[논문]몬테칼로 시뮬레이션 기반의 다수 지상 연성표적에 대한 최적 조준점 산출

김종환; 안남수

doi:10.9709/jkss.2020.29.1.047

몬테칼로 시뮬레이션 기반의 다수 지상 연성표적에 대한 최적 조준점 산출
Monte Carlo Simulation based Optimal Aiming Point Computation Against Multiple Soft Targets on Ground 원문보기

한국시뮬레이션학회논문지 = Journal of the Korea Society for Simulation, v.29 no.1, 2020년, pp.47 - 55

김종환 () , 안남수 (육군사관학교 기계.시스템공학과)

초록
AI-Helper

본 논문은 드론봇 전투체계를 운용하여 전투전단의 적 보병부대 위치정보를 수집하였을 시, 지휘관이 요구하는 적 부대 피해수준을 충족하면서 적 보병부대를 신속하고 정확하게 타격하기 위하여, 보유한 화력체계의 살상범위를 기초로 최적의 사격발수 및 조준점 위치를 실시간 자동으로 산출하는 인공지능 알고리즘 연구이다. 이를 위해, 100m×200m 크기의 야지 전장환경에서 증강된 소대급 규모의 적 보병부대를 임의로 전개 및 모의하고, 약 15m의 살상범위를 갖는 가상의 화력체계에 대한 모델링을 수행하였으며, 각개 적병사의 무피해/경상 및 중상/사망 등의 피해유형 및 임무수행 가능여부를 모의하기 위하여 연성표적의 피해효과에 적용되는 칼튼피해함수를 적용하고 전장의 불확실성을 모의하기 위하여 몬테칼로 시뮬레이션을 수행하였다. 또한, 지휘관 의도에 부합된 적부대의 피해수준을 달성하기 위하여, 반복적인 모의 및 비지도학습의 k-mean clustering 기법을 적용하여 최적의 사격발수 및 조준점 위치를 0.4초 이내로 산출하였다. 본 연구에서 제안하는 방법은 드론봇 전투체계를 운용하는 대대급 규모의 전투부대에서 '탐지-결심-타격' 의사결정시간의 단축에 기여할 것으로 판단된다.

Abstract ▼ AI-Helper

This paper presents a real-time autonomous computation of shot numbers and aiming points against multiple soft targets on grounds by applying an unsupervised learning, k-mean clustering and Monte carlo simulation. For this computation, a 100 × 200 square meters size of virtual battlefield is created where an augmented enemy infantry platoon unit attacks, defences, and is scatted, and a virtual weapon with a lethal range of 15m is modeled. In order to determine damage types of the enemy unit: no damage, light wound, heavy wound and death, Monte carlo simulation is performed to apply the Carlton damage function for the damage effect of the soft targets. In addition, in order to achieve the damage effectiveness of the enemy units in line with the commander's intention, the optimal shot numbers and aiming point locations are calculated in less than 0.4 seconds by applying the k-mean clustering and repetitive Monte carlo simulation. It is hoped that this study will help to develop a system that reduces the decision time for 'detection-decision-shoot' process in battalion-scaled combat units operating Dronebot combat system.

주제어

표/그림 (11)

그림 Fig. 1. System architecture
그림 Fig. 2. An example of k-mean clustering with k = 3
표 Table 1. Damage levels by depending on q₂
그림 Fig. 3. Deployments of the enemy force in each scenario
표 Table 2. Three types of simulation scenario
그림 Fig. 4. Simulation results of aiming points(left), lethal areas(center), and damage effectiveness estimation(right) for scenario #1
표 Table 3. Scenario #1 results with respect to commander's intents
표 Table 4. Scenario #2 results with respect to commander's intents
그림 Fig. 5. Simulation results of aiming points(left), lethal areas(center), and damage effectiveness estimation(right) for scenario #2
그림 Fig. 6. Simulation results of aiming points(left), lethal areas(center), and damage effectiveness estimation(right) for scenario #3
표 Table 5. Scenario #3 results with respect to commander's intents

AI 본문요약
AI-Helper

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

문제 정의

본 논문은 드론봇 전투체계를 운용하여 전투전단의 적 보병부대 위치정보를 수집하였을 시, 지휘관이 요구하는 적 부대 피해수준을 충족하고 적 부대를 신속하고 정확하게 타격하기 위하여, 타격수단의 살상범위를 기초로 최적의 사격발수 및 조준점 위치를 실시간 자동으로 산출 하는 인공지능 알고리즘을 제안한다. 이를 위해, 100m× 200m 크기의 야지 전장환경에서 소대급 규모의 적 보병 부대를 임의로 전개 및 모의하고, 약 15m의 살상범위를 갖는 가상의 화력체계에 대한 모델링을 수행하였으며, 각 개 적병사의 무피해/경상 및 중상/사망 등의 피해유형을 모의하기 위하여 연성표적의 피해효과에 적용되는 칼튼 피해함수(Driels, 2004)를 적용하고 전장의 불확실성을 모의하기 위하여 몬테칼로 시뮬레이션(Binder 등, 1993) 을 수행하였다.
본 논문은 정찰용 드론봇 전투체계를 운용하여 전투전단의 적 보병부대 위치정보를 수집하였을 시, 지휘관이 요구하는 적 부대 피해수준을 충족하고 적부대를 신속하고 정확하게 타격하기 위하여, 타격수단이 보유한 살상범위를 기초로 최적의 사격발수 및 조준점 위치를 실시간 자동으로 산출하는 인공지능 알고리즘을 연구하였다.
본 논문은 지상 다수 연성표적에 대하여 지휘관이 요구하는 적 부대의 피해수준을 충족하면서 가상무기체계 의 살상범위를 기초로 최적 사격발수 및 조준점을 산출하기 위해 Fig. 1에 제시된 바와 같이 3가지 단계로 구성된다. 첫 번째 단계는 드론봇 전투체계로부터 표적의 위 치정보를 수집하고 군사좌표계로 전환하는 것이다.
본 연구는 지휘관이 요구하는 적 부대 피해수준을 충족하고 수집된 연성표적의 위치정보를 통해 타격수단의 살상범위를 기초로 최적의 사격발수 및 조준점 위치를 실시간 자동으로 산출하기 위하여, 총 3가지의 시나리오를 설정하였다. 첫 번째 시나리오는 증강된 소대급 규모 의 적 보병부대가 아군을 공격하기 위해 전형적인 종대 대형으로 전개되어 아군의 좌측방향으로 집중된 상황이고, 두 번째 시나리오는 첫 번째 시나리오와 반대로 증강된 소대가 아군의 공격을 방어하기 위해 전단에 위치한 1제대 및 그 후방에 예비대로 위치한 2제대로 구분하여 일반적인 횡대대형으로 전개되어 있는 상황이며, 세 번째 시나리오는 적 부대가 곡사화력으로부터 피해를 최소화하기 위하여 공격 및 방어 형태와 다르게 산개된 상황이다.

가설 설정

부대의 피해효과는 해당 부대의 임무수행 수준과 연관 이 있는 것으로 가정하여, 임무수행 수준이 낮을 경우 피해효과가 큰 것으로, 반대로 임무수행 수준이 높을 경우 피해효과가 낮은 것으로 설정하였다. 임무수행 수준은 병사의 피해유형에 따라 무피해 혹은 경상의 경우는 임무수행이 가능한 것으로, 중상 혹은 사망의 경우는 임무수행이 불가한 경우로 설정하였다.
첫 번째 단계는 드론봇 전투체계로부터 표적의 위 치정보를 수집하고 군사좌표계로 전환하는 것이다. 이 단 계는 본 연구에서 이미 표적위치정보를 확보 및 전환한 것으로 가정하였다. 두 번째 단계는 사격발수를 설정하고, 몬테칼로 시뮬레이션을 통해 조준점 산출, 살상범위 산출, 그리고 피해효과추정의 과정을 진행하는 것이다.
본 연구의 가정과 연구범위의 한계는 다음과 같다. 일반 보병연대 및 대대 단위의 부대에서 드론봇 전투체계를 운용하고 전투전단의 적부대를 탐지 및 식별하여 각 개 표적의 위치정보를 군사좌표계로 전환 및 수집한 것으로 가정하였다. 또한, 표적은 증강된 소대급 규모의 보병부대로 연구범위를 설정하고, 적 병사는 반경 30cm의 원형으로 모의하였다.

제안 방법

가상 무기체계에 대한 모델링을 위해 포탄의 탄도오차(Ballistic Error, σb), 우발오차(Incidental Error, σi), 원형공산오차(Circular Error Probability, σc), 그리고 살상확률(Probability of Kill, PK)을 적용하였고, 연성표적에 대한 살상확률을 기초로 피 해함수(Function of Damage, D)을 적용하여 피해유형을 무피해(No wound), 경상(Light wound), 중상(Heavy wound) 그리고 사망(Death)으로 구분하였으며, 균등분포의 난수를 생성하여 피해유형을 판단하고, 임무수행의 가능여부를 기준으로 적부대의 피해효과를 확률적으로 산출하였다.
일반 보병연대 및 대대 단위의 부대에서 드론봇 전투체계를 운용하고 전투전단의 적부대를 탐지 및 식별하여 각 개 표적의 위치정보를 군사좌표계로 전환 및 수집한 것으로 가정하였다. 또한, 표적은 증강된 소대급 규모의 보병부대로 연구범위를 설정하고, 적 병사는 반경 30cm의 원형으로 모의하였다. 아울러 본 연구는 시간요소를 미반영하여 정지된 표적으로 연구범위가 한정되고, 평지상에서 장애물이 존재하지 않으며, 은폐 및 엄폐가 제한되도록 시나리오를 설정함으로서 가상무기체계의 무기효과가 최대로 발휘되는 환경으로 연구범위를 설정하였다.
3에 각각 제시되었다. 또한, 화력계획 수립시 중요요소인 적 부대 피해수준에 대한 지휘관의 의도를 50 ~ 90%로 설정하여 3가지 시나리오에 적용하여 시뮬레이션을 수행하였다.
무기효과분석시 경성표적에 대한 무기체계의 살상범위를 판단할 경우 쿠키 커터(Cookie-cutter) 알고리즘을, 연성표적에 대한 살상범위는 칼튼피해함수(Carlton Damage Function) 알고리즘을 적용한다(Driels, 2004; Sariego, 2006). 본 연구는 수집된 표적이 보병부대이기 때문에 모든 표적을 연성표 적으로 설정하여 칼튼피해함수를 적용하였다. 칼튼피해 함수는 무기체계가 가지고 있는 고유한 살상범위와 탄착 지점으로부터 표적간의 거리에 따라 변화하는 살상정도를 살상확률로 표현하는 것으로(Driels, 2004), 몬테칼로 시뮬레이션 수행간 탄도오차, 우발오차, 그리고 원형공산 오차를 고려하여, 아래 식 (2)와 같이 표현된다.
시나리오 #3은 적 보병부대가 아군의 곡사화력으로부터 피해를 최소화하기 위해 야지에 산개된 상황으로, 지휘관이 요구하는 적 부대의 피해수준을 40 ~ 90%로 설 정하였다. 지휘관의 요구수준별 시뮬레이션 결과는 Fig.
또한, 표적은 증강된 소대급 규모의 보병부대로 연구범위를 설정하고, 적 병사는 반경 30cm의 원형으로 모의하였다. 아울러 본 연구는 시간요소를 미반영하여 정지된 표적으로 연구범위가 한정되고, 평지상에서 장애물이 존재하지 않으며, 은폐 및 엄폐가 제한되도록 시나리오를 설정함으로서 가상무기체계의 무기효과가 최대로 발휘되는 환경으로 연구범위를 설정하였다.
또한, 지휘관 의도에 부합된 적부대의 피해수준을 달성하기 위하여, 반복적인 모의를 진행하고 비 지도학습의 k-Mean Clustering(Arthur, 2007) 기법을 적용하여 최적의 사격발수 및 조준점 위치를 산출하였다. 아울러, 본 연구에서 제안하는 알고리즘의 검증을 위해, 공격작전 및 방어작전 간 적 부대의 전개양상을 기초로 본 연구의 시뮬레이션 결과를 제시 및 분석하였다.
이를 위해, 100m× 200m 크기의 야지 전장환경에서 소대급 규모의 적 보병 부대를 임의로 전개 및 모의하고, 약 15m의 살상범위를 갖는 가상의 화력체계에 대한 모델링을 수행하였으며, 각 개 적병사의 무피해/경상 및 중상/사망 등의 피해유형을 모의하기 위하여 연성표적의 피해효과에 적용되는 칼튼 피해함수(Driels, 2004)를 적용하고 전장의 불확실성을 모의하기 위하여 몬테칼로 시뮬레이션(Binder 등, 1993) 을 수행하였다.
살상범위는 타격수단에 의해 산출되는 반면에, 피해효과는 표적에 의해 산출된다. 전장의 불확실성을 근접하게 모의하기 위하여 살상범위와 피해효과를 구분하고 난수를 통해 두 요소를 연결하였다. 또한, 본 논문은 한발이 아닌 다수 사격발수에 따른 중첩 살상효과를 구현하기 위하여 전투효과분석에 사용되는 생존이론(Driels, 2004; Fager, 2007)을 적용하였다.
최종 살상확률을 기초로 적 병사의 피해유형을 판단하기 위하여, 두 개의 균등분포 난수 q₁및 q₂를 생성하였다. 이때 q₁≤P_k일 경우 피해가 존재한 것으로, 그렇지 않은 경우는 피해가 없는 것으로 설정하였다.

대상 데이터

본 시뮬레이션을 위해 사용된 컴퓨터는 윈도우 10 64 비트, 8세대 i7, 1.9GHz 듀얼코어의 CPU 및 8GB 램의 사양을 갖추었다. 시나리오 #1은 적 보병부대가 아군의 좌측면으로 집중 공격을 시작하기 위해 종대대형으로 전개된 상황이며, 지휘관이 요구하는 적 부대의 피해수준을 30 ~ 90%로 설정하였다.

이론/모형

전장의 불확실성을 근접하게 모의하기 위하여 살상범위와 피해효과를 구분하고 난수를 통해 두 요소를 연결하였다. 또한, 본 논문은 한발이 아닌 다수 사격발수에 따른 중첩 살상효과를 구현하기 위하여 전투효과분석에 사용되는 생존이론(Driels, 2004; Fager, 2007)을 적용하였다. 식 (2)에 제시된 한발에 대한 살상효과를 고려하여, k 발의 사격발수를 적용하였을 경우 x,y 위치의 연성표적에 적용되는 최종 살상확률, P_k(x,y)는 식 (3)에 의해 산출되었다.
이를 위해, 100m× 200m 크기의 야지 전장환경에서 소대급 규모의 적 보병 부대를 임의로 전개 및 모의하고, 약 15m의 살상범위를 갖는 가상의 화력체계에 대한 모델링을 수행하였으며, 각 개 적병사의 무피해/경상 및 중상/사망 등의 피해유형을 모의하기 위하여 연성표적의 피해효과에 적용되는 칼튼 피해함수(Driels, 2004)를 적용하고 전장의 불확실성을 모의하기 위하여 몬테칼로 시뮬레이션(Binder 등, 1993) 을 수행하였다. 또한, 지휘관 의도에 부합된 적부대의 피해수준을 달성하기 위하여, 반복적인 모의를 진행하고 비 지도학습의 k-Mean Clustering(Arthur, 2007) 기법을 적용하여 최적의 사격발수 및 조준점 위치를 산출하였다. 아울러, 본 연구에서 제안하는 알고리즘의 검증을 위해, 공격작전 및 방어작전 간 적 부대의 전개양상을 기초로 본 연구의 시뮬레이션 결과를 제시 및 분석하였다.
일반적으로 표적은 표적의 고유성질을 기초로 전차, 장갑차와 같이 장갑을 장착한 경성표적(Hard Target)과 병사와 같이 장갑이 없는 비경성표적 즉, 연성표적(Soft Target)으로 구분된다(Driels, 2004). 무기효과분석시 경성표적에 대한 무기체계의 살상범위를 판단할 경우 쿠키 커터(Cookie-cutter) 알고리즘을, 연성표적에 대한 살상범위는 칼튼피해함수(Carlton Damage Function) 알고리즘을 적용한다(Driels, 2004; Sariego, 2006). 본 연구는 수집된 표적이 보병부대이기 때문에 모든 표적을 연성표 적으로 설정하여 칼튼피해함수를 적용하였다.
본 연구는 가상 무기체계의 살상범위를 기초로 다수 표적들에 대한 최적 조준점을 산출하기 위하여 비지도학습의 k-평균 클러스터링 알고리즘(k-mean clustering) (Arthur, 2007; Chen 등, 1998)을 적용하였다. 이것은 주어진 임의의 데이터를 유사도(Similarity)에 기초하여, 제시된 k값을 기반으로 k개의 클러스터로 데이터를 자동 분할(Segmentation)하는 기법이다.
이를 위해, 비지도학습의 k-mean clustering 기법을 적용하고 반복적인 몬테칼로 시뮬레이션을 통해 최적의 사 격발수 및 조준점 위치를 산출하였다. 그 결과 지휘관의 요구를 충족하는 최적의 사격발수 및 조준점 위치를 0.

성능/효과

6. Simulation results of aiming points(left), lethal areas(center), and damage effectiveness estimation(right) for scenario #3

3가지 시나리오에 대한 본 연구결과는 적 부대의 종대대형, 횡대대형, 그리고 산개대형의 3가지 전개상황시 지휘관이 요구하는 적 부대의 피해수준을 충족하는 사격발수 및 조준점을 산출하였을 뿐만 아니라, 0.144 ~ 0.392 초 사이의 시간으로 프로세스가 수행되었다. 비록 지휘관의 요구하는 피해수준이 높아질수록 연산시간이 증가하는 경향을 보였으나, 본 방법의 프로세스는 0.
이를 위해, 비지도학습의 k-mean clustering 기법을 적용하고 반복적인 몬테칼로 시뮬레이션을 통해 최적의 사 격발수 및 조준점 위치를 산출하였다. 그 결과 지휘관의 요구를 충족하는 최적의 사격발수 및 조준점 위치를 0.4 초 이내에 산출하였으며, 정확성과 더불어 적시성을 충족하여 본 연구에서 제안하는 방법의 실시간 적용 가능성을 확인하였다.
예를 들어, 시나리오 #2에서 본 연구가 제안하는 방법은 지휘관의 요구수준이 20%의 경우, 방어작전을 위해 2개제대로 구분된 적 제대를 25%로 피해효과를 달성하는 조준점을 산출하였다. 또한, 1제대의 부대는 밀집된 상태로 전개되어 있어 적은 사격발수로도 높은 피해효과를 제시하여 가상무기체계의 3발로 75%의 지휘관 의도를 충족하는 결과를 보여주었다.
392 초 사이의 시간으로 프로세스가 수행되었다. 비록 지휘관의 요구하는 피해수준이 높아질수록 연산시간이 증가하는 경향을 보였으나, 본 방법의 프로세스는 0.4초 이내의 연산으로 실시간 지원이 가능함을 확인할 수 있었다.
6에 제시되었다. 시나리오 #3에서 적 부대 전투원은 공격 혹은 방어를 위한 것이 아닌 피해를 최소화하기 위해 전개되었기 때문에 위의 2개의 시나리오에 비해 사격발수 대비 피해효과는 상대적으로 낮았고, 지휘관의 요구수준별 연산시간은 0.234 ~ 0.392 초로 나타남을 확인할 수 있었다. 시나리오 #3의 결과는 Table 5에 제시되었다.

후속연구

본 연구의 결과가 드론봇 전투체계를 운용하는 대대급 규모의 전투부대에서 ‘탐지-결심-타격’ 을 위한 의사결정 시간을 단축하는 시스템 개발에 도움이 되기를 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	드론봇 전투체계의 임무 및 운용개념의 구성요소는?	드론봇 전투체계의 임무 및 운용개념은 크게 정찰감시용(Recon. and Surveillance), 전투용(Combat) 그리고 전투지원용(Combat Support)으로 구성된다(Springer, 2013). 정찰감시용 드론은 작전지역 및 관심지역에 대한 정찰임 무를 수행하고, 핵심 및 고가치 표적에 대한 정밀정찰 및 표적획득을 수행한다.
	k-mean clustering 과 반복적인 몬테칼로 시뮬레이션을 통해 최적의 사 격발수 및 조준점 위치를 산출한 결과는?	이를 위해, 비지도학습의 k-mean clustering 기법을 적용하고 반복적인 몬테칼로 시뮬레이션을 통해 최적의 사 격발수 및 조준점 위치를 산출하였다. 그 결과 지휘관의 요구를 충족하는 최적의 사격발수 및 조준점 위치를 0.4 초 이내에 산출하였으며, 정확성과 더불어 적시성을 충족하여 본 연구에서 제안하는 방법의 실시간 적용 가능성을 확인하였다.
	드론봇 전투체계란?	드론봇 전투체계(Dronebot Combat System)는 드론 (Drone)과 로봇(Robot)의 합성어로, ‘군사목표 달성을 위한 군사 및 비군사작전에 운용되고 전투력을 발휘하는 무인전투체계이며, 하나 또는 다수의 드론과 로봇으로 편성된 구성체’로 정의된다(Kim, 2019). 또한, 드론봇 전투체계는 빠르게 진화하고 있는 4차 산업혁명의 핵심기술과 인명 및 전투효율성을 중시하는 미래전 양상에 의해 육군의 5대 게임체인저로 각광을 받고 있으며, 드론봇의 전투수행개념 정립, 운용개념 및 요구조건을 충족할 수 있는 다양한 첨단 기술들이 활발히 개발되고 있다(Kim, 2019).

참고문헌 (13)

Arthur, D. and S. Vassilvitskii (2007). k-means++: The advantages of careful seeding. Proceedings of the eighteenth annual ACM-SIAM symposium on Discrete algorithms, Society for Industrial and Applied Mathematics.
Binder, K., et al. (1993). "Monte Carlo simulation in statistical physics." Computers in Physics, 7(2): 156-157.

상세보기
Bortz, A. B., et al. (1975). "A new algorithm for Monte Carlo simulation of Ising spin systems." Journal of Computational Physics, 17(1): 10-18.

상세보기
Chen, C. W., et al. (1998). "Image segmentation via adaptive K-mean clustering and knowledgebased morphological operations with biomedical applications." IEEE transactions on image processing, 7(12): 1673-1683.

상세보기
Driels, M. R. (2004). Weaponeering: conventional weapon system effectiveness, American Institute of Aeronautics and Astronautics Reston, VA.
Fager, C. F. (2007). Weaponeering the Future: Direct Energy Weapons Effectiveness Now and Tomorrow, AIR WAR COLL MAXWELL AFB AL CENTER FOR STRATEGY AND TECHNOLOGY.
J-H Kim, "Concept and development of Dronebot combat system," in Dronebot combat development seminar, 2019.
Jong-Hwan Kim, C. J. J., Mira Heo (2018). "Autonomous Battle Tank Detection and Aiming Point Search Using Imagery." Journal of Korea Society for Simulation, 27(2): 1-10.

원문보기 상세보기
Lee, S. Jung, B. Jung, D. & Kim, G., 2012. Weapons engineering. Chungmungak: Korea Military Academy
M-H, Ahn, et-al., "Tactical Fire Direction Automation for Command and Control of Artilliary Battalion Unit" Korean Institute of Communications and Information Sciences, Vol.35, Issue 11, pp.1,738-1,747, 2010.
Sariego, J. (2006). "CCATT: a military model for civilian disaster management." Disaster management & response, 4(4): 114-117.

상세보기
Springer, P. J. (2013). Military robots and drones: a reference handbook, ABC-CLIO.
T.Kim, et-al., "Suggestions to support Dronebot Combat system for networks", in Defense and Technology, Vol.486, pp.102-111, 2019.

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