[논문]심층 신경망 기법을 이용한 고체 산화물 연료전지 스택의 성능 예측 모델

이재윤; 이스라엘 또레스 삐네다; 잡 반 티엔; 이동근; 김영상; 안국영; 이영덕

doi:10.7316/khnes.2020.31.5.436

심층 신경망 기법을 이용한 고체 산화물 연료전지 스택의 성능 예측 모델
Performance Prediction Model of Solid Oxide Fuel Cell Stack Using Deep Neural Network Technique 원문보기

한국수소 및 신에너지학회 논문집 = Transactions of the Korean Hydrogen and New Energy Society, v.31 no.5, 2020년, pp.436 - 443

이재윤 (한국기계연구원 청정연료발전연구실) , 이스라엘 또레스 삐네다 (한국기계연구원 청정연료발전연구실) , 잡 반 티엔 (한국기계연구원 청정연료발전연구실) , 이동근 (한국기계연구원 청정연료발전연구실) , 김영상 (한국기계연구원 청정연료발전연구실) , 안국영 (한국기계연구원 청정연료발전연구실) , 이영덕 (한국기계연구원 청정연료발전연구실)

Abstract ▼ AI-Helper

The performance prediction model of a solid oxide fuel cell stack has been developed using deep neural network technique, one of the machine learning methods. The machine learning has been received much interest in various fields, including energy system mo- deling. Using machine learning technique can save time and cost requried in developing an energy system model being compared to the conventional method, that is a combination of a mathematical modeling and an experimental validation. Results reveal that the mean average percent error, root mean square error, and coefficient of determination (R2) range 1.7515, 0.1342, 0.8597, repectively, in maximum. To improve the predictability of the model, the pre-processing is effective and interpolative machine learning and application is more accurate than the extrapolative cases.

주제어

표/그림 (13)

그림 Fig. 1. Structure diagram and temperature measurement point of fuel cell used in experiment
표 Table 1. Experimental case description
그림 Fig. 2. Schematic diagram of convolutional neural network
그림 Fig. 3. Current density-voltage curve (Case 1)
그림 Fig. 4. Current density-voltage curve (Case 2)
그림 Fig. 5. Current density-voltage curve (Case 3)
그림 Fig. 6. Current density- voltage curve (Case 4)
그림 Fig. 7. Current density-voltage curve (Case 5)
표 Table 2. Error assessment (Case 1)
표 Table 3. Error assessment (Case 2)
표 Table 4. Error assessment (Case 3)
표 Table 5. Error assessment (Case 4)
표 Table 6. Error assessment (Case 5)

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 고체 산화물 연료전지 스택의 성능 예측 모델을 구축함에 있어서, 다양한 조건의 실험에서 소요되는 시간과 비용을 저감할 수 있고, 동시에 신뢰도가 높은 모델을 구축할 목적으로 기계 학습(machine learning) 기법을 도입하여 모델을 구축하는 연구를 수행하였다. 다양한 기계 학습 기법 중 심층 신경망(deep learning) 기법은 학습 과정에서 내부적으로 비선형적인 연산을 여러 차례 수행하여 복잡하게 연관된 입력과 결과 간에서도 높은 예측 정확도를 보이는 기계 학습 방법이다.
본 논문에서는 고체 산화물 연료전지의 성능 측정과 모델 개발에 소요되는 시간을 줄이면서도 높은 수준의 모델 예측 정확도를 확보하기 위한 방안으로 기계 학습을 도입하였다. 사전에 수행된 실험 자료를 기반으로 1차원 합성곱 신경망 기반의 기계 학습을 수행하였고, 실제 측정 자료와 학습으로 추정된 자료의 정성적, 정량적인 검증을 통해 기계 학습을 통한 진단의 타당성을 확보하였다.
본 논문에서는 기존에 수행한 SOFC 스택 실험 자료를 이용하여, 합성곱 신경망 방식으로 모델을 학습하여 예측값을 얻을 수 있었고, 이를 실험 결과와 비교하여 기계 학습 모델의 타당성을 검토하였다.
이번 연구의 목적은 연속적인 값의 회귀이므로 오차는 평균 제곱 오차(mean square error)로 계산한다. 평균 제곱 오차를 최소화하는 방향으로 가중치(weight)와 편향(bias)을 조절하는 것이 회귀 학습의 최적화이다.

가설 설정

연료전지가 작동하며 발생하는 열을 스택 상부와 측면으로 배출하는 구조이나 핫 박스로 인해 열이 원활히 배출되지 않아, 상부 및 측면부에 고온이 형성된다. 스택을 대표하는 작동 온도는 스택의 중앙부의 온도로 하는 것이 타당하다는 가정 하에 이를 추정하는 두 가지 방안을 도입하였다. 상기 설명한 7개 측정 온도를 단순 산술 평균한 온도를 평균 온도(average temperature, T_aver), 연료와 유체의 유량을 고려하여 유입, 유출되는 유체의 평균 온도(입구와 출구의 평균)와 구조물에서 측정한 온도와 산술 평균을 낸 값을 대표 온도(representative temperature, T_rept)로 정의하였다.

제안 방법

5차례의 측정 자료와 스택의 중간 부분을 추정하는 방법으로 앞서 제시한 평균 온도, 대표 온도 2가지를 조합하여 총 10가지의 기계 학습이 수행되었다. 기계 학습 도입의 목적인 실험에 소요되는 시간을 절감할 수 있다는 측면에서 의미 있는 결과를 얻을 수 있었다.
풀링 계층은 합성곱과 활성화 함수로 분류된 자료의 크기를 조절하고, 특정 자료를 강조하는 역할을 수행한다. Max pooling을 적용하여 조절된 자료 중 가장 큰 값만을 출력하도록 설정하였다. 합성곱 연산 계층으로 추출한 특징을 결과와 동 차원으로 연산할 수 있도록 완전 연결 계층(fully-connected layer)을 통해 변환한 후에 예상 수치와 실제 실험의 수치 간의 오차를 계산한다.
해당 스택은 연료극 지지형 평판형 셀을 사용하며, 전해질로는 yttria-stabilized zirconia (YSZ), 연료극은 nickel-YSZ (Ni-YSZ), 공기극은 lanthanum strontium cobalt ferrite (LSCF)를 사용한다⁸⁾. SOFC 스택은 전기로(electric furnace) 내부에 설치하여 작동온도를 일정하게 유지하도록 하였고, 유량조절기(mass flow controller, MFC)와 전기히터(electric heater)를 이용하여 연료와 산화제를 실험조건에 맞도록 조정하였다. 연료로는 수소(H₂)와 질소(N₂)를 50:50으로 혼합한 가스를 사용하였고, 산화제로는 실험실에 공급되는 통상적인 고압공기를 이용하였다(일반적인 산업현장 수준으로 수분 제거).
5 mA/cm²에서 300 mA/cm²까지 변화하기 때문에, 제일 작은 값이 소수점 아래 값부터 세 자리 숫자까지 절대값이 큰 차이를 나타낸다. 따라서 각 입력 자료의 최대값을 1, 최소값을 0으로 설정하고, 입력 자료의 크기를 조정하는 정규화(normalization) 과정을 통해 온도와 전류 밀도 간의 규모를 대등한 수준으로 맞춰 주었다. 정규화에 사용된 방식은 식 (3)에 나타내었다.
합성곱 신경망은 프로그래밍 언어 파이썬(Python) 환경에서 구글(Google, Mountain View, CA, USA) 사의 오픈 소스 기계 학습 라이브러리인 Tensorflow로 구현하였다. 또한, 구글 사의 브라우저 기반 개발 환경인 Colaboratory에서 수행하였다. 본 개발환경은 기계 학습 분야에서 일반적으로 널리 알려진 방법이므로 이에 관한 자세한 설명은 생략한다.
기계 학습으로 생성한 전압 예측 모델은 내삽의 자료는 1% 미만, 외삽의 자료는 2% 미만의 오차라는 충분히 신뢰할 수 있는 결과를 보였다. 또한, 다양한 작동 조건에 대하여 기계학을 통해 연료전지 성능 예측모델을 개발한 사항을 정리하여 다음과 같은 결론을 도출하였다.
본 논문에서는 고체 산화물 연료전지의 성능 측정과 모델 개발에 소요되는 시간을 줄이면서도 높은 수준의 모델 예측 정확도를 확보하기 위한 방안으로 기계 학습을 도입하였다. 사전에 수행된 실험 자료를 기반으로 1차원 합성곱 신경망 기반의 기계 학습을 수행하였고, 실제 측정 자료와 학습으로 추정된 자료의 정성적, 정량적인 검증을 통해 기계 학습을 통한 진단의 타당성을 확보하였다. 기계 학습으로 생성한 전압 예측 모델은 내삽의 자료는 1% 미만, 외삽의 자료는 2% 미만의 오차라는 충분히 신뢰할 수 있는 결과를 보였다.
실험 자료를 활용하여 개발된 모델의 정확도와 학습 속도를 높이기 위하여 자료 전처리를 수행하였다. 측정된 여러 지점의 온도 중 스택에 직접적인 영향을 미치는 온도를 파악하고자 총 7지점(핫박스 내부, 스택 몸체 상/하부, 공기 입구/출구, 연료 입구/출구)로 선정하였으나, 7개의 온도를 모두 변수로 활용하여 모델을 학습시키기에는 학습에 활용할 실험 자료가 충분치 못하여, 이를 간략화 할 필요가 있다^11,12).
연료로는 수소(H₂)와 질소(N₂)를 50:50으로 혼합한 가스를 사용하였고, 산화제로는 실험실에 공급되는 통상적인 고압공기를 이용하였다(일반적인 산업현장 수준으로 수분 제거). 연료전지 스택의 성능은 작동 온도에 따라 영향을 받는데, 스택의 성능을 대표하는 온도를 선정하기 위하여 스택의 상/하단, furnance의 수직 중간 높이, 산화제 및 연료의 입/출구 총 7가지 위치에서 온도를 계측하였다. 본 논문에서는 고체 산화물 연료전지의 작동 온도와 가스 입/출구의 온도차를 변경하면서 측정한 전류-전압 곡선(I-V curve) 실험 자료로 사용하였다.
앞서 설명한 바와 같이 다양한 조건에서 성능자료를 확보하고, 이를 전기화학 모델 검증에 활용하기 위해서는 많은 실험시간이 소요된다. 이러한 장기간의 실험 시간 및 비용을 줄이기 위해 기계 학습(machine learnig)의 도입을 구상하였으며, 기존에 수행된 다양한 실험 자료를 활용하여 기계학습 기반의 성능모델을 개발하였다.
전류-전압 곡선 도출실험은 가스공급량을 정격조건을 고정한 상태에서 인가전류를 증가시켜서 연료 이용률을 변경하는 방식으로 진행하였다. 전류에 따른 전압 값은 전류를 증가시키면서 1차로 측정하고, 다시 전류를 감소시키면서 2차로 측정하였다.
전류-전압 곡선 도출실험은 가스공급량을 정격조건을 고정한 상태에서 인가전류를 증가시켜서 연료 이용률을 변경하는 방식으로 진행하였다. 전류에 따른 전압 값은 전류를 증가시키면서 1차로 측정하고, 다시 전류를 감소시키면서 2차로 측정하였다. 전류값 한 지점마다 안정화 시간을 5분으로 설정하였으며, 매 작동 온도에서 전류-전압 성능곡선을 얻기 위해 대략 300분(5시간) 가량의 시간이 소요되었다.
학습 자료와 검증에 사용될 자료는 Table 1에 제시된 5가지 조건의 실험 결과를 기반으로, 4가지 조건의 실험결과는 학습에 사용하고 나머지 한 조건의 실험 자료는 개발된 모델의 정확도 검증에 활용하는지도 학습을 수행하였다(Cases 1-5).
합성곱 신경망은 프로그래밍 언어 파이썬(Python) 환경에서 구글(Google, Mountain View, CA, USA) 사의 오픈 소스 기계 학습 라이브러리인 Tensorflow로 구현하였다. 또한, 구글 사의 브라우저 기반 개발 환경인 Colaboratory에서 수행하였다.
Max pooling을 적용하여 조절된 자료 중 가장 큰 값만을 출력하도록 설정하였다. 합성곱 연산 계층으로 추출한 특징을 결과와 동 차원으로 연산할 수 있도록 완전 연결 계층(fully-connected layer)을 통해 변환한 후에 예상 수치와 실제 실험의 수치 간의 오차를 계산한다.
합성곱 연산이 수행된 자료는 활성화 함수를 적용하여 비선형적인 분류가 이뤄진다. 활성화를 위한 함수로는 Sigmoid 함수, Tanh 함수, Rectified linear unit (ReLU) 함수, Leaky ReLU 함수 등이 기존 연구에서 제안되었는데, 본 논문에서는 ReLU 함수를 사용하였다. ReLU 함수는 입력값이 0 이하일 경우 출력값 0으로 고정하며, 0 이상의 입력값을 받을 경우 입력값을 그대로 출력하는 함수이다.

대상 데이터

연료전지 스택의 성능은 작동 온도에 따라 영향을 받는데, 스택의 성능을 대표하는 온도를 선정하기 위하여 스택의 상/하단, furnance의 수직 중간 높이, 산화제 및 연료의 입/출구 총 7가지 위치에서 온도를 계측하였다. 본 논문에서는 고체 산화물 연료전지의 작동 온도와 가스 입/출구의 온도차를 변경하면서 측정한 전류-전압 곡선(I-V curve) 실험 자료로 사용하였다. 전류-전압 곡선을 도출하는 데 적용한 실험조건을 정리하여 Table 1에 나타내었다.
1에 나타내었다. 본 실험에서는 ㈜ 미코(www.mico.kr)에서 제작한 2 kW 급 평판형 SOFC 스택을 활용하였다. 해당 스택은 연료극 지지형 평판형 셀을 사용하며, 전해질로는 yttria-stabilized zirconia (YSZ), 연료극은 nickel-YSZ (Ni-YSZ), 공기극은 lanthanum strontium cobalt ferrite (LSCF)를 사용한다⁸⁾.
본 연구에 사용된 SOFC는 여러 개의 셀이 적층된 형태이다. 연료전지가 작동하며 발생하는 열을 스택 상부와 측면으로 배출하는 구조이나 핫 박스로 인해 열이 원활히 배출되지 않아, 상부 및 측면부에 고온이 형성된다.
SOFC 스택은 전기로(electric furnace) 내부에 설치하여 작동온도를 일정하게 유지하도록 하였고, 유량조절기(mass flow controller, MFC)와 전기히터(electric heater)를 이용하여 연료와 산화제를 실험조건에 맞도록 조정하였다. 연료로는 수소(H₂)와 질소(N₂)를 50:50으로 혼합한 가스를 사용하였고, 산화제로는 실험실에 공급되는 통상적인 고압공기를 이용하였다(일반적인 산업현장 수준으로 수분 제거). 연료전지 스택의 성능은 작동 온도에 따라 영향을 받는데, 스택의 성능을 대표하는 온도를 선정하기 위하여 스택의 상/하단, furnance의 수직 중간 높이, 산화제 및 연료의 입/출구 총 7가지 위치에서 온도를 계측하였다.

데이터처리

기계 학습 모델이 예측하는 값과 비교할 수 있는 실제 실험/측정 자료가 존재하는 지도 학습이므로 정확도를 정량적으로 검증을 할 수 있다. 검증을 위해 평균 절대 백분율 오차(mean average percent error, MAPE), 평균 제곱근 편차(root mean square error, RMSE), 결정계수(coefficient of determination, [R²])를 사용하였다. 검증의 정밀도를 계산하는 공식은 식 (4)-(6)에 나타내었다.

이론/모형

평균 제곱 오차를 최소화하는 방향으로 가중치(weight)와 편향(bias)을 조절하는 것이 회귀 학습의 최적화이다. 최적화에는 사용된 기법은 step의 방향(momentum)과 크기를 함께 고려하는 Adam을 사용하였다.

성능/효과

2) 기계 학습으로 인한 성능 추정은 보간의 영역을 유추하는 것이 외삽의 영역을 유추하는 것보다 정밀도가 높다.
입력으로 사용한 온도 및 전류 밀도로 추정한 전압을 식 (4)-(6)을 이용하여 정량적으로 검증한 결과를 Table 2에서부터 Table 6에 정리하였다. 그결과, 평균 절대 백분율 오차는 내삽의 영역에서 0.4702-0.8782%, 외삽의 영역에서 1.4572-1.9402%로 계산되었다. 이는 기계 학습으로 예측한 전압은 내삽의 영역에서는 1% 미만, 외삽의 영역에서도 2%미만의 오차를 기대할 수 있음을 의미한다.
5차례의 측정 자료와 스택의 중간 부분을 추정하는 방법으로 앞서 제시한 평균 온도, 대표 온도 2가지를 조합하여 총 10가지의 기계 학습이 수행되었다. 기계 학습 도입의 목적인 실험에 소요되는 시간을 절감할 수 있다는 측면에서 의미 있는 결과를 얻을 수 있었다. 앞서 언급한 바와 같이 하나의 선도를 그리기 위해 실험에서는 300분 안팎의 시간이 소요되었으나, 기계 학습이 학습을 통해 모델을 도출하는 데 소요된 시간은 21초이다.
사전에 수행된 실험 자료를 기반으로 1차원 합성곱 신경망 기반의 기계 학습을 수행하였고, 실제 측정 자료와 학습으로 추정된 자료의 정성적, 정량적인 검증을 통해 기계 학습을 통한 진단의 타당성을 확보하였다. 기계 학습으로 생성한 전압 예측 모델은 내삽의 자료는 1% 미만, 외삽의 자료는 2% 미만의 오차라는 충분히 신뢰할 수 있는 결과를 보였다. 또한, 다양한 작동 조건에 대하여 기계학을 통해 연료전지 성능 예측모델을 개발한 사항을 정리하여 다음과 같은 결론을 도출하였다.
이는 기계 학습으로 예측한 전압은 내삽의 영역에서는 1% 미만, 외삽의 영역에서도 2%미만의 오차를 기대할 수 있음을 의미한다. 오차와 편차의 비율을 나타내는 결정계수 또한 내삽의 영역에서는 최소 0.9257, 외삽의 영역에서는 0.8114로 기계 학습으로 생성한 모델이 정확도가 높으면서도 편차도 작아 실제 전압을 충분히 잘 모사함을 보인다. 대표 온도를 변수로 사용하여 학습한 경우가 모델의 정확도가 전반적으로 높게 계산되었는데, 이는 연료전지 연료 및 공기의 입구, 출구로 드나드는 유량의 물리적 정보를 포함하기 때문에 연료전지 스택의 온도를 대표하기에 더욱 정확한 값이라 할 수 있다.

후속연구

기계 학습은 학습 자료의 양이 많아질수록 예측 정확도가 높아진다는 사실은 자명하다. 본 논문에서 사용된 학습 자료를 더욱 늘린다면 성능 예측 정확도가 더욱 높아질 것이며, 물리적 현상의 반영이 모델 성능에 미치는 영향을 정량적으로 분석 할 수 있을 것이다. 이에 연구실은 실시간으로 연료전지의 측정 자료를 초 단위로 입력받아 성능을 모사하는 실험 장치 및 모델 개발을 진행하고 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	고체 산화물 연료전지의 장점은?	다양한 친환경 발전기술 중 연료전지는 전기 화학 반응을 통해 전기를 생성하여 질소 산화물이 발생하지 않으며, 상대적으로 발전효율이 높아 차세대 발전 기술로 주목받고 있다1,2). 특히, 고체 산화물 연료전지(solid oxide fuel cell, SOFC)는 다양한 연료전지 방식 중 가장 고온에서 작동하기 때문에 비가역손실이 작아 가장 높은 발전효율을 보이며, 폐열의 온도 또한 높아 다양한 분야에 활용이 가능하다는 장점을 가지고 있다3). 최근 집중적인 연구개발4-6) 덕분에 현재 고체산화물 연료전지는 연구개발 단계를 벗어나 상용화 제품7,8)이 출시되는 단계에 이르고 있다.
	고체 산화물 연료전지의 출력에 영향을 미치는 요인 중 사용자가 조절이 가능한 것에는 무엇이 있는가?	고체 산화물 연료전지 발전시스템을 개발하는 데 있어, 안정적인 제어 시스템과 고장 감지 및 진단 시스템을 구축하는 것은 매우 중요하며, 이를 위해서는 연료전지 스택의 성능을 정량적으로, 정확하게 예측하는 것이 중요하다. 고체 산화물 연료전지의 출력에 영향을 미치는 요인 중 사용자가 조절이 가능한 변수는 전류 인가에 따른 연료 소비량, 공급하는 연료의 유량, 전류값과 연료 투입량으로 결정되는 연료 이용률 등이 있으며, 다양한 작동조건에 따라 스택의 운전 온도, 출력이 결정된다. 현재는 이러한 조건의 변화를 일일이 실험을 통해 측정하여 시간적, 금전적 비용이 크게 발생하고 있다.
	고체 산화물 연료전지가 고온에서 작동함으로 인해 어떤 문제점이 있는가?	현재는 이러한 조건의 변화를 일일이 실험을 통해 측정하여 시간적, 금전적 비용이 크게 발생하고 있다. 특히, 고온에서 작동하는 특성상 시동 및 정지 절차는 물론, 운전조건 변화에 따라서 성능이 변화하는 데에는 긴 안정화 시간이 필요하여 연료전지 성능이 예측된 값을 나타내는지 판단하고, 성능모델을 구축하는 데에도 많은 시간과 비용이 소요된다.

참고문헌 (12)

T. S. Park, T. H. Nam, D. G. Lee, S. K. Lee, and J. S. Moon, "A study of deduction of evaluation items for design of SOFC stack safety performance evaluation system", J. Korean Inst. Gas., Vol. 21, No. 6, 2017, pp. 81-87, doi: https://doi.org/10.7842/kigas.2017.21.6.81.
F. Ramadhani, M. A. Hussain, H. Mokhlis, and S. Hajimolana, "Optimization strategies for solid oxide fuel cell (SOFC) application: a literature survey", Renewable Sustainable Energy Rev., Vol. 76, 2017, pp. 460-484, doi: https://doi.org/10.1016/j.rser.2017.03.052.
A. Kirubakaran, S. Jain, and R. K. Nema, "A review on fuel cell technologies and power electronic interface", Renewable Sustainable Energy Rev., Vol. 13, No. 9, pp. 2430-2440, doi: https://doi.org/10.1016/j.rser.2009.04.004.
M. C. Williams, S. D. Vora, and G. J. Gary, "Worldwide status of solid oxide fuel cell technology" ECS Transactions, Vol. 96, No.1, 2020, pp. 1-10, doi: https://doi.org/10.1149/09601.0001ecst.

상세보기
M. Yoda, S. Inoue, Y. Takuwa, K. Yasuhara, and M. Suzuki, "Development and commercialization of new residential SOFC CHP system", ECS transactions, Vol. 78, No.1, 2017, pp. 125-132, doi: https://doi.org/10.1149/07801.0125ecst.

상세보기
W. M. Chen and H. N. Kim, "Energy, economic, and social impacts of a clean energy economic policy: fuel cells deployment in Delaware", Energy Policy, Vol. 144, 2020, pp. 111617, doi: https://doi.org/10.1016/j.enpol.2020.111617.

상세보기
M. Noponen, P. Torri, J. Goos, J. Puranen, H. Kaar, S. Pylypko, and E. Ounpuu, "Elcogen-next generation solid oxide cell and stack technology", ECS Transactions, Vol. 91, No. 1, 2019, pp. 91-97, doi: https://doi.org/10.1149/09101.0091ecst.

상세보기
Y. S. Kim, Y. D. Lee, and K. Y. Ahn, "System integration and proof-of-concept test results of SOFC-engine hybrid power generation system", Applied Energy, Vol. 277, 2020, 115542, doi: https://doi.org/10.1016/j.apenergy.2020.115542.

상세보기
S. Malek, F. Melgani, and Y. Bazi, "One-dimensional convolutional neural networks for spectroscopic signal regression", J. Chemom., Vol. 32, No. 5, 2018, pp. e2977, doi: https://doi.org/10.1002/cem.2977.

상세보기
J. M. Jo, "Effectiveness of normalization pre-processing of big data to the machine learning performance", The Journal of the Korea Institute of Electronic Communication Sciences, Vol. 14, No. 3, 2019, pp. 547-552, doi: https://doi.org/10.13067/JKIECS.2019.14.3.547.

원문보기 상세보기
R. Ma, T. Yang, E. Breaz, Z. Li, P. Briois, and F. Gao, "Data-driven proton exchange membrane fuel cell degradation predication through deep learning method", Applied Energy, Vol. 231, 2018, pp. 102-115, doi: https://doi.org/10.1016/j.apenergy.2018.09.111.

상세보기
Y. H. Jang, J. Y. Kim, and S. K. Oh, "A study on information data segmentation method using optimization algorithm", Journal of Korean Institute of Intelligent Systems, Vol. 28, No. 4, 2018, pp. 321-327, doi: https://doi.org/10.5391/JKIIS.2018.28.4.321.

상세보기

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