[논문]머신러닝 및 딥러닝 기법을 활용한 유리섬유 직물 강화 복합재 적층판형 Circuit Analog 전파 흡수구조 설계에 대한 연구

오재철; 박석영; 김진봉; 장홍규; 김지훈; 이우경

doi:10.7234/composres.2023.36.2.092

머신러닝 및 딥러닝 기법을 활용한 유리섬유 직물 강화 복합재 적층판형 Circuit Analog 전파 흡수구조 설계에 대한 연구
A Study on the Design of Glass Fiber Fabric Reinforced Plastic Circuit Analog Radar Absorber Structure Using Machine Learning and Deep Learning Techniques 원문보기

Composites research = 복합재료, v.36 no.2, 2023년, pp.92 - 100

오재철 (Composites Research Division, Korea Institute of Materials Science (KIMS)) , 박석영 (Composites Research Division, Korea Institute of Materials Science (KIMS)) , 김진봉 (Composites Research Division, Korea Institute of Materials Science (KIMS)) , 장홍규 (Composites Research Division, Korea Institute of Materials Science (KIMS)) , 김지훈 (Composites Research Division, Korea Institute of Materials Science (KIMS)) , 이우경 (Composites Research Division, Korea Institute of Materials Science (KIMS))

초록
AI-Helper

본 논문에서는 유리섬유 직물 강화 복합재 소재위에 Cross-Dipole 패턴이 배치된 정형적 Circuit Analog(CA) 전파 흡수 구조 설계를 위한 머신러닝 및 딥러닝 모델을 제시하였다. 제시된 모델은 Cross-Dipole 패턴의 형상에 따라서 Ku-band (12-18 GHz)에서의 전파흡수성능을 3차원 전자파 수치해석 없이 바로 계산할 수 있다. 이를 위하여 다양한 머신러닝 및 딥러닝 기술을 적용한 최적 학습 모델을 도출하고, 학습 모델이 계산한 결과를 3차원 전자파 수치해석결과로 얻은 전파흡수특성과 비교함으로써 각각의 모델 간의 성능의 비교우위를 평가하였다. 개발된 모델들은 대부분 수치해석결과와 유사한 계산결과를 보여주었지만, 그 중 Fully-Connected 모델이 가장 유사한 계산결과를 제공할 수 있음을 확인하였다.

Abstract ▼ AI-Helper

In this paper, a machine learning and deep learning model for the design of circuit analog (CA) radar absorbing structure with a cross-dipole pattern on a glass fiber fabric reinforced plastic is presented. The proposed model can directly calculate reflection loss in the Ku-band (12-18 GHz) without three-dimensional electromagnetic numerical analysis based on the geometry of the Cross-Dipole pattern. For this purpose, the optimal learning model was derived by applying various machine learning and deep learning techniques, and the results calculated by the learning model were compared with the electromagnetic wave absorption characteristics obtained by 3D electromagnetic wave numerical analysis to evaluate the comparative advantages of each model. Most of the implemented models showed similar calculated results to the numerical results, but it was found that the Fully-Connected model could provide the most similar calculated results.

주제어

표/그림 (23)

그림 Fig. 1. CA Radar absorbing structure
표 Table 1. CA Radar absorbing structure summary
그림 Fig. 2. Resistive pattern design variables
그림 Fig. 3. Boundary condition
그림 Fig. 4. D, XD, WX design variable data distribution (left : training data, right : test data)
표 Table 2. Resistive pattern design variables description
그림 Fig. 5. Data format
그림 Fig. 6. LSTM model
그림 Fig. 7. Fully-Connected model
표 Table 3. LSTM model optimizer,function summary
표 Table 4. LSTM model hyper parameters summary
표 Table 5. Fully-Connected model optimizer, function summary
표 Table 6. Fully-Connected model hyper parameters summary
표 Table 7. Machine learning model accuracy and training time
표 Table 8. LSTM model accuracy and training time
그림 Fig. 8. Decision Tree, Random Forest model, and CST simulation result at the Ku-band optimized design
그림 Fig. 9. SVR, KNN model, and CST simulation result at the Ku-band optimized design
그림 Fig. 10. LSTM model, and CST simulation result at the Ku-band optimized design
표 Table 9. Fully-Connected model accuracy and training time
표 Table 10. Optimal models summary
그림 Fig. 11. Fully-Connected model, and CST simulation result at the Ku-band optimized design
그림 Fig. 12. Fully-Connected model, and CST simulation result at the single-frequency (15 GHz) optimized design
그림 Fig. 13. Fully-Connected model, and CST simulation result at the single-frequency (16.5 GHz) optimized design

AI 본문요약
AI-Helper

문제 정의

Fully-Connected 모델의 활용을 위해서 단일 주파수 대역에서 최적의 전파 흡수 성능을 보여주는 전파 흡수 구조 설계가 가능한지 확인해 보았다. Fig.

가설 설정

Unit-cell Boundary는 하나의 Cell이 주기적으로 반복되는 경우에 사용하는 경계 조건으로, 해당 조건 사용시 하나의 Cell이 무한하게 반복된다고 가정, Floquet mode로 해석을 수행한다. 본 논문에서는 X축, Y축 방향으로 패턴이 무한하게 반복된다고 가정하여 X축, Y축 방향으로 해당 경계 조건을 적용하였다. 입사 각도는 X-Y 평면에 수직으로 입사하는 경우만을 고려하였다.

제안 방법

2.1장에서 생성된 Data를 기반으로 2.2장과 2.3장에서 설명한 바와 같이 4종류의 머신러닝 모델과 2종류의 딥러닝 모델의 학습을 수행하였다. 학습에 사용한 하드웨어는 i7 CPU 및 RTX 3070 GPU였다.
머신러닝 모델은 입력 변수(X), Target(Y) 변수 외에 Tuning을 위한 Hyper Parameter 값을 가진다. Hyper Parameter 값에 따라 학습 성능이 달라지는데 일반적으로 머신러닝은 Hyper Parameter에 의한 성능 변화가 딥러닝 보다는 적고 본 논문의 목표는 머신러닝 모델 중 어떤 모델이 정형적 CA 전파 흡수 구조 설계에 최적인지 확인하는 것이므로 머신러닝에 사용한 4가지 모델의 Hyper Parameter 값은 별도의 Tuning 과정을 거치지 않고 각 학습 모델에서 기본으로 제공하는 값을 사용하였다.
본 논문에서는 머신러닝 및 딥러닝 모델을 이용한 Ku 밴드 CA 전파 흡수 구조 설계 방법을 제시하고 머신러닝 및 딥러닝 모델별 성능을 비교하였다. 그 결과 가장 성능이 좋은 Fully-Connected 딥 러닝 모델 기준 R-square 값 1.

데이터처리

R-sqaure 및 MAPE 값으로 학습 모델에 검증용 Data 적용시 모델 정확도를 확인할 수 있었으나 Ku-band 대역에서 우수한 전파 흡수 성능을 보여주는 설계 변수 확보가 가능한지 확인하기 위해 CST의 Trust-Region Optimizer를 이용해서 얻은 Ku-band 전 주파수에서 최소 -19 dB 이상의 전파 흡수 성능을 보여주는 최적 설계 변수에서 모델별 전파 흡수 성능(S11) 예측 결과와 그 때 CST 해석 값을 비교하였다. 해당 case에서 사용한 설계 변수 값은 D 값 8.

이론/모형

Fully-Connected 모델도 LSTM 모델과 동일한 Optimizer, Loss Function 및 Activation Function을 사용하였다. Learning rate는 널리 사용하는 값 중 하나인 0.
Adam Optimizer는 Hyper Parameter 변화에 Robust하여 널리 사용되는 Optimizer로, 모델 검증에 적합할 것으로 판단되어 사용하였다. Loss Function은 회귀문제에서 널리 사용하는 Mean Absolute Error(MAE)를 이용하였으며, 이는 식 (4)에 나타난 바와 같다.
KNN 모델도 SVM처럼 분류에 널리 사용하는 모델로, 새로운 Data가 입력되었을 때 가장 근처에 있는 Data와 동일 Group으로 분류하는 원리로 학습을 수행한다. 각 학습 모델은 Python의 Scikit Learn Library에서 제공하는 모델을 사용하였다. 머신러닝 모델은 입력 변수(X), Target(Y) 변수 외에 Tuning을 위한 Hyper Parameter 값을 가진다.
1장에서 생성 및 정규화된 Data를 기반으로 머신러닝을 수행하였다. 머신러닝은 그 학습 모델이 매우 다양한데, 본 논문에서는 회귀용 머신러닝 학습모델 중에서 널리 사용하는 Support Vector Regressor(SVR), Decision Tree, Random Forest, 그리고 K-Nearest Neighbor(KNN) 모델을 이용하였다. Polynomial 모델이나 Genetic Algorithm을 이용하는 Symbolic Regression 모델도 널리 사용되나 해당 모델들은 머신러닝이 아닌 일반적인 수치 최적화에도 많이 사용하는 모델이므로 그 사용을 배제하였다.
학습된 모델의 정확도는 학습에 사용하지 않은 별도의 검증용 data 설계 변수(D, XD, WX) 값과 주파수(Freq)를 학습된 모델에 입력해 주었을 때 모델의 전파 흡수 성능(S11) 예측값과 검증용 data의 CST 해석 S11 값 사이의 오차를 수치화하여 계산한다. 본 논문에서는 오차 수치화 방법들 중에서 모델 정확도 검증을 위해 머신러닝 및 딥러닝 모델 평가에 일반적으로 널리 사용하는 R-square 값과 Mean Absolute Percentage Error(MAPE)를 사용하였다. 그 수식은 각각 (2), (3)과 같다.
딥러닝은 학습의 정확도가 높아 이미지 처리 및 합성, 음석 인식등 다양한 분야에서 활용되고 있다. 여러가지 딥러닝 모델중에서 본 논문에서는 문제 해결에 적합할 것으로 판단된 두 종류의 모델을 사용하였는데, Long Short-Term Memory(LSTM) 모델과 Fully-Connected 모델이 그 것이다. LSTM은 Recurrent Neural Network(RNN)을 개선한 모델로, Sequential 한 Data의 흐름에 따라 Weight 값을 Update 하며 필요시 Forget Gate를 이용하여 이전의 Data가 학습에 미치는 영향성을 조절할 수 있다.

성능/효과

머신러닝의 경우 학습 시간이 모두 수 초급으로 매우 빠르다. KNN 모델이 머신러닝 모델중 R-square 값, MAPE 값, 학습시간 모든 면에서 가장 우수한 것을 확인하였다.
25)는 학습 data에 존재하지 않는 값으로 딥러닝 모델 활용시 CST를 활용한 최적 설계와 동등한 수준의 설계를 별도의 전자기 해석없이 빠르게 도출할 수 있음을 확인하였다. R-square, MAPE 지표를 이용한 학습 정확도와 학습 모델을 이용한 전파 흡수 성능 예측값-CST 해석값 비교를 종합하였을 때, 사용한 4 종류의 머신러닝 모델과 2 종류의 딥러닝 모델 중 Fully-Connected 모델이 본 논문에서 사용한 Ku-band Cross-dipole CA 전파 흡수 구조 성능 예측용 회귀에 가장 적합한 모델임을 확인하였다.
본 논문에서는 머신러닝 및 딥러닝 모델을 이용한 Ku 밴드 CA 전파 흡수 구조 설계 방법을 제시하고 머신러닝 및 딥러닝 모델별 성능을 비교하였다. 그 결과 가장 성능이 좋은 Fully-Connected 딥 러닝 모델 기준 R-square 값 1.00, MAPE 0.50 수준의 예측 모델을 구현할 수 있었으며 CST의 Trust-Region 최적화 기법을 통해 얻은 최적 패턴 형상을 예측모델에 적용하였을 때 딥러닝 모델을 통해 예측한 값과 CST 해석결과가 일치함을 확인하였다. 그 외 단일 주파수에서 최적의 전파 흡수 성능을 보여주는 전파 흡수 구조 패턴 설계 값을 모델을 이용해서 찾고, 해당 패턴 설계 값에서 성능 예측에도 높은 정확도를 확보가 가능함을 확인하였다.
50 수준의 예측 모델을 구현할 수 있었으며 CST의 Trust-Region 최적화 기법을 통해 얻은 최적 패턴 형상을 예측모델에 적용하였을 때 딥러닝 모델을 통해 예측한 값과 CST 해석결과가 일치함을 확인하였다. 그 외 단일 주파수에서 최적의 전파 흡수 성능을 보여주는 전파 흡수 구조 패턴 설계 값을 모델을 이용해서 찾고, 해당 패턴 설계 값에서 성능 예측에도 높은 정확도를 확보가 가능함을 확인하였다. 해당 모델을 CA 전파 흡수 구조 주기성 패턴 설계에 적용한다면 전파 흡수 주파수 대역에 따른 재설계 및 최적화 시간을 크게 감소시켜 설계 효율성 제고가 가능할 것으로 판단된다.
8, 9는 머신러닝 모델에 해당 패턴 설계 변수값을 적용하였을 때 모델의 S11 예측 결과와 CST 해석 결과를 비교한 것이다. 머신러닝 모델 중에서는 KNN이 공진 Peak 점에서 세기의 차이는 있으나 공진 Peak 주파수가 유사하고 전반적으로 CST 해석결과와 가장 일치하는 결과를 보여주었다.
해당 모델을 CA 전파 흡수 구조 주기성 패턴 설계에 적용한다면 전파 흡수 주파수 대역에 따른 재설계 및 최적화 시간을 크게 감소시켜 설계 효율성 제고가 가능할 것으로 판단된다. 본 논문에서는 Fully-Connected 딥러닝 모델 기준 3개의 설계 변수를 사용하여 Cross-dipole CA 전파 흡수 구조의 패턴 형상별 전파 흡수 성능 예측 회귀 모델을 작성하여 설계에 활용 가능함을 확인하였다. Fully-Connected 딥러닝 회귀 모델의 경우 최대 사용 가능 변수 개수 제한이 존재하지 않으므로 본 논문에서 제시된 바와 같이 전파 흡수 구조 설계에 사용하는 설계 변수를 명확하게 정의할 수 있고 충분한 량의 학습 Data 확보가 가능하다면 3개 이상의 설계 변수를 사용하는 CA 전파 흡수 구조나 다른 방식의 전파 흡수 구조 설계에도 적용이 가능할 것으로 판단된다.
Fully-Connected 모델의 학습시간은 KNN 모델보다 느리기는 하나 15분으로 충분히 빠르고 한 번 학습한 모델은 저장해 두었다가 빠르게 불러올 수 있으므로 크게 문제되지 않는다. 사용한 4 종류의 머신러닝 모델과 2 종류의 딥러닝 모델 중 R-sqaure 및 MAPE 기준 Ku-band용 Cross-dipole CA 전파 흡수 구조 전파 흡수 성능을 가장 정확하게 예측할 수 있는 회귀 모델은 Fully-Connected 딥러닝 모델임을 확인하였다.
Table 9는 Fully-Connected 모델의 Node별 정확도 및 학습 시간을 보여준다. 학습시간이 Node수가 가장 큰 8192 경우에도 25분으로 수초 수준인 머신러닝 모델들 보다는 느리지만 최대 17시간이 걸리는 LSTM 모델에 비하면 매우 빠르고 R-square 값과 MAPE 값도 최고 성능 모델 기준 각각 1.00, 0.50으로 머신러닝이나 LSTM 모델과 비교할 때 성능이 가장 우수한 것을 확인하였다. Node수 8192에서는 증가한 학습시간 대비 성능개선이 이루어지지 않아 Node수가 4096일 때가 최적임을 확인하였다.
10, 11은 LSTM 모델과 Fully-Connected 모델에 해당 패턴 설계 변수값을 적용하였을 때 전파 흡수 성능 예측 결과와 CST 해석 결과를 비교한 것으로, 두 모델 모두 예측 결과와 CST 해석 결과가 일치하는 것을 확인하였다. 해당 설계 변수(D = 8.0, XD = 0.68, WX = 0.25)는 학습 data에 존재하지 않는 값으로 딥러닝 모델 활용시 CST를 활용한 최적 설계와 동등한 수준의 설계를 별도의 전자기 해석없이 빠르게 도출할 수 있음을 확인하였다. R-square, MAPE 지표를 이용한 학습 정확도와 학습 모델을 이용한 전파 흡수 성능 예측값-CST 해석값 비교를 종합하였을 때, 사용한 4 종류의 머신러닝 모델과 2 종류의 딥러닝 모델 중 Fully-Connected 모델이 본 논문에서 사용한 Ku-band Cross-dipole CA 전파 흡수 구조 성능 예측용 회귀에 가장 적합한 모델임을 확인하였다.

후속연구

본 논문에서는 Fully-Connected 딥러닝 모델 기준 3개의 설계 변수를 사용하여 Cross-dipole CA 전파 흡수 구조의 패턴 형상별 전파 흡수 성능 예측 회귀 모델을 작성하여 설계에 활용 가능함을 확인하였다. Fully-Connected 딥러닝 회귀 모델의 경우 최대 사용 가능 변수 개수 제한이 존재하지 않으므로 본 논문에서 제시된 바와 같이 전파 흡수 구조 설계에 사용하는 설계 변수를 명확하게 정의할 수 있고 충분한 량의 학습 Data 확보가 가능하다면 3개 이상의 설계 변수를 사용하는 CA 전파 흡수 구조나 다른 방식의 전파 흡수 구조 설계에도 적용이 가능할 것으로 판단된다.
그 외 단일 주파수에서 최적의 전파 흡수 성능을 보여주는 전파 흡수 구조 패턴 설계 값을 모델을 이용해서 찾고, 해당 패턴 설계 값에서 성능 예측에도 높은 정확도를 확보가 가능함을 확인하였다. 해당 모델을 CA 전파 흡수 구조 주기성 패턴 설계에 적용한다면 전파 흡수 주파수 대역에 따른 재설계 및 최적화 시간을 크게 감소시켜 설계 효율성 제고가 가능할 것으로 판단된다. 본 논문에서는 Fully-Connected 딥러닝 모델 기준 3개의 설계 변수를 사용하여 Cross-dipole CA 전파 흡수 구조의 패턴 형상별 전파 흡수 성능 예측 회귀 모델을 작성하여 설계에 활용 가능함을 확인하였다.

참고문헌 (18)

Park, B., Ryu, S.H., Kwon, S.J., Kim, S., and Lee, S.B., "A Conductive-grid based EMI Shielding Composite Film with a High？Heat Dissipation Characteristic," Composite Research, Vol. 35,？2022, pp. 175-181.
Choi, K.S., Sim, D., Choi, W., Shin, J.H., and Nam, Y.W., "Ultra-high Temperature EM Wave Absorption Behavior for Ceramic/Sendust-aluminosilicate Composite in X-band," Composite？Research, Vol. 35, 2022, pp. 201-205.
Vinoy, K.J., and Jha, R.M., "Radar Absorbing Materials from？Theory to Design and Characteristics," Alphen aan den Rijn,？The Netherlands: Kluwer, 1996.
Salisbury, W.W., "Absorbent Body for Electromagnetic Waves,"？U.S. Patent 2,599,944, 1952.
Jang, H.K., Kim, J., Park, J.S., Moon, J.B., Oh, J., Lee, W.K., and？Kang, M.G., "Synthesis and Characterization of a Conductive？Polymer Blend Based on PEDOT:PSS and Its Electromagnetic？Applications," Polymers, Vol. 14, 2022, 393.
Liu, T., and Kim, S.-S., "Design of Wide-bandwidth Electromagnetic Wave Absorbers Using the Inductance and Capacitance of a Square Loop-frequency Selective Surface Calculated？from an Equivalent Circuit Model," Optics Communications,？Vol. 359, 2016, pp. 372-377.

상세보기
Kim, J., Jang, H.K., Oh, J., and Park, J., "A Rational Design Procedure for Absorbers of Square-Loop-Shaped Resistive Frequency Selective Surface Placed on Glass/Epoxy Laminate,"？IEEE Transactions on Electromagnetic Compatibility, Vol. 65,？No. 1, 2023, pp. 104-113.

상세보기
Lee, W.-J., Lee, J.-W., and Kim, C.-G., "Characteristics of an？Electromagnetic Wave Absorbing Composite Structure with a？Conducting Polymer Electromagnetic Bandgap (EBG) in the？X-band," Composites Science and Technology, Vol. 68, No. 12,？2008, pp. 2485-2489.

상세보기
Choi, W.-H., Kim, J.-B., Shin, J.-H., Song, T.-H., Lee, W.-J., Lee,？Y.-S., and Kim, C.-G., "Circuit-analog (CA) Type of Radar？Absorbing Composite Leading-edge for Wing-shaped Structure？in X-band: Practical Approach from Design to Fabrication,"？Composites Science and Technology, Vol. 105, 2014, pp. 96-101.

상세보기
Choi, W.-H., Kim, J.B., Shin, J.H., Song, T.H., Lee, W.J., Joo, Y.S.,？and Kim, C.G., "Design of Circuit-analog (CA) Absorber and？Application to the Leading Edge of a Wing-shaped Structure,"？IEEE Transactions on Electromagnetic Compatibility, Vol. 56,？No. 3, 2014, pp. 599-607.

상세보기
Choi, W.-H., Kwak, B.S., Kewon, J.H., and Nam, Y.W., "Microwave？Absorbing Structure Using Periodic Pattern Coated Fabric,"？Composite Structures, Vol. 238, 2020, 111953.

상세보기
Jang, H.K., Shin, J.H., Kim, C.G., Shin, S.H., and Kim, J.,？"Design and Fabrication of Semi-cylindrical Radar Absorbing？Structure using Fiber-reinforced Composites," Composite Research,？Vol. 23, 2010, pp. 17-23.
Wu, B., Wang, G., Liu, K., Hu, G., and Xu, H.X., "Equivalent-circuit-intervened Deep Learning Metasurface," Materials &？Design, Vol. 218, 2022, pp. 17-23.
On, H.I., Jeong, L., Jung, M., Kang, D.J., Park, J.H., and Lee,？H.J., "Optimal Design of Microwave Absorber Using Novel？Variational Autoencoder from a Latent Space Search Strategy,"？Materials & Design, Vol. 212, 2021, 110266.

상세보기
Liu, H.T., Cheng, H.F., Chu, Z.Y., and Zhang, D.Y., "Absorbing？Properties of Frequency Selective Surface Absorbers with？Cross-shaped Resistive Patches," Materials & Design, Vol. 28,？No. 7, 2007, pp. 2166-2171.

상세보기
Lee, I.J., Choi, S.H., Joo, I.O., Jeon, J.W., Cha, J.H., and Ahn, J.Y.,？"Technical Trends on Low-Altitude Drone Detection Technology for Countering Illegal Drones," Electronics and Telecommunications Trends, Vol. 37, 2022, pp. 10-20.
Costa, F., Monorchio, A., and Manara, G., "An Equivalent Circuit？Model of Frequency Selective Surfaces Embedded within？Dielectric Layers," in Proc. IEEE Antennas Propag. Soc. Int.？Symp., 2009, pp. 1-4.
Goodfellow, I., Bengio, Y., and Courville, A., "Deep Learning,"？USA: MIT Press, 2016.

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