이다.
본 논문에서 제안한 배관 누출 탐지 모델은 딥 오토인코더를 이용한 비지도학습 방법이므로, 정상 상태의 데이터 만으로도 모델을 학습하여 누출 상태를 찾아낼 수 있다. 따라서, 현장에서는 누출 상태 데이터 확보에 어려움이 있다는 점을 감안할 때, [2]에서 제안한 누출 탐지 모델보다본 논문에서 제안한 모델이 현장 적용에 유리하다.
17%의 분류 정확도가 나왔던 실험 결과들과 비교하였을 때 성능이 저하되지 않는 것을 확인할 수 있다. 미가공 음향센서 데이터를 사용한 데 비해 데이터의 양은 1/800 감소하였으나, [2]에 비해 단지 0.03%p의 성능 저하만 관찰되었고, [3]에 비해서는 오히려 성능이 향상된 것을 관찰할 수 있다.
딥 오토인코더는 정상 상태 데이터만을 이용하여 학습한 후, 실험적으로 결정한 임계치값을 통해 정상 상태인지 누출 상태인지 구분하도록 설계하였다. 본 논문에서 설계한 딥 오토인코더를 이용 하면 데이터의 양이 감소함에 따라 많은 양의 정보를 잃는 상황임에도 불구하고, 정확도 99.94%, Type II Error가 0%인 배관 누출 탐지 모델을 만들어낼 수 있음을 실험적으로 확인하였다.
이러한 에러(Error)를 Type II Error라고 하며, 배관의 누출 탐지 모델 설계 시, 정확도가 높은 모델을 만드는 것도 중요하 지만, Type II Error를 0%로 만드는 것 또한 매우 중요하 다. 이러한 사실로부터 본 논문에서 제안한 딥 오토인코더를 이용한 배관 누출 탐지 모델은 정확도와 Type II Error 두 가지 측면에서 모두 성능이 좋은 모델이라 판단된다.
본 논문에서는 무선 저전력 음향센서 모듈과 딥 오토인코더를 이용한 배관 누출 탐지 시스템에 대해 제안하였다. 저전력 음향센서로부터 수집되는 아날로그 신호를 증폭하고, 20kHz~100kHz 사이의 푸리에 변환의 스펙트럼 데이터 320개로 변환하는 방식을 통해, 실제 전송하는 데이터의 양을 1/800로 줄일 수 있었다. 딥 오토인코더는 정상 상태 데이터만을 이용하여 학습한 후, 실험적으로 결정한 임계치값을 통해 정상 상태인지 누출 상태인지 구분하도록 설계하였다.
기존의 딥러닝 기술 기반의 배관 누출 탐지 기법에 관련된 연구들[1-3]은 전력이 상시 공급되는 상황을 가정하였 기에, 데이터 양이 큰 미가공 음향센서 데이터를 그대로 전송할 수 있었다. 하지만, 본 연구에서 제안하는 저전력 무선 음향센서 모듈은 전송하는 데이터 양을 최소화하여 사용하는 전력을 줄인다. 또한, 기존 연구들[1-3]은 가청 주파수 대역대(20kHz 이하)의 음향 신호를 주로 사용하여 배관의 누출을 탐지하는 기법을 제안하였는데, 발전소와 플랜트에서는 가청 주파수 대역대에서 상당히 큰 잡음 (Noise)이 발생하기 때문에 이를 이용하여 배관의 누출 신호를 판별하는 것은 매우 어려운 일이다.
6(b)는 누출 상태 데이터를 입력으로 사용한 결과이다. 학습한 딥 오토인코더가 정상 상태 데이터의 특징 및 패턴을 잘 학습하여 복원한 반면, 누출 상태 데이터는 제대로 복원하지 않음을 확인할 수 있다.

참고문헌 (18)

D.-B. Yoon, S.-S. Moon, and B.-S. Yang, A Study on Acoustic Signal Processing Method for Detecting Small Leak of Piping System, Proceedings of the Domestic conference on the Korean Society for Noise and Vibration Engineering, pp. 139-139, Hoengseong, Korea, Oct. 2016.
J.-H. Bae, D. Yeo, D.-B. Yoon, S.W. Oh, G.J. Kim, N.S. Kim, and C.S. Pyo, Deep-Learning-Based Pipe Leak Detection Using Image-Based Leak Features, Proceedings of the IEEE International Conference on Image Processing (ICIP), pp. 2361-2365, Athens, Greece, Oct. 2018.
D. Yeo, J.-H. Bae, and J.-C. Lee, “Unsupervised Learning-Based Pipe Leak Detection using Deep Auto-Encoder,” Journal of The Korea Society of Computer and Information, Vol. 24, No. 9, pp. 21-27, September 2019. https://doi.org/10.9708/jksci.2019.24.09.021
G. Cybenko, “Approximation by superpositions of a sigmoidal function,” Mathematics of Control, Signals, and Systems, Vol. 2, No. 4, pp. 303-314, 1989. https://doi.org/10.1007/BF02551274

상세보기
C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. Reed, D. Anguelov, D. Erhan, V. Vanhoucke, and A. Rabinovich, Going Deeper with Convolutions, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1-9, Boston, USA, Jun. 2015.
K. Simonyan and A. Zisserman, Very Deep Convolutional Networks for Large-scale Image Recognition, Proceedings of 5th International Conference on Learning Representations (ICLR), pp. 1-14, San Diego, USA, May 2015.
K. He, X. Zhang, S. Ren, and J. Sun, Deep Residual Learning for Image Recognition, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 1-12, Las Vegas, USA, Jun. 2016.
G. Huang, Z. Liu, L.V.D. Maaten, and K. Weinberger, Densely Connected Convolutional Networks, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 2261-2269, Hawaii, USA, Jul. 2017.
S. Hpchreiter and J. Schmidhuber, "Long short-term memory," Neural computation, Vol. 9, No. 8, pp. 1735-1780, 1997. https://doi.org/10.1162/neco.1997.9.8.1735

상세보기
V. Mnih, K. Kavukcuoglu, D. Silver, A. Graves, I. Antonoglou, D. Wierstra, and M. Riedmiller, "Playing atari with deep reinforcement learning," arXiv preprint arXiv:1312.5602, 2013.
V. Mnih, A. P. Badia, M. Mirza, A. Graves, T. P. Lilicrap, T. Harley, and K. Kavukcuoglu, "Asynchronous Methods for Deep Reinforcement Learning," arXiv preprint arXiv:1602.01783, 2016.
R. Chalapathy and S. Chawla, "Deep Learning for Anomaly Detection: A survey," arXiv preprint arXiv:1901:03407, 2019.
A. Borghesi, A. Bartolini, M. Lombardi, M. Milano, and L. Benini, Anomaly detection using autoencoders in high performance computing systems, Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 33, No. 01, pp. 9428-9433, Hawaii, USA, Jul. 2019.
T. Luo and S.G. Nagarajan, Distributed Anomaly Detection Using Autoencoder Neural Networks in WSN for IoT, Proceedings of 2018 IEEE International Conference on Communications (ICC), pp. 1-6, Kansas City, USA, May 2018.
J. Pereira and M. Silveira, Unsupervised Anomaly Detection in Energy Time Series Data using Variational Recurrent Autoencoders with Attention, Proceedings of 2018 17th IEEE International Conference on Machine Learning and Applications (ICMLA), pp. 1275-1282, Orlando, USA, Dec. 2018.
ASTM E1002-11(2018), "Standard Practice for Leaks Using Ultrasonics," American Society for Testing and Materials (ASTM) International, West Conshohocken, PA, 2018, https://doi.org/10.1520/E1002-11R18, www.astm.org.
NDIS 3420-2000: "Methods for Leak Test using Ultrasonics," Non-Destructive Inspection Society.
Y. Pei, The gas leak locating detection based on the improved ultrasonic transducer array group, Proceedings of the International Conference on Machinery, Materials Science and Engineering Application (MMSE), pp. 251-255, Wuhan, China, June, 2015.

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