[논문]쉴드 TBM 디스크 커터 교체 유무 판단을 위한 머신러닝 분류기법 성능 비교

김윤희; 홍지연; 김범주

doi:10.9711/ktaj.2020.22.5.575

쉴드 TBM 디스크 커터 교체 유무 판단을 위한 머신러닝 분류기법 성능 비교
Performance comparison of machine learning classification methods for decision of disc cutter replacement of shield TBM 원문보기

Journal of Korean Tunnelling and Underground Space Association = 한국터널지하공간학회논문집, v.22 no.5, 2020년, pp.575 - 589

김윤희 (동국대학교 건설환경공학과) , 홍지연 (동국대학교 건설환경공학과) , 김범주 (동국대학교 건설환경공학과)

초록
AI-Helper

최근 국내 터널에서 지속적으로 증가하고 있는 쉴드 TBM 공법의 주된 굴착도구는 디스크 커터로 굴진과정에서 자연스럽게 마모가 발생하고 이는 TBM의 굴진효능을 현저히 저하시키기 때문에 적절한 시기에 교체하는 것이 중요하다. 따라서 본 연구에서는 디스크 커터 교체 여부를 판단할 수 있는 예측 모델을 머신러닝 기법을 사용한 방법으로 제안하였다. 이를 위해 국내 기 시공된 쉴드 TBM 현장의 데이터 중 디스크 커터 소모에 상관성이 높은 굴진데이터(TBM 기계데이터, 지반정보 등)와 교체이력을 입력데이터로 사용하여 다양한 머신러닝 분류기법 중 서포트 벡터 머신, 최근접이웃 알고리즘, 의사결정트리 알고리즘을 사용하여 최적의 예측 모델을 구축하고 모델의 성능을 평가하기 위하여 분류성능평가 지표로 비교 분석하였다.

Abstract ▼ AI-Helper

In recent years, Shield TBM construction has been continuously increasing in domestic tunnels. The main excavation tool in the shield TBM construction is a disc cutter which naturally wears during the excavation process and significantly degrades the excavation efficiency. Therefore, it is important to know the appropriate time of the disc cutter replacement. In this study, it is proposed a predictive model that can determine yes/no of disc cutter replacement using machine learning algorithm. To do this, the shield TBM machine data which is highly correlated to the disc cutter wears and the disc cutter replacement from the shield TBM field which is already constructed are used as the input data in the model. Also, the algorithms used in the study were the support vector machine, k-nearest neighbor algorithm, and decision tree algorithm are all classification methods used in machine learning. In order to construct an optimal predictive model and to evaluate the performance of the model, the classification performance evaluation index was compared and analyzed.

주제어

표/그림 (15)

그림 Fig. 1. Conceptual diagram of SVM (La et al., 2019b)
그림 Fig. 2. Conceptual diagram of k-Nearest Neighbor (k-NN) algorithm
그림 Fig. 3. Conceptual diagram of Decision Tree
그림 Fig. 4. Flow chart
그림 Fig. 5. Ground types along the shield tunnel excavation distance (after La et al., 2019b)
표 Table 1. Summary of the slurry TBM specification
그림 Fig. 6. Configuration of shield TBM disc cutters on cutter head (La et al., 2019b)
그림 Fig. 7. Ground types along the shield tunnel excavation distance
표 Table 2. Specifications of ground condition in different ground types
표 Table 3. Algorithms used in dick cutter replacement prediction model
표 Table 4. Confusion matrix of binary classification
그림 Fig. 8. Summary of the performance evaluation index in all ground type
표 Table 5. Summary of the performance evaluation index of the prediction model
그림 Fig. 8. Summary of the performance evaluation index in all ground type (continued)
그림 Fig. 9. Optimal accuracy, error rate and f-score in all ground type

AI 본문요약
AI-Helper

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

문제 정의

따라서 본 연구에서는 쉴드 TBM의 굴진 데이터와 지반정보 데이터를 이용해 머신러닝(Machine Learning) 기법들을 적용함으로써 디스크 커터의 교체 유무를 판단하는데 도움이 될 수 있는 모델을 제시하고자 한다. 머신러닝기법은 인공지능의 한 분야로서 일정 수준의 데이터를 학습하여 습득 된 데이터를 기반으로 새로운 결과를 도출하는 기법으로 복잡하고 불확실성이 많은 요소들을 고려해야하는 예측 모델에 매우 효과적인 도구가 될 수 있다.
본 연구에서는 쉴드 TBM 터널 디스크 커터의 교체 유무 판단을 위해 머신러닝 분류기법 알고리즘의 적용성을 검토하였으며 예측모델로는 SVM, kNN, DT 알고리즘을 활용하였다. 모델간의 예측 결과 성능을 평가하기 위해서 분류성능평가 지표를 토대로 비교 분석하였고 연구결과를 요약하면 다음과 같다.

제안 방법

본 연구에서 수집된 쉴드 TBM 굴착구간에 대해서 현장시험인 시추조사 10공, 전기비저항탐사 및 종내재하시험으로 지층의 상태를 확인하였고 실내시험인 토질 시험 및 암석 시험을 토대로 암반의 강도를 확인하여 지층의 상태를 확인하였다. 그 결과 모델을 수행하고자 하는 쉴드 TBM 구간은 풍화층과 퇴적층이 혼합되어있고 구간별로 연암과 경암이 출현하는 복합 지층으로 확인되었기에 본 연구에서 지반조건을 Fig. 5와 같이 분류하였다. 터널 노선에 따라 풍화암이 주를 이루는 혼합층(Ground type 1)과 풍화층(Ground type 2), 연암이 주를 이루는 혼합층(Ground type 3)과 퇴적층(Ground type 4)으로 나누었다.
전처리 작업이 끝난 입력데이터는 MATLAB 프로그램에 분류기법인 SVM, kNN, DT 기법에 학습데이터 및 예측데이터로 사용하여 디스크 커터 교체 유무 예측을 수행하였다. 머신러닝 모델이 학습 후 예측한 결과의 성능을 평가하기 위하여 분류성능평가 지표들을 도입하여 비교 및 분석하였다. 디스크커터 교체 유무를 판단하기 위한 연구의 흐름도를 Fig.
본 연구에서는 쉴드 TBM 터널 디스크 커터의 교체 유무 판단을 위해 머신러닝 분류기법 알고리즘의 적용성을 검토하였으며 예측모델로는 SVM, kNN, DT 알고리즘을 활용하였다. 모델간의 예측 결과 성능을 평가하기 위해서 분류성능평가 지표를 토대로 비교 분석하였고 연구결과를 요약하면 다음과 같다.
본 연구에서 3가지 분류기법(SVM, kNN, DT)을 사용하여 디스크 커터 교체 유무 예측 모델을 수행하고 실제 현장에서의 커터 교체 여부와 모델이 학습하여 내놓은 결과를 비교 분석하기 위하여 분류성능평가 지표들을 활용하여 평가하였다. 오차행렬(Confusion Matrix)의 기반으로 평가를 수행할 수 있는 지표인 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), 오분류율(Error rate), f-점수(f-score)를 통하여 모델의 예측 성능을 비교평가 하였다.
본 연구에서 수집된 쉴드 TBM 굴착구간에 대해서 현장시험인 시추조사 10공, 전기비저항탐사 및 종내재하시험으로 지층의 상태를 확인하였고 실내시험인 토질 시험 및 암석 시험을 토대로 암반의 강도를 확인하여 지층의 상태를 확인하였다. 그 결과 모델을 수행하고자 하는 쉴드 TBM 구간은 풍화층과 퇴적층이 혼합되어있고 구간별로 연암과 경암이 출현하는 복합 지층으로 확인되었기에 본 연구에서 지반조건을 Fig.
본 연구에서는 디스크 커터 교체 유무를 분류하기 위해 머신러닝 분류기법 중 서포트 벡터 머신(Support Vector Machine, SVM), 최근접이웃(k-Nearest Neighbor, kNN) 알고리즘, 의사결정트리(Decision Tree, DT) 알고리즘을 적용하고 분류성능지표를 통하여 알고리즘의 적절성을 비교 판단하였다. 디스크 커터의 교체시기에 관한 기준은 각 현장여건에 따라 다양한 요소를 고려해야하기 때문에 머신러닝 기법을 이용한 디스크 커터 교체 유무 예측 모델 개발은 쉴드 TBM 공사기간 단축과 공사비 절감을 가능케 하여 터널산업 향상에 크게 기여할 수 있을 것으로 기대한다.
현장에서 교체된 디스크 커터의 개수는 풍화암이 많은 혼합층(Ground type 1), 풍화암층(Ground type 2), 연암이 주된 혼합층(Ground type 3), 퇴적층(Ground type 4)에서 각각 19개, 49개, 75개, 67개이다. 이는 각 지반조건별 전체 데이터 세트에서 교체한 디스크 커터의 교체비율이 1.9%, 1.2%, 1.8%, 1.75%로 현저히 낮아 분류기법으로 모델을 예측하기에는 신뢰도가 매우 낮다고 판단하였기에 디스크 커터 교체 기준을 마모율 70%로 임의 설정하여 데이터 세트의 교체 수를 증가시켜 모델을 수행하였다. 디스크 커터의 교체에 관한 기준을 보면 디스크 커터의 마모율 및 교환 위치는 지반조건, 쉴드 TBM 형식이나 회전 거리 등 다양한 요소 및 현장여건에 따라 교체 시기가 달라지기 때문에 위와 같은 임의 설정은 문제가 없다고 판단하였다.
현장의 쉴드 TBM 구간 중 모델 구축에 사용된 데이터는 약 550 m 구간으로 여러 지층이 혼합된 복합지반의 형태가 많아 굴착이 진행됨에 따라 지반을 4가지로 분류하였고, 수집한 쉴드 TBM 기계데이터 및 디스크 교체 이력 자료를 토대로 예측의 정확성을 높이기 위하여 디스크 커터 마모에 영향을 주는 요인으로 입력변수를 선정하였다. 전처리 작업이 끝난 입력데이터는 MATLAB 프로그램에 분류기법인 SVM, kNN, DT 기법에 학습데이터 및 예측데이터로 사용하여 디스크 커터 교체 유무 예측을 수행하였다. 머신러닝 모델이 학습 후 예측한 결과의 성능을 평가하기 위하여 분류성능평가 지표들을 도입하여 비교 및 분석하였다.
5와 같이 분류하였다. 터널 노선에 따라 풍화암이 주를 이루는 혼합층(Ground type 1)과 풍화층(Ground type 2), 연암이 주를 이루는 혼합층(Ground type 3)과 퇴적층(Ground type 4)으로 나누었다. 지반 조건에 대한 보다 자세한 내용은 La et al.
현장 굴진자료에서 쉴드 TBM 기계데이터 중 총 추력, 토크, 회전속도를 예측모델의 입력변수로 설정하였으며 각 디스크 커터별 누적전주거리도 디스크 커터 교체 유무 예측 모델에서 입력변수로 포함시켰다. 쉴드 TBM의 추력(Thrust force)은 디스크 커터에 작용하는 힘으로 소모량에 직접 영향을 미치며, 일반적으로 암반의 강도가 높을수록 추력의 크기도 커지는데 본 연구에서 적용한 현장은 추력의 크기가 약15.
본 연구에서 쉴드 TBM 디스크커터 교체 유무를 판단하기 위해 국내 00~00 고속철도 00-0 공구로 쉴드 TBM 현장 데이터를 수집하였다. 현장의 쉴드 TBM 구간 중 모델 구축에 사용된 데이터는 약 550 m 구간으로 여러 지층이 혼합된 복합지반의 형태가 많아 굴착이 진행됨에 따라 지반을 4가지로 분류하였고, 수집한 쉴드 TBM 기계데이터 및 디스크 교체 이력 자료를 토대로 예측의 정확성을 높이기 위하여 디스크 커터 마모에 영향을 주는 요인으로 입력변수를 선정하였다. 전처리 작업이 끝난 입력데이터는 MATLAB 프로그램에 분류기법인 SVM, kNN, DT 기법에 학습데이터 및 예측데이터로 사용하여 디스크 커터 교체 유무 예측을 수행하였다.

대상 데이터

디스크 커터는 Fig. 6과 같이 쉴드 TBM 면판 헤드에 부착되어 있으며 본 기계에 장착된 싱글 디스크 커터는 총 40개로 직경은 17 inch이며 모델의 예측데이터로 사용하였다.
본 연구에서 쉴드 TBM 디스크커터 교체 유무를 판단하기 위해 국내 00~00 고속철도 00-0 공구로 쉴드 TBM 현장 데이터를 수집하였다. 현장의 쉴드 TBM 구간 중 모델 구축에 사용된 데이터는 약 550 m 구간으로 여러 지층이 혼합된 복합지반의 형태가 많아 굴착이 진행됨에 따라 지반을 4가지로 분류하였고, 수집한 쉴드 TBM 기계데이터 및 디스크 교체 이력 자료를 토대로 예측의 정확성을 높이기 위하여 디스크 커터 마모에 영향을 주는 요인으로 입력변수를 선정하였다.
쉴드 TBM 장비는 독일 HERRENKNECHT사에서 제작된 이수가압식 쉴드 TBM 장비로 주요 제원Table 1과 같으며 복합 지층 대응용으로 제작되었다.
7에 제시하였다. 현장에서 교체된 디스크 커터의 개수는 풍화암이 많은 혼합층(Ground type 1), 풍화암층(Ground type 2), 연암이 주된 혼합층(Ground type 3), 퇴적층(Ground type 4)에서 각각 19개, 49개, 75개, 67개이다. 이는 각 지반조건별 전체 데이터 세트에서 교체한 디스크 커터의 교체비율이 1.
한 분류기법에서도 최적의 분류성능을 얻기 위하여 다양한 모델들을 구축하여 예측을 시도하였다. 현장에서 수집한 데이터 세트는 랜덤으로 추출한 80%의 데이터 세트만 학습에 사용하고 나머지 20%는 예측데이터로 사용하였다.

데이터처리

본 연구에서 3가지 분류기법(SVM, kNN, DT)을 사용하여 디스크 커터 교체 유무 예측 모델을 수행하고 실제 현장에서의 커터 교체 여부와 모델이 학습하여 내놓은 결과를 비교 분석하기 위하여 분류성능평가 지표들을 활용하여 평가하였다. 오차행렬(Confusion Matrix)의 기반으로 평가를 수행할 수 있는 지표인 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), 오분류율(Error rate), f-점수(f-score)를 통하여 모델의 예측 성능을 비교평가 하였다.

이론/모형

머신러닝(Machine Learning)에서 분류기법(Classification Methods)은 지도학습(Supervised Learning)의 한 기법으로 주어진 입력데이터를 학습하여 결과값에 따라 카테고리를 정하는 방법으로 두개의 클래스로 분류하는 이진분류와 셋 이상의 클래스로 분류하는 다중 분류로 나누어진다. 본 연구에서는 디스크 커터 교체 유무 예측을 위하여 서포트 벡터 머신(Support Vector Machine, SVM), 최근접이웃(k-Nearest Neighbor, kNN) 알고리즘, 의사결정트리(Decision Tree, DT) 알고리즘을 적용하였다.
정밀도와 재현율이 매우 중요한 측정 방법이지만 재현율의 최적화와 정밀도의 최적화는 상충되는 지표이므로 이 둘의 조화평균인 f-score 지표를 사용한다. 일반적인 f-score는 식 (8)과 같으며 β 값에 정밀도나 재현율의 가중치를 둘 수 있다.

성능/효과

지반조건 1로 분류된 풍화암이 많은 혼합층에 대해서는 Fig. 8(a)와 같이 정확도가 89%이며 오분류율이 3.1%로 가장 적고 f-score는 68.6%로 비슷한 값을 보여 최적 예측모델은 의사결정트리모델로 확인하였다. 지반조건 2로 분류된 풍화암 층에 대해서는 Fig.
또한, 연암이 많은 혼합층 지반조건 3에 대해서는 Fig. 8(c)와 같이 정확도 82.4%, 오분류율 6.3%, f-score 63.6%로 SVM 예측 모델을 최적예측모델로 판단하였다. 마지막으로 지반조건 4로 분류된 퇴적층에 대해서는 Fig.
1. 디스크 커터 교체 유무 예측 모델을 SVM, kNN, DT 알고리즘을 활용하여 지반조건별로 적용한 결과 지반조건 1과 2에 대해서는 DT 모델을 최적 모델로, 지반조건 3에서는 SVM 모델, 지반조건 4에서는 kNN 모델의 성능이 좋다고 판단하였다. 각 지반조건별로 최고의 예측모델 기법을 판단하였지만 성능평가지표들을 확인하였을때 각 예측기법에서의 지표들의 차이는 크지 않게 나타났다.
2. 디스크 커터 유무 판단을 위한 kNN 기법으로 만들어진 예측모델에서 다양한 거리 척도 함수를 사용하였는데 성능의 차이는 많이 나타나지 않았다. 하지만 하이퍼 파라미터 k 값이 커질수록 성능이 전체적으로 낮게 평가되었다.
그리고 Fig. 9에 제시한 바와 같이 지반 조건에 따라 비교했을 때 정확도는 Ground type 1, Ground type 4, Ground type 3, Ground type 2 순서로 높았고 오분류율은 Ground type 1, Ground type 3, Ground type 2, Ground type 4의 순서로 낮았으며 f-점수 지표는 Ground type 4, Ground type 1, Ground type 2, Ground type 3 순서로 높은 것을 확인하였다.
현장 굴진자료에서 쉴드 TBM 기계데이터 중 총 추력, 토크, 회전속도를 예측모델의 입력변수로 설정하였으며 각 디스크 커터별 누적전주거리도 디스크 커터 교체 유무 예측 모델에서 입력변수로 포함시켰다. 쉴드 TBM의 추력(Thrust force)은 디스크 커터에 작용하는 힘으로 소모량에 직접 영향을 미치며, 일반적으로 암반의 강도가 높을수록 추력의 크기도 커지는데 본 연구에서 적용한 현장은 추력의 크기가 약15.0~36.5 MN의 범위에 있었으며 지층 변화가 심하고 복합지반으로 추력의 크기가 크고 변화가 심한 것 나타났다. 토크(Torque) 역시 디스크 커터의 상태와 관련성이 높은 인자로 당 현장에서는 약0.
0 MN ‧ m의 범위로 추력과 마찬가지로 변화 폭이 큰 것으로 나타났다. 커터 헤드의 회전속도 역시 혼합 지층이 많고 지층 변화가 크기 때문에 1.0~2.5 RPM의 낮은 범위에서 운전하여 시공 트러블이 발생하지 않도록 굴착을 진행하였으며, 비교적 일정한 크기로 회전속도를 유지하였음을 알 수 있다. 보다 자세한 기계데이터의 내용은 La et al.

후속연구

3. TBM 디스크 커터 교체 여부를 판단하는데 머신러닝의 분류기법이 이용될 수 있을 것이며, 향후 더 많은 쉴드 TBM 굴진, 지반 데이터와 디스크 커터 교체이력 데이터 등을 축적하여 디스크 커터의 소모량을 머신러닝 알고리즘으로 판단하게 된다면 실무 적용성이 매우 클 것으로 기대한다.
본 연구에서는 디스크 커터 교체 유무를 분류하기 위해 머신러닝 분류기법 중 서포트 벡터 머신(Support Vector Machine, SVM), 최근접이웃(k-Nearest Neighbor, kNN) 알고리즘, 의사결정트리(Decision Tree, DT) 알고리즘을 적용하고 분류성능지표를 통하여 알고리즘의 적절성을 비교 판단하였다. 디스크 커터의 교체시기에 관한 기준은 각 현장여건에 따라 다양한 요소를 고려해야하기 때문에 머신러닝 기법을 이용한 디스크 커터 교체 유무 예측 모델 개발은 쉴드 TBM 공사기간 단축과 공사비 절감을 가능케 하여 터널산업 향상에 크게 기여할 수 있을 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	쉴드 TBM공법은 어떤 공법인가?	최근 국내 도심지에서 터널 시공은 소음과 진동이 적고 주변 지반 손상을 최소화하며 터널 시공 중 높은 안정성을 확보할 수 있는 쉴드 TBM (Tunnel Boring Machine) 공법이 많이 사용되고 있는 추세이다. 쉴드 TBM공법은 기계전면에 디스크 커터를 장착하여 커터헤드를 회전시키고 암석을 파쇄하며 터널을 굴착하는 공법이다. 발파식공법(NATM)에 비해 공사비가 많이 들지만 보다 정밀하고 인접구조물의 지반 손상을 최소화시키면서 안전사고의 위험이 적다는 장점이 있다.
	국외의 디스크 커터 마모율 및 수명 예측 모델로는 어떤 것들이 있는가?	디스크 커터 마모율 및 수명 예측 모델은 국내 외 많은 연구자들이 제안하였는데 국외 모델로는 미국 콜로라도 광산대학의 CSM 모델(Rostami and Ozdemir, 1993), 프랑스의 Gehring 모델(1995), 노르웨이 과학기술 대학의 NTNU 모델(Bruland, 2000)이 있다. 국내에서 개발된 KICT-SNU 모델(Yu, 2007)은 선형 절삭시험으로부터 디스크 커터 수명을 예측하는 방법을 제시하였고, Kim et al.
	TBM공법의 장점엔 무엇이 있는가?	쉴드 TBM공법은 기계전면에 디스크 커터를 장착하여 커터헤드를 회전시키고 암석을 파쇄하며 터널을 굴착하는 공법이다. 발파식공법(NATM)에 비해 공사비가 많이 들지만 보다 정밀하고 인접구조물의 지반 손상을 최소화시키면서 안전사고의 위험이 적다는 장점이 있다.

참고문헌 (12)

Abu Alfeilat, H.A., Hassanat, A.B.A., Lasassmeh, O., Tarawneh, A.S., Alhasanat, M.B., Eyal Salman, H.S., Surya Prasath, V.B. (2019), "Effects of distance measure choice on K-nearest neighbor classifier performance: a review", Big Data, Vol. 7, No. 4, pp. 221-248.

상세보기
Breiman, L., Friedman, J.H., Olshen, R.A., Stone, C.J. (1984), "Classification and regression tress", Chanpman & Hal, Wadsworth, Inc, New York.
Bruland, A. (2000), Hard rock tunnel boring: background and discussion, Ph.D. Thesis, Norwegian University of Science and Technology, pp. 14-31.
Burges, C.J.C. (1998), "A tutorial on support vector machines for pattern recognition", Data Mining and Knowledge Discovery, Vol. 2, No. 2, pp. 121-167.

상세보기
Chang, S.H., Choi, S.W., Lee, G.P., Bae, G.J. (2011), "Statistical analysis of NTNU test results to predict rock TBM performance", Journal of Korean Tunnelling and Underground Space Association, Vol. 13, No. 3, pp. 243-260.
Gehring, K. (1995), "Prognosis of advance rates and wear for underground mechanized excavation", Felsbau, Vol. 13, No. 6, pp. 439-448.
Kim, D.Y., Farrokh, E., Jung, J.H., Lee, J.W., Lee, S.H. (2017), "Development of a new test method for the prediction of TBM disc cutters life", Journal of Korean Tunnelling and Underground Space Association, Vol. 19, No. 3, pp. 475-488.

원문보기 상세보기
La, Y.S., Kim, M.I., Kim, B. (2019a), "Development of penetration rate prediction model using shield TBM excavation data", Journal of Korean Tunnelling and Underground Space Association, Vol. 21, No. 4, pp. 519-534.
La, Y.S., Kim, M.I., Kim, B. (2019b), "Prediction of replacement period of shield TBM disc cutter using SVM", Journal of Korean Tunnelling and Underground Space Association, Vol. 21, No. 5, pp. 641-656.
Rostami, J., Ozdemir, L. (1993), "A new model for performance prediction of hard rock TBMs", Proceedings of the Rapid Excavation and Tunneling Conference, Boston, pp. 793-809.
Vapnik, V.N. (1995), The nature of statistical learning theory, Springer, New York, pp. 119-166.
Yu, S.H. (2007), A study on rock cutting behavior by TBM disc cutter, Master's Thesis, Seoul University, pp. 21-74.

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