[논문]OneSAF 모델을 위한 명중률 데이터 변환 방법

김건인; 강태호; 서우덕; 변재정

doi:10.9709/jkss.2020.29.3.083

초록
AI-Helper

OneSAF 모델의 활용이 본격화될 것으로 판단되는 현재 시점에서 가장 중요한 요소는 입력 데이터의 확보이다. 특히 모델 운용자들이 가장 결정하기 어려운 입력 데이터는 명중률과 살상률 데이터이다. 이러한 데이터들은 개발시험평가와 운용시험평가 기간 중에 실시되는 실사격 실험들을 통하여 결정되므로 많은 자원과 시간이 소요된다. 따라서 상대적으로 효율적이면서 비교적 정확한 방법들이 필요하다. 본 논문에서는 명중률 데이터를 확보할 수 있는 가능한 방안들을 검토하고, 방안별로 어떻게 데이터를 산출할 것인가에 대한 방법론을 소개하였다. 먼저 JMEM 도구들을 사용하여 산출된 결과로부터 OneSAF 모델의 명중률 데이터로 변환하기 위하여 필요한 방법을 제시하였다. 다음은 기존의 분석용 모델인 AWAM 모델에 입력 데이터로 존재하는 %로 표시된 명중률 데이터를 오차(mil)형태로 변환하는 방법인 오차요소법을 적용할 수 있음을 보였다. 더불어 소개된 오차요소법을 사용하여 명중률을 산출한 결과를 수행하였다. 오차요소법을 사용하여 공개된 사진 자료로부터 투사면적을 계산하여 보다 정확한 명중률을 계산하였다. 최종적으로 정확한 명중률 산출의 중요성을 명중률이 전투효과에 미치는 민감도 분석을 실시하여 입증하였다. 본 논문에서는 명중률 데이터 결정의 중요성과 꾸준한 명중률 데이터의 수집 및 분석으로 M&S 체계의 신뢰성이 향상되어야 하는 것을 강조하였다.

Abstract ▼ AI-Helper

To use the OneSAF model for the analysis of Defence M&S, the most critical factor is the acquisition of input data. The model user is hard to determine the input data such as the probability of hit(Ph) and the probability of kill(Pk). These data can be obtained directly by live fire during the devel...

To use the OneSAF model for the analysis of Defence M&S, the most critical factor is the acquisition of input data. The model user is hard to determine the input data such as the probability of hit(Ph) and the probability of kill(Pk). These data can be obtained directly by live fire during the development test and the operational test. Therefore, this needs more time and resources to get the Ph and Pk. In this paper, we reviewed possible ways to obtain the Ph and Pk. We introduced several data producing methodologies. In particular, the error budget method was presented to convert the Ph(%) data of AWAM model to the error(mil) data of OneSAF model. Also, the conversion method which can get the adjusted results from the JMEM is introduced. The probability of a hit was calculated based on the error budget method in order to prove the usefulness of the given method. More accurate data were obtained when the error budget method and the projected area from the published photo were used simultaneously. The importance of the Ph calculation was demonstrated by sensitivity analysis of the Ph on combat effectiveness. This paper emphasizes the importance of determining the Ph data and improving the reliability of the M&S system though steady collection and analysis of the Ph data.

주제어

표/그림 (10)

그림 Fig. 1. P_h Data Converting Methods for OneSAF and Its restrictions
그림 Fig. 2. Relation's for Bullet's Velocity and Firing Range
그림 Fig. 3. P_h Data in AWAM Model
그림 Fig. 4. Types and Definition of Error (AMSAA)
표 Table 1. OneSAF's Input Data for Anti-tank Weapon
그림 Fig. 5. Features to Calculate P_h
그림 Fig. 6. T-72 Tank Shape from JANE's Report
표 Table 2. Ph for Projected Area's Variation
그림 Fig. 7. Corrected P_h for Front's Area Variation
그림 Fig. 8. Loss Exchange Rate for P_h Variation

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 절에서는 공개된 자료를 이용하여 비교적 정확한 표적의 크기를 픽셀의 개념을 이용하여 산출하여 사용하는 것이다(Kim, 2016).
본 논문에서는 OneSAF 모델을 위한 명중률 데이터를 어떻게 확보할 수 있는가에 대한 방법을 제시하고, 방법들을 사용하여 명중률을 산출한 결과들을 보여주려고 한다.
본 연구는 OneSAF 모델의 본격 활용을 위한 입력 데이터를 확보하기 위해 요구되는 명중률 데이터의 확보방안을 분석하여 방안별로 데이터를 획득 방안과 장기적으로 데이터를 확보하기 위하여 요구되는 방법을 도출하였다. 이를 통해 존재하지 않는 미래 무기체계에 대한 효과 분석을 효과적이고 정확하게 수행이 가능하며 향후 시뮬 레이션에 기반한 획득(SBA) 간 OneSAF를 활용할 수 있을 것으로 판단된다.
이 방법은 가장 신뢰할 수 있으나, 측정 방법을 단순한 명중률 측정 방법에서 오차를 측정하는 공학적 측정 방법과 같은 새로운 측정 방법을 적용해야 한다. 이 방법에 대해서는 개략적인 개념만을 제시하고, 본 논문에서는 현재 상황에서 현실적이고 실행 가능한 방법으로 데이터 변환 방법 및 정확한 명중률을 산출하는 교정 방법을 중점적으로 제시하려고 한다.

가설 설정

사격량이 많아짐에 따라 탄의 분포가 정규분포를 따른 다고 가정하여 정규분포표를 이용하여 명중확률을 구한 다. 따라서 명중률에 관여하는 인자들은 표적의 크기 (W×H), 탄착 지역에서 탄의 오차를 나타내는 탄의 분포N(b_x,#), 그리고 사거리의 함수이다.
따라서 명중률에 관여하는 인자들은 표적의 크기 (W×H), 탄착 지역에서 탄의 오차를 나타내는 탄의 분포N(b_x,#), 그리고 사거리의 함수이다. 선회 방향이나 고저 방향으로 오차를 발생하는 요인은 매우 다양하지만, 각 오차의 항목은 서로 독립적이라고 가정할 수 있다. 예를 들면 선회 방향의 오차는 다음과 같이 표시할 수 있다.

제안 방법

이를 통해 존재하지 않는 미래 무기체계에 대한 효과 분석을 효과적이고 정확하게 수행이 가능하며 향후 시뮬 레이션에 기반한 획득(SBA) 간 OneSAF를 활용할 수 있을 것으로 판단된다. 더불어 명중률 데이터의 중요성을 입증하기 위하여 공개된 자료로부터 구할 수 있는 T-72 전차의 형상으로부터 투사면적을 픽셀을 이용하여 계산 하였다. 전차의 대표적인 투사면적을 사용한 명중률과 투사면적을 수정하여 산출한 명중률은 최대 17%의 차이를 보였다.
명중률의 변화가 전투효과에 미치는 정도를 알기 위하여 명중률을 변화시키면서 전투효과의 변화를 모의하였다. Fig.
속도와 사거리의 관계를 도출하기 위하여 간단하지만 비교적 정확한 4 자유도 탄도 해석을 실시하였다. 4 자유도 탄도해석은 국제적으로 포병탄의 사표계산을 위하여 사용할 수 있는 정도의 정확도를 지닌 공인된 모델이다.
아울러 국방 M&S 체계를 위한 데이터의 수집은 지금부터 국내에서 생산되는 모든 데이터를 수집하고 분석하는 방법을 명중률의 측면에서 제시하였다. 이러한 꾸준한 노력이 데이터의 자립을 달성하는 기초가 된다.

대상 데이터

명중률 자료는 현재 국내에서 운용하는 지상무기효과 분석모델(AWAM)에 가장 많이 포함되어 있다. AWAM 데이터는 미국이 개발한 Janus 모델에 포함된 데이터와 한국군이 수집하여 추가한 많은 데이터가 포함되어 있다. 따라서 그동안 체계적으로 구축되고 검증되어 AWAM에 수록된 명중률 데이터를 변환하는 방법이 우선되어야 한다.
표적의 형상 자료는 Jane 연감으로부터 획득하였으며, Fig. 6.과 같다. 표적의 정면, 측면 그리고 상부 투사면적이 결정되면 사격위치 별로 투사면적은 삼각함수에 의하여 쉽게 결정된다.

이론/모형

국내에서 분석용 워게임 모델로 가장 많이 사용하고 있는 모델은 국방연구원이 개발하고 합참에 의하여 무기 효과분석 표준모델로 지정된 AWAM이다. AWAM 모델은 미국의 Janus 모델을 한국화한 모델로 분석용 모델로 써는 가장 오래 사용하였다. 탑재된 데이터의 양도 가장 많을 뿐만 아니라 AWAM 모델을 사용하였던 군 교육사령부와 병과학교들에 의하여 많은 데이터들이 수집되어 보강되고 검증하는 절차를 거침으로 신뢰성을 확보하고 있다.
에서 설명하고 있다. 곡사화기에서는 이러한 오차를 종합하여 탄착군 평균 오차(MPI : Mean Point of Impact)를 사용한다. 하지만 직사화기의 경우에는 오차를 유발하는 원인에 따라 고정 오차와 가변 오차를 구분하여 사용한다.
에서 보여주고 있다. 대전차 화기의 오차 값은 Table 1.에 수록된 임의의 값을 사용하여 오차요소법을 사용하여 명중률을 산출하였다.

성능/효과

추세선 분석 결과 명중률 17% 변화에 따른 전투효과의 변화는 7% 정도의 차이를 보였다. 결론적으로 명중률이 전투효과에 미치는 영향은 작지 않다는 것을 의미한다. 따라서 명중률의 산출은 가능한 범위 내에서 정확히 하려는 노력을 기울어야 한다.
그림에 쓰인 명중률 민감도 분석의 목적은 명중률 요구사항으로 85%의 적정성을 입증하기 위하여 실시한 결과이다. 명중률을 85% 이상으로 증가하여도 손실교환율의 변화는 크게 증가하지 않으므로 85% 정도가 적당하다는 것을 나타낸다. 이 결과는 명중률과 전투효과의 관계를 보여준다.
전차의 대표적인 투사면적을 사용한 명중률과 투사면적을 수정하여 산출한 명중률은 최대 17%의 차이를 보였다. 이러한 명중률의 차이가 전투효과에는 어느 정도의 영향을 미치는가를 확인하기 위하여 AWAM 모델을 이용하여 민감도 분석을 수행한 결과와 비교하였으며, 전투 효과의 차이는 7% 정도의 차이를 보였다. 이러한 결과는 정확한 명중률의 산출이 전체 효과분석에 미치는 효과가 작지 않음을 보여주고 있다.
더불어 명중률 데이터의 중요성을 입증하기 위하여 공개된 자료로부터 구할 수 있는 T-72 전차의 형상으로부터 투사면적을 픽셀을 이용하여 계산 하였다. 전차의 대표적인 투사면적을 사용한 명중률과 투사면적을 수정하여 산출한 명중률은 최대 17%의 차이를 보였다. 이러한 명중률의 차이가 전투효과에는 어느 정도의 영향을 미치는가를 확인하기 위하여 AWAM 모델을 이용하여 민감도 분석을 수행한 결과와 비교하였으며, 전투 효과의 차이는 7% 정도의 차이를 보였다.
을 이용하여 추세선 분석을 실시하면 명중률 17%의 변화에 해당하는 피아 손실교환율의 정도를 산출할 수 있다. 추세선 분석 결과 명중률 17% 변화에 따른 전투효과의 변화는 7% 정도의 차이를 보였다. 결론적으로 명중률이 전투효과에 미치는 영향은 작지 않다는 것을 의미한다.

후속연구

표적지에 대한 자료가 존재한다면 MPI 오차와 정밀 오차를 구분할 수 있다. 따라서 앞으로는 실사 격을 실시할 경우, 관련 자료 및 사격 조건들을 모두 보존하여 OneSAF 모델의 명중률 산출을 위한 자료로 활용 되어야 한다. 향후에는 화기를 운용하는 야전 부대로부터 개발을 담당하는 국방과학연구소 및 관련 업체들까지 데이터의 중요성을 인식하고 꾸준히 데이터를 수집하고 분석하는 체계를 갖추어야 한다.
본 연구는 OneSAF 모델의 본격 활용을 위한 입력 데이터를 확보하기 위해 요구되는 명중률 데이터의 확보방안을 분석하여 방안별로 데이터를 획득 방안과 장기적으로 데이터를 확보하기 위하여 요구되는 방법을 도출하였다. 이를 통해 존재하지 않는 미래 무기체계에 대한 효과 분석을 효과적이고 정확하게 수행이 가능하며 향후 시뮬 레이션에 기반한 획득(SBA) 간 OneSAF를 활용할 수 있을 것으로 판단된다. 더불어 명중률 데이터의 중요성을 입증하기 위하여 공개된 자료로부터 구할 수 있는 T-72 전차의 형상으로부터 투사면적을 픽셀을 이용하여 계산 하였다.
따라서 앞으로는 실사 격을 실시할 경우, 관련 자료 및 사격 조건들을 모두 보존하여 OneSAF 모델의 명중률 산출을 위한 자료로 활용 되어야 한다. 향후에는 화기를 운용하는 야전 부대로부터 개발을 담당하는 국방과학연구소 및 관련 업체들까지 데이터의 중요성을 인식하고 꾸준히 데이터를 수집하고 분석하는 체계를 갖추어야 한다. 그래야만 개발하는 무기체 계의 명중률은 물론 효과분석 결과를 신뢰할 수 있으며 국방 M&S 체계의 신뢰성을 제고하여 SBA(Simulation Based Acquisition)를 달성할 수 있다.

참고문헌 (13)

Douglas J. Parsons, Robert L. Wittman,(2005) "Open Source Opens Opportunities for Army's Simulation System", PEO-STRI.
AMSAA, (2014) Physical Model Knowledge Accquisition Document, Delivery Accuracy for Direct Fire Weapons.
Morris R. Driels, (2013) Waeponeeing, Second Edition, AIAA.
Choi, Yun Ho, (2018) "A Study on the Method for the Munition Effectiveness Estimation Based on the Simulation Technique" Ph. D thesis, Kongju National University.
Ilmars Celmins, (1990) "Projectile Supersonic Drag Characteristics", BRL-MR-3843, 1990
Raymond V. Wahlde, Dennis Metz, (1999) "Sniper Weapon Fire Control Error Budget Analysis", ARL-TR-2065.
Kim G.I, Yoon H.D, Hwang K.Y, (2011) "Sensitivity Analysis of Weapon Effectiveness for Combat Robot System", Korean Journal of Military Arts and Science, Vol. 67.
Kim G.I, Choi S.Y, Seo W.D, Park J.H, (2016) Analytical Model Data Transformation Methodology using JMEM DB, Chief of Staff.
Moon Hyung Gon, Jang Sang Chul, (2009) Introduction of Army Weapon Effectiveness Model, KIDA Report
Luke S. Strohm, (2013) "An Introduction to the Sources of Delivery Error for Direct-Fire Ballistic Projectiles", Army Research Laboratory.
Kang Hwan Il, Hyun Soo Kim, Gun In Kim (2016), "A Study on Prediction of Probability of Hit for An Anti-Aircraft Artillery", Indian Journal of Science and Technology, Vol 9.
Kim G.I., Hwanil Kang, Jae Jeong Pyun (2018), "A Precise Prediction of Delivery Accuracy for an Artillery System by Error Budget Method", International Symposium on Precision Engineering and Sustainable Manufacturing, 2018.
https://www.peostri.army.mil/onesaf

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

OneSAF 모델을 위한 명중률 데이터 변환 방법
A Study on Converting the Data of Probability of Hit(Ph) for OneSAF Model 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

OneSAF 모델을 위한 명중률 데이터 변환 방법 A Study on Converting the Data of Probability of Hit(Ph) for OneSAF Model 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (10) 모든 표/그림 보기

표/그림 (10) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

참고문헌 (13)

이 논문을 인용한 문헌

저자의 다른 논문 :

변재정 (19)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

OneSAF 모델을 위한 명중률 데이터 변환 방법
A Study on Converting the Data of Probability of Hit(Ph) for OneSAF Model 원문보기

초록
AI-Helper

표/그림 (10)

표/그림 (10)

AI 본문요약
AI-Helper