[논문]쉴드 TBM 기계 데이터 및 머신러닝 기법을 이용한 암석의 일축압축강도 예측

김태환; 고태영; 박양수; 김택곤; 이대혁

doi:10.7474/tus.2020.30.3.214

쉴드 TBM 기계 데이터 및 머신러닝 기법을 이용한 암석의 일축압축강도 예측
Prediction of Uniaxial Compressive Strength of Rock using Shield TBM Machine Data and Machine Learning Technique 원문보기

터널과 지하공간: 한국암반공학회지 = Tunnel and underground space, v.30 no.3, 2020년, pp.214 - 225

김태환 (SK건설 Infra OM혁신 TF) , 고태영 (SK건설 Infra OM혁신 TF) , 박양수 (SK건설 Infra OM혁신 TF) , 김택곤 (SK건설 TBM팀) , 이대혁 (SK건설)

초록
AI-Helper

쉴드 TBM(Tunnel Boring Machine) 터널 굴착 시 암반의 상태는 굴진 성능을 결정하는 중요한 요소 중 하나이다. 암석 강도는 지반조사 시 실내시험을 통해 얻을 수 있으나, 전체 TBM 굴진 구간에 대해 모두 알 수 없다. TBM 굴진 시 최적 Operation Parameter를 적용하기 위해서는 굴진 속도에 영향을 미치는 암석 강도를 파악하는 것이 매우 중요하다. 이에 본 연구에서는 TBM 굴착 중 생성되는 기계 데이터와 머신러닝(Machine Learning) 기법을 활용하여 암석 강도를 예측하고자 한다. 암석 강도를 예측하기 위해 여러 머신러닝 기법을 사용하여 비교하였고, 가장 예측 성능이 좋은 스태킹 모델을 최종 모델로 선택하였다. 암반 구간 Slurry 쉴드 TBM 굴진 사례에서 지반조사 및 시공 중 조사한 암석 강도와 강도를 획득한 위치에서의 TBM 굴착 데이터를 사용하였다. TBM 굴착 데이터는 Training과 Test용으로 8:2로 분할하였으며, 변수 선택(feature selection), 표준화(scaling), 이상치(outlier) 제거 등 전처리 과정을 수행하였다. 하이퍼파라미터 튜닝까지 마친 후, 스태킹 모델에 대해 평균 제곱근 오차(Root Mean Square Error, RMSE)와 결정 계수(R²)로 모델을 평가한 결과 각각 5.556과 0.943로 나타났으며, TBM 굴착 데이터로 암석 강도를 예측하는 모델로 유용할 것으로 판단된다.

Abstract ▼ AI-Helper

Uniaxial compressive strength (UCS) of rock is one of the important factors to determine the advance speed during shield TBM tunnel excavation. UCS can be obtained through the Geotechnical Data Report (GDR), and it is difficult to measure UCS for all tunneling alignment. Therefore, the purpose of this study is to predict UCS by utilizing TBM machine driving data and machine learning technique. Several machine learning techniques were compared to predict UCS, and it was confirmed the stacking model has the most successful prediction performance. TBM machine data and UCS used in the analysis were obtained from the excavation of rock strata with slurry shield TBMs. The data were divided into 8:2 for training and test and pre-processed including feature selection, scaling, and outlier removal. After completing the hyper-parameter tuning, the stacking model was evaluated with the root-mean-square error (RMSE) and the determination coefficient (R2), and it was found to be 5.556 and 0.943, respectively. Based on the results, the sacking models are considered useful in predicting rock strength with TBM excavation data.

주제어

표/그림 (13)

표 Table 1. Frequency of input parameter for TBM performance prediction (Lee et al., 2016)
그림 Fig. 1. Corrleation between FPI and UCS (Hamidi and Bejari, 2013)
표 Table 2. Correlation of FPI with RMR input parameters (Hamidi and Bejari, 2013)
표 Table 3. Summary of the machine learning models used in this study
그림 Fig. 2. Geological strata of the TBM tunneling site
표 Table 4. Summary of slurry TBM specification
표 Table 5. Summary of uniaxial compressive strength data
그림 Fig. 3. Flow chart of the machine learning regression analysis
그림 Fig. 4. Correlation analysis results with TBM features and UCS
표 Table 6. Summary of modelling details
표 Table 7. Summary of the VIF factors of multiple linear regression model
표 Table 8. Results of regression modelling evaluation
그림 Fig. 5. Results of comparison between the test UCS and predicted UCS according to the regression model

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 TBM 굴착 중 생성되는 기계 데이터와 회귀분석 모델(Regression model)을 기반으로 하는 머신러닝 (Machine Learning) 기법을 활용하여 굴진 중 실시간으로 현재 굴착하는 지반에 대한 UCS를 예측할 수 있는 연구를 수행하였다. 이를 통해 TBM의 암반 구간 굴착 시 운전자의 장비 제어에 도움을 주고, 굴진성능 예측 모델링의 최적화 분석을 통한 자동 운전 제어(Auto Steering) 관련 연구 등에 유용할 것으로 판단된다.
, 1996). 본 연구에서는 비교적 성능이 뛰어나다고 알려진 RBF 커널 함수를 사용하여 UCS를 예측하였다.
본 연구에서는 쉴드 TBM 기계데이터를 분석하여 굴진성능 도출 시 가장 대표적으로 활용되는 UCS를 예측하였다. UCS를 예측하기 위해 머신러닝의 회귀분석 기법을 사용하였으며, 적용 과정을 정립하였다.
본 절에서는 암반 구간 터널의 기계데이터를 분석하여 UCS를 예측하기 위한 방법을 정립하고자 한다. 머신러닝의 지도학습 기법 중 회귀분석을 위한 알고리즘을 사용하였으며, Python 3.

가설 설정

4 m이다. 현장에서 얻어진 총40개의 UCS 값을 모델의 출력값으로 사용하였으며, 세그먼트1링을 굴착하는 동안은 UCS가 동일하다고 가정하였다. 또한, 굴착 구역 모두 동일한 화강암 암반 구간이지만 Table 5에서 볼 수 있듯이, UCS가 최대 127.

제안 방법

UCS를 예측하기 위해 머신러닝의 회귀분석 기법을 사용하였으며, 적용 과정을 정립하였다. 또한 여러 알고리즘의 비교 평가를 통해 가장 예측력이 좋은 모델을 제안하였다. 이 과정을 통하여 도출한 결론 및 요약은 다음과 같다.
규제는 크게 L2와 L1으로 구분되며, 이는 각각 Ridge와 Lasso 회귀라고 한다. 본 연구에서는 두 회귀 방법에 대해 alpha값을 조정하여 적합한 모델로 UCS를 예측하였다.
쉴드 TBM으로부터 수집목적에 따라 다양한 형태로 기계 데이터를 추출할 수 있다. 본 연구에서는 생성된 쉴드 TBM 데이터 중 약 5분 간격으로 로그된 데이터를 사용하였으며, 데이터 분석 시에는 실제 TBM이 구동모드인 것만 추출하여 모델링의 입력값으로 사용하였다. UCS 정보가 존재하는 세그먼트 링에 해당하는 기계데이터만을 사용하였으며, 1링의 길이는 1.
딥러닝(Deep Learning)은 모델이 결과를 내는 방법을 알기 어려운 블랙박스(Black box) 형태라 결과에 대한 설명이 필요한 경우 적합하지 않으며 결과 도출까지의 시간이 오래 걸리므로, 추후 TBM 현장에서 실시간 생성되는 기계 데이터를 분석하여 결과를 도출하기에는 어려움이 있다고 판단되어 분석기법에서 제외하였다. 본 연구에서는 여러 회귀모델을 사용하여 비교 평가하였고, 각 회귀모델에 대한 개략적인 내용은 다음의 Table 3과 같다.
이는 특징 간 스케일이 매우 차이나기 때문에 반드시 수행되어야 하는 단계이다. 세번째 모델 학습(Model learning)과정에서는 Table 3의 9가지 모델을 통해 학습을 시키되, 각 모델들이 과적합되지 않고, 좋은 성능을 도출하도록 하이퍼파라미터 튜닝(Hyperparameter tuning)을 수행하였으며 이 때 사용되어진 파라미터를 Table 6에 정리하였다. 하이퍼파라미터 튜닝은 각 알고리즘에서 제공하는 툴을 이용해 최적 파라미터를 찾을 수 있으며, 앙상블 학습 모델의 경우 시행착오를 통해 결정할 수 있으므로 분석가 및 데이터에 따라 차이가 있을 수 있다.
앞서 3절에서 결정된 TBM 특징과 UCS의 상관관계에 대해서 분석하였고, 본 연구에서 학습한 9가지 모델의 성능을 비교하기 전에 먼저 다중선형회귀모델을 분석하고자 한다. TBM의 상태를 잘 설명하는 특징(Feature)으로 결정한 독립변수 간의 유의성을 확인하기 위함이다.
둘째로 Table 6에서 볼 수 있듯이 표준편차를 이용하여 통계적으로 이상치를 제거하였다. 이상치 제거 후 평균 0, 분산1로 모든 값의 스케일을 통일시키는 표준화(Standardization)를 적용하였다. 이는 특징 간 스케일이 매우 차이나기 때문에 반드시 수행되어야 하는 단계이다.
회귀분석 모델로 선정된 9가지를 이용하여 RMSE와 R²에 근거하여 분석한 결과를 Table 8과 Fig. 5에 나타내었고, 예측 결과의 경향에 따라 A와 B 그룹으로 나누어 기술하였다.

대상 데이터

본 연구에서는 생성된 쉴드 TBM 데이터 중 약 5분 간격으로 로그된 데이터를 사용하였으며, 데이터 분석 시에는 실제 TBM이 구동모드인 것만 추출하여 모델링의 입력값으로 사용하였다. UCS 정보가 존재하는 세그먼트 링에 해당하는 기계데이터만을 사용하였으며, 1링의 길이는 1.4 m이다. 현장에서 얻어진 총40개의 UCS 값을 모델의 출력값으로 사용하였으며, 세그먼트1링을 굴착하는 동안은 UCS가 동일하다고 가정하였다.
둘째, 전처리(Preprocessing) 과정은 머신러닝 기법 적용에서 매우 중요한 부분이다. 제조사에 따라 상이하지만 본 연구에서는 약 2000개가 넘는 TBM 기계데이터의 특징으로부터 Table 6에서 볼 수 있듯이, 5개로 결정하였으며, 이 특징들은 현재 TBM의 상태를 잘 설명할 수 있는 인자들이다. 결정된 5개의 특징(Feature)과 UCS와의 상관관계를 확인하기 위해 Fig.
2와 같다. 터널 통과 구간이 대부분 화강암으로 이루어져 있고, 구역A, B으로 나뉘지만 동일 사양의 slurry 쉴드 TBM 2대가 사용되었다. 사용된 쉴드 TBM의 제원은 Table 4와 같다.

데이터처리

본 연구에서는 쉴드 TBM 기계데이터를 분석하여 굴진성능 도출 시 가장 대표적으로 활용되는 UCS를 예측하였다. UCS를 예측하기 위해 머신러닝의 회귀분석 기법을 사용하였으며, 적용 과정을 정립하였다. 또한 여러 알고리즘의 비교 평가를 통해 가장 예측력이 좋은 모델을 제안하였다.
이는 현실적으로 TBM이 수행할 수 없으며, 센서의 이상으로 인해 로깅되는 값들을 제거하는 단계이며, 이런 값들이 포함되어 회귀분석을 실시할 경우 예측력을 떨어트리게 된다. 둘째로 Table 6에서 볼 수 있듯이 표준편차를 이용하여 통계적으로 이상치를 제거하였다. 이상치 제거 후 평균 0, 분산1로 모든 값의 스케일을 통일시키는 표준화(Standardization)를 적용하였다.
하이퍼파라미터 튜닝은 각 알고리즘에서 제공하는 툴을 이용해 최적 파라미터를 찾을 수 있으며, 앙상블 학습 모델의 경우 시행착오를 통해 결정할 수 있으므로 분석가 및 데이터에 따라 차이가 있을 수 있다. 마지막으로 모델 평가에서는 실제 오차 값보다 커지는 것을 방지하기 위해 오차 값에 루트를 씌우는 RMSE(Root Mean Squared Error)와 분산 기반으로 예측 성능을 평가하는 결정계수 (R-square, R²)를 사용하였다.
본 절에서는 암반 구간 터널의 기계데이터를 분석하여 UCS를 예측하기 위한 방법을 정립하고자 한다. 머신러닝의 지도학습 기법 중 회귀분석을 위한 알고리즘을 사용하였으며, Python 3.7 버전을 이용하여 분석을 수행하였다. 회귀분석 기법을 적용하는 흐름도는 Fig.

이론/모형

스태킹은 여러 가지 다른 서브 모델(Sub model)의 예측 결과값을 다시 학습 데이터로 만들어서 다른 모델인 메타 모델(Meta model)로 재학습시켜 결과를 예측하는 방법으로 앙상블 모델에서도 단일 모델보다 예측 성능이 좋다고 알려져 있다. 본 연구에서는 회귀분석에서 예측 성능이 좋아 앙상블 학습을 주도하고 있는 XGBoost, LightGBM와 스태킹 모델을 사용하였으며, Table 2에서 확인할 수 있듯이, 스태킹의 서브 모델로는 Multiple Linear, Ridge, Lasso, SVR, XGBoost, LightGBM을 사용하였다.
머신러닝은 지도학습(Supervised Learning), 비지도학습(Unsupervised Learning)과 강화학습(Reinforcement Learning) 3 가지로 분류할 수 있으며 목적에 따라 적절한 머신러닝 기법을 적용해야 한다. 지도학습은 입력값과 결과값을 같이 주고 학습을 시키는 방법으로 분류 및 회귀 등 여러 가지 방법에 쓰이므로 본 연구에서는 지도학습의 한 분야인 회귀분석 기법을 사용하였다. 딥러닝(Deep Learning)은 모델이 결과를 내는 방법을 알기 어려운 블랙박스(Black box) 형태라 결과에 대한 설명이 필요한 경우 적합하지 않으며 결과 도출까지의 시간이 오래 걸리므로, 추후 TBM 현장에서 실시간 생성되는 기계 데이터를 분석하여 결과를 도출하기에는 어려움이 있다고 판단되어 분석기법에서 제외하였다.

성능/효과

1) TBM 기계데이터로 UCS를 예측하기 위한 머신러닝 적용 과정을 데이터 수집부터 전처리 과정, 모델 학습을 포함하여 모델 평가까지 상세히 정립하였다.
2) 선형에 근거하는 회귀분석 모델을 통해 UCS를 분석하면 실측값과 예측값의 RMSE 오차가 17.1~17.6로 형성되고, 결정계수가 0.5 이하로 도출되어 예측력이 약하다. 이를 통해 쉴드 TBM 기계데이터와 암석 강도 간에는 비선형적이고, 복잡한 관계가 있으므로 선형성을 기반으로 한 회귀분석 기법으로는 예측이 불가함을 확인하였다.
3) SVM과 앙상블 학습을 기반으로 하는 모델로 UCS를 분석하면 실측과 예측값의 오차가 5.6~8.5로 형성되고, LightGBM을 제외한 모델들의 결정계수가 0.9 이상으로 도출되어 예측력이 강함을 확인하였으며, 모델 중 스태킹 기법이 가장 예측 성능이 좋음을 확인하였다.
또한, 일반적으로 독립변수들의 상관관계를 의미하는 다중공선성(Multicollinearity)을 표현하는 분산팽창요인(Variance inflation factors, VIF) 은 10보다 작아야 한다. 개발한 다중선형회귀 모델의 유의확률은 0.0023이며, Table 7을 보면, 5개의 독립변수들의 분산팽창요인이 10이하로 다중공선성 기준에 위배되지 않으므로 인자 간의 상관관계가 낮음을 확인할 수 있다.
그룹B 모델들 중 스태킹 모델은 현실 모델에서는 잘 사용하지 않는 편이나, 적용 분야에 따라 조금이라도 예측 성능을 높이기 위해 적용하는 기법이다. 분석 결과에서 알 수 있듯이 스태킹 모델은 상대적으로 예측 성능이 좋은 그룹B의 다른 모델들보다도 조금 더 높은 수준의 예측력을 가지는 것을 알 수 있으므로, 최종적으로 스태킹 모델이 UCS를 예측하는데 가장 적합하다고 판단된다.
(2016)는 TBM 굴진성능 예측모델의 입력 및 출력 인자를 정리하여 주요 영향인자의 적용 빈도를 분석하였으며, 이를 상위 5개의 인자로 요약하면 다음의 Table 1과 같다. 사용된 빈도수가 가장 높은 입력인자는 암석의 일축압축강도(Uniaxial Compressive Strength, UCS)이며, 이를 통해 UCS가 가장 중요한 인자임과 동시에 현장의 실무자가 획득하기 쉬운 인자로 그 활용도가 높음을 유추할 수 있다. 하지만, UCS는 굴진 성능을 결정짓는 중요한 요소임에도 불구하고 지반조사 시 실내실험을 통해 얻을 수 있으나, 전체 TBM 굴진 구간에 대해 모두 알 수 없는 한계점이 있다.
5 이하로 도출되어 예측력이 약하다. 이를 통해 쉴드 TBM 기계데이터와 암석 강도 간에는 비선형적이고, 복잡한 관계가 있으므로 선형성을 기반으로 한 회귀분석 기법으로는 예측이 불가함을 확인하였다.

후속연구

4) 최종 제안된 스태킹 모델은 암반 구간 굴착 시, 쉴드 TBM 운전자에게 제공되어 운전 제어에 도움을 줄 것으로 판단되고, UCS는 굴진성능을 예측하기 위한 필수 인자이므로 굴진성능 예측 모델링의 최적화 분석을 통한 자동 운전 제어 연구에도 유용하게 활용될 것으로 판단된다.
본 연구에서 제안한 예측모델을 통해 암반 구간을 굴착하는 쉴드 TBM의 실시간 기계데이터로 UCS 예측이 가능할 것으로 판단되며, 이에 따라 TBM 운전자는 추력 혹은 쉴드 잭 압력과 커터헤드 회전속도인 RPM 등을 조절하는데 유용할 것으로 판단된다. 추가적으로 UCS는 굴진성능을 예측하기 위해 사용되는 필수 인자이므로, 굴진성능 예측 모델링의 최적화 분석을 통한 자동 운전 제어(Auto Steering) 관련 연구 등에 유용할 것으로 판단된다.
따라서 본 연구에서는 TBM 굴착 중 생성되는 기계 데이터와 회귀분석 모델(Regression model)을 기반으로 하는 머신러닝 (Machine Learning) 기법을 활용하여 굴진 중 실시간으로 현재 굴착하는 지반에 대한 UCS를 예측할 수 있는 연구를 수행하였다. 이를 통해 TBM의 암반 구간 굴착 시 운전자의 장비 제어에 도움을 주고, 굴진성능 예측 모델링의 최적화 분석을 통한 자동 운전 제어(Auto Steering) 관련 연구 등에 유용할 것으로 판단된다.
본 연구에서 제안한 예측모델을 통해 암반 구간을 굴착하는 쉴드 TBM의 실시간 기계데이터로 UCS 예측이 가능할 것으로 판단되며, 이에 따라 TBM 운전자는 추력 혹은 쉴드 잭 압력과 커터헤드 회전속도인 RPM 등을 조절하는데 유용할 것으로 판단된다. 추가적으로 UCS는 굴진성능을 예측하기 위해 사용되는 필수 인자이므로, 굴진성능 예측 모델링의 최적화 분석을 통한 자동 운전 제어(Auto Steering) 관련 연구 등에 유용할 것으로 판단된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	앙상블 학습에서 부스팅의 특징은 무엇인가?	부스팅은 여러 개의 예측기가 순차적으로 학습을 수행하되, 앞에서 학습한 예측기가 예측이 틀린 데이터에 대해서는 올바르게 예측할 수 있도록 다음 예측기에게는 가중치(weight)를 부여하면서 학습과 예측을 진행하는 것이다. 예측 성능이 뛰어나 앙상블 학습을 주도하고 있으며 대표적으로 GBM(Gradient Boosting Machine), XGBoost(eXtra Gradient Boosting), LightGBM(Light Gradient Boosting Machine)이 있다. 스태킹은 여러 가지 다른 서브 모델(Sub model)의 예측 결과값을 다시 학습 데이터로 만들어서 다른 모델인 메타 모델(Meta model)로 재학습시켜 결과를 예측하는 방법으로 앙상블 모델에서도 단일 모델보다 예측 성능이 좋다고 알려져 있다.
	앙상블 학습이란 무엇인가?	앙상블 학습은 여러 예측기를 생성하고 그 예측을 결합함으로써 보다 정확한 최종 예측을 도출하는 기법이다. 앙상블 학습의 유형은 보팅(Voting), 배깅(Bagging), 부스팅(Boosting)의 세 가지로 나눌 수 있으며, 이외에도 스태킹(Stacking)을 포함한 다양한 앙상블 학습 방법이 있다.
	쉴드 TBM의 굴진성능의 특징은 무엇인가?	한편, 쉴드 TBM의 굴진성능은 TBM 장비의 성능, 운전자(Operator)의 숙련도, 현장 관리 체계, 필요 자재 적시 공급, 유지관리 등에도 영향을 받지만, 무엇보다 굴착 암반의 상태와 같은 지반조건에 큰 영향을 받는다. Lee et al.

참고문헌 (11)

Barton, N.R., 1999, TBM Performance Estimation in Rock using Q (TBM), Tunnels and Tunnelling International, 31(9), 30-34.
Bruland, A., 1998, Hard Rock Tunnel Boring Vol. 3 - Advance Rate and Cutter Wear, Ph.D. Thesis, Norwegian University of Science and Technology (NTNU), Trondheim, Norway.
Bieniawski, Z.T., Celada, B., Galera J.M., and Alvares M., 2006, Rock Mass Excavability (RME) Index: A New Way to Select the Optimum Tunnel Construction Method. In Proceedings of the ITA World Tunnelling Congress, Seoul, PITA02-254.
Cortes, C. and Vapnik, V., 1995, Support Vector Networks, Machine Learning, 20, 273-297.

상세보기
Gehring, K. 1995. Prognosis of Advance Rates and Wear for Underground Mechanized Excavations, Felsbau, 13(6), 439-448 (in German).
Hamidi, J.K. and Bejari, H., 2013, Rock Mass Classification Systems: Are They Applicable to Prediction of TBM Performance?, Conference: 3rd International Symposium and Exhibition on Underground Excavations for Transportation, Istanbul, Turkey.
Lee, H.L., Song, K.I., and Cho, G.C., 2016, Analysis on Prediction Models of TBM Performance: A Review, Journal of Korean Tunnelling and Underground Space Association, 18(2), 245-256.

원문보기 상세보기
Macias, F.j., 2016, Hard Rock Tunnel Boring: Performance Predictions and Cutter Life Assessments, Ph.D. Thesis, Norwegian University of Science and Technology (NTNU), Trondheim, Norway.
Rostami, J., 1997, Development of a Force Estimation Model for Rock Fragmentation with Disc Cutters through Theoretical Modeling and Physical Measurement of Crushed Zone Pressure, Ph.D. Thesis, Colorado School of Mines, Golden, Colorado, USA.
Rostami, J. and Ozdemir L., 1993, A New Model for Performance Prediction of Hard Rock TBMs, In Proceedings of Rapid Excavation and Tunneling Conference, Boston, 50, 793-809.
Vapnik, V., Golowich, S., and Smola, A., 1996, Support Method for Function Approximation Regression Estimation and Signal Processing, In Proceedings of the 9th International Conference on Neural Information Processing Systems (NIPS' 96), Cambridge, 281-287.

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