KCTC 훈련 결과 데이터를 이용한 연구는 다양한 분야로 발전되고 있으며 특히 전투 승리 요인 분석에 중점을 두고 있다. 특히, 이민호 등(2021)은 보병대대의 공격작전을 중심으로 데이터 분석과 군사 전문가의 평가를 결합하여 전투 승리요인을 도출하고 윤진성 등(2023)은 보병 중대의 임무별 방어작전에서 전투 승리요인을 분석하였다. 박진영 등(2021)은 KCTC 훈련에서 곡사화기 부대의 전투 결과를 분석하여 우수부대의 특징을 밝혀내었다. 김각규 등(2014)은 KCTC 데이터를 처음으로 분석한 연구에서도 공격작전의 승리요인을 다중 회귀 분석하였으며, 김재오 등(2015)은 강화된 보병대대의 공격작전 중 군인의 생존확률을 통계적 분석하고, 김기성 등(2020)은 베이지안 모형으로 전투의 단계가 변화되는 단계별로 아군의 피해에 영향을 미치는 요인을 분석하였다. 과거 10여 년간 연구된 자료는 대체로 전투의 승리요인을 찾아내기 위한 연구로 발전하였으나 타 분야인 시뮬레이션 모델의 파라미터를 추출하려는 연구는 진행되지 않았다.

전투 지휘 훈련모델의 발전을 위해서 다양한 접근방법이 있었다. 김병세 등(2010)은 한국군의 창조21 모델을 위한 새로운 근접전투 전문가 시스템을 제안하고, 이를 의사결정 나무를 이용하여 개발하였다. 한석원 등(2019)은 창조21과 전투21 모델의 연동 훈련을 위한 포병의 피해평가 일치 방안을 다중 회귀분석으로 연구하였다. 한석원 등(2020)은 회귀분석을 통해 두 모델의 피해평가 결과를 통계적으로 유의미하게 보정 할 수 있어 C-C(Constructive-Constructive) 연동 훈련 상황에서도 활용될 수 있음을 보여주었다. 이처럼 한국에 BCTP 훈련 체계가 도입된 이래로 훈련데이터를 이용한 연구방법은 주로 C-C 연동을 위한 피해평가 보정방안 위주였다. 차영호(2024)는 군에서 LVC(실제, 가상, 구성적) 통합훈련을 원하나 시스템 간의 모의 논리 불일치, 피해평가 방법의 차이, 훈련 통제의 기술적 한계 등 세 가지 주요 제한사항을 도출하였다. 기존연구는 주로 C-C 연동 시 피해평가 방법을 보정 하였다면 본 연구는 LVC 통합훈련 시 제한사항 극복을 위해 KCTC 훈련모델에서 추출한 파라미터를 BCTP 모델에 적용하여 실제 훈련과 구성훈련의 전투소요시간 차이를 최소화하는 방법이 구체적으로 연구된다면 LVC 통합훈련의 저해요소 3개 중 1개인 모의 논리 불일치 부분을 해소할 수 있을 것이다.

김각규(2014)에 따르면 전투 승패에 영향을 미치는 주요 요인 중 가장 큰 영향을 미치는 것은 병력 규모와 화력, 통신, 정보, 방호 등이 있다. BCTP는 일반적으로 기능에 따라 기동, 화력, 정보, 통신, 방호, 지속지원의 여섯 가지 분야로 구분된다. 따라서 본 연구에서는 KCTC에서 수집할 수 있는 데이터를 기반으로 BCTP와 매칭이 가능한 변수를 분석하고, 이를 통해 전투 지휘 훈련모델의 핵심 파라미터를 도출하고자 한다. 기동 분야에서는 병력의 행동 패턴을 분석함으로써 교전 상황에서 발생하는 지연시간(engagement delay time)을 산출할 수 있다. 이는 부대의 기동성과 작전 반응 속도를 평가하는 중요한 요소로 작용한다. 화력분야에서 분석 가능한 것은 병력 배치 방식에 따라 받은 피해 정도를 분석함으로써 포병 화력에 따른 피해 영향력을 정량적으로 평가할 수 있다. 또한, 화력 분야에서 지연시간(delay time) 요소를 정량적으로 분석할 수 있다. 예를 들면 야전 포병의 사격준비시간, 전개 시간, 진지 이탈 시간, 발사 탄 수당 사격 완료 시간, 사격 전이 시간, 표적 탐지 레이더 전개 시간, 공격헬기 기동시간 및 사격시간 등 BCTP 훈련모델의 핵심 파라미터를 생성하는 것이다. 지속지원 분야에서는 차량의 톤수에 따라 보급품 적재/하화 시간에 대한 요소를 분석할 수 있다. 방호 분야에서는 장애물을 개척소요시간에 대해 공병이 개척 장비 종류와 장애물의 종심 깊이에 따른 시간을 분석할 수 있다. 이러한 각 분야 핵심 파라미터를 분석하여 현실적인 BCTP 모델을 구축하고, 실전과 유사한 환경에서의 훈련 효과를 극대화할 수 있을 것이다.

본 연구에서는 KCTC 훈련데이터 분석의 정확성을 높이기 위해 전처리과정을 거치게 된다. 먼저, 결측값 처리를 통해 데이터의 불완전성을 보완하고, 신뢰성이 낮은 데이터를 식별하여 보정 한다. 또한, 이상치 제거를 수행하여 비정상적이거나 물리적으로 불가능한 데이터(예: 순간적으로 비정상적인 이동 속도를 보이는 데이터)를 배제한다. 아울러, 데이터 표준화 과정을 거쳐 시간 단위 및 거리 단위를 일관되게 조정함으로써 분석결과의 일관성과 비교 가능성을 확보한다. 이러한 데이터 정제 및 전처리과정을 통해 더욱 신뢰성 높은 분석이 가능해지며, 이를 바탕으로 BCTP 훈련모델의 현실성과 정확도를 향상할 수 있다.

본 연구에서는 KCTC 훈련데이터를 활용하여 전투 지휘 훈련모델의 핵심 파라미터를 추출하고, 이를 정량적으로 분석하기 위해 다양한 통계 기법을 적용한다. 이를 통해 정교한 전투 시뮬레이션 모델을 구축하는 것을 목표로 한다. 우선 BCTP에서 사용하는 파라미터 중 통계분석이 필요한 부분을 식별하고 KCTC의 훈련데이터의 변수명과 대조하여 알맞은 변수만 사용한다. 예를 들어 포병이 사격을 위해 필요한 시간에 대한 파라미터를 추출하기 위해 통계분석으로 어떤 상황이 시작되고 끝나는 시점에 대한 데이터의 분포를 확인한다. 그다음 정규성 검정으로 대푯값을 추출한다. 대푯값은 분포에 따라 평균(산술, 가중, 기하, 조화), 중앙값, 최빈값 등으로 선택할 수 있다. 이후 그 데이터 분포와 가장 유사한 확률분포를 분석하여 BCTP 훈련모델에서 사용할 수 있도록 한다. 마지막으로 기존에 사용하던 파라미터와 KCTC 데이터를 분석하여 도출한 파라미터를 적용 시 어떤 현상이 발생하는지 시뮬레이션을 통해 예측한다. 이 방법론으로 BCTP 모델의 정밀도를 향상하고, 실전과 유사한 전술적 환경을 반영할 수 있는 데이터 기반 의사결정 체계를 마련할 수 있을 것이다.

KCTC에서는 다양한 원천데이터를 수집하며 각 분야와 직접적인 관련 정보를 다수 포함하고 있다. 기동, 화력, 정보, 지속지원 등 핵심 분야를 중심으로 Table 1은 분야별 현재 수집하고 있는 데이터 변수와 BCTP에 사용 가능한 파라미터 예시를 정리하였다.

BCTP의 창조21 모의 논리 분석서에 의하면 화력 분야의 파라미터는 대규모 작전 훈련의 특성상 다양한 요소를 포함한다. 이러한 파라미터는 부대의 이동 시간, 장애물 극복시간, 보급품 수령 및 복귀 시간, 장비 정비 시간, 포병의 사격준비 및 발사 시간 등 작전 수행에 필요한 다양한 시간 요소를 포함한다. 본 연구에서는 피해효과에 대한 파라미터는 제한된다. 따라서 Table 2과 같이 어떠한 전투행위의 지연시간 위주로 BCTP 훈련모델의 파라미터 개선연구를 할 수 있다.

실제 훈련과 과학화 훈련의 사격 절차는 서로 유사하며 이를 실질적으로 비교하였다.

이러한 사격 절차를 모의하는 과정에 BCTP는 ‘사격준비’라는 절차에 26초 지연시간을 적용하고 있다. KCTC 훈련데이터는 포병부대 장착된 장비와 관찰관에 의해서 측정되는 시간을 기록하고 있다. 따라서 KCTC 훈련데이터에서 정의하고 있는 변수명과 실제 포병사격 과정과 비교하여 아래 Table 4에 표식하였다. 포병사격준비는 KCTC 훈련데이터의 ‘사격제원 하달일시 ∼ 사격 시작일시’로 정의할 수 있다.

KCTC 훈련데이터 중 포병 사격준비에 따른 데이터만 분류하여 사용한다. 데이터를 탐색하여 오류를 식별하고 처리하는 전처리과정을 통한 데이터는 통계분석을 위해 정규성을 확인하고 대푯값을 선정한다. 다음으로 KCTC 훈련의 포병사격에 관련된 데이터에서 일반적인 상식과 맞지 않은 4종류의 데이터가 아래와 같이 식별되었다.

위 4가지 상황에 대한 데이터는 오류로 간주하고 분석에 사용하지 않도록 제거한다. 이러한 데이터의 오류는 KCTC 내부 시스템 문제, 휴먼에러 등 다양한 경우로 발생할 수 있다.

연도별 데이터 현황은 총 1,092건 중 2019년 456건(약 42 %), 2020년 285건(약 26 %), 2021년 351건(약 32 %)이다. 또한, 105 mm는 231건(약 21 %), K-55 데이터는 699건(약 64 %), K-9은 162건(약 15 %)이다. Table 5 데이터를 요약하면 Table 6과 같다.

데이터의 요약을 보면 최소 2초, 최대 3,450초(약 58분), 중위값은 235초(약 4분), 평균 384.9초(약 6분)다. 평균과 중위값의 차이만 보더라도 데이터의 퍼짐 정도가 크다는 것을 알 수 있다. 따라서 데이터의 특이점(이상치, Outlier)을 제거한다. Q₃+1.5 IQR값보다 크거나 Q₁-1.5 IQR값 보다 작은 값을 특이점으로 간주하여 전처리 한다.

전처리한 데이터는 오른쪽으로 꼬리가 긴 분포를 띄고 있다. 이 분포는 중위값 보다 평균이 더 큰 값이며 평균이 특이점에 영향을 많이 받는다. 따라서 대푯값 선정 시 평균보다는 중위값이 타당하다.

포병사격준비시간 데이터 분포의 정규성 검정을 위해서 Shaprio-Wilk, Kolmogorov-Smirnov Test를 사용한다. 본 연구에서는 2개 Test 모두 실시한 결과 P-value 가 모두 0.05이하 이므로 귀무가설을 기각하여 정규성을 띠지 않는다고 할 수 있다.

데이터의 대푯값은 중위값으로 사용할 수 있으나 실질적인 파라미터를 모델에 넣으려면 분포를 추측하여 데이터 분포를 넣어 모델에서 동작하도록 하는 것이 더 현실적이다. 따라서 다음과 같이 데이터를 보고 분포를 추측한다. 그럼 분포의 평균과 분산을 모델에 넣어 수행하면 현실적인 파라미터를 입력하게 되는 것이다. 다음과 같은 방법으로 확률분포를 추측할 수 있다.

세 가지 분포에 대해 P-P 플롯(Probability-Probability Plot)을 생성하여 적합도를 비교한다. Fig. 3과 같이 P-P 플롯 결과 지수분포가 가장 적합하며, 감마분포는 차선책으로 고려할 수 있다. K-S 검정 결과 지수분포의 K-S 통계량이 가장 낮아 가장 적합한 분포로 확인된다. 분포 별 K-S 검정 통계량은 Table 8에 정리하였다.

포병사격준비시간 분포와 가장 유사한 지수분포의 확률밀도함수(PDF)는 다음과 같다.

여기서 λ = 0.0026이며, 지수분포의 평균은 384.9, 분산은 148,322인 지수분포를 사용한다면 더욱 현실적인 파라미터를 사용할 수 있다.

기존 창조21 모델에 입력되어있는 26초와 KCTC 훈련데이터 분석결과로 산출된 값을 넣었을 때 어떠한 변화가 일어나는지 시뮬레이션을 통해 타당성을 검증한다. 포병사격 절차를 시뮬레이션(Vensim)으로 구축하여 포병사격준비시간의 변화가 어떤 영향을 주는지 분석한다. 먼저 표적에 대한 수집은 3가지 방법으로 이루어진다. UAV를 이용한 표적식별, 적지 종심 작전팀에서 수집한 표적획득, 마지막으로 표적탐지 레이더에서 획득한 표적이다. 3가지 방법으로 획득되는 분당 표적의 수는 과거 전투 지휘 훈련데이터에서 각 표적 획득수단의 평균값을 산출하여 시뮬레이션에 구현하였다. 현재 실전에서 활용되는 표적처리절차는 UAV 와 적지 종심 작전팀에서 수집한 표적에 대해 표적처리를 하고 사격을 하며, 표적탐지 레이더에서 획득한 표적은 레이더 전담포병에게 즉시 전송되어 표적처리절차를 생략하고 사격하게 된다. UAV, 적지 종심 작전팀에서 획득된 표적은 먼저 OCC(Operation Control Center)로 전파되며 표적처리 후 가용포병에게 표적을 하달한다. 표적탐지 레이더에서 획득한 표적은 C4I를 통해 전담포병대대로 전파되며 표적이 너무 많아 모두 사격이 불가할 땐 OCC로 반납한다. 다수표적이 획득되면 모든 포병은 사격 중인 상태가 되고 5분 이상 사격하지 못한 표적은 이미 이동한 것으로 판단하여 ‘사격 불가 표적’으로 표현하였다. 사격한 표적은 ‘사격성공 표적’으로 표현하였다.

시뮬레이션은 2가지 버전으로 포병사격준비시간만 다른 모델 A, B로 구성하여 시뮬레이션 결과를 비교한다. 시뮬레이션은 100분을 시행하였을 때 1분당 표적의 흐름에 대해 분석한다. 표적이 획득되어 OCC에서 관리하는 표적 수, 사격에 성공한 표적 수, 사격하지 않은 분당 표적 수에 대해 평균을 분석하였다. Fig. 4는 A, B 모델의 OCC에서 관리하는 분당 표적 수를 비교한 그래프이다. 그래프를 비교해 보면 A 모델이 B 모델보다 분당 표적 수가 더 많은 것을 알 수 있다. 이는 모델 A가 포병사격 준비시간을 3분 54초로 사용하기 때문에 포병의 사격이 모델 B보다 늦어지게 된다. 따라서 모델 A의 OCC에서 가용한 포병이 적기 때문에 표적을 전파하지 않고 쌓여 있는 것이다. 이 그래프만 보더라도 구축한 모델의 결과가 상식적으로 타당하므로 사용 가능한 모델인 것을 알 수 있다. 분석결과 모델 A의 분당 OCC 관리 표적 수는 5.73개, 모델 B는 3.88개로 모델 B보다 모델 A가 약 1.47배 높다. 그리고 모델 A의 분당 사격성공 표적 수는 1.58개, 모델 B는 3.43개로 모델 A보다 모델 B가 2.17배 높다. 분당 사격실패 표적 수는 모델 A가 2.72개 모델 B가 1.06개로 모델 B보다 모델 A가 2.56배 높다.

즉, 포병사격준비시간 3분 54초를 적용한 모델 A가 기존 창조21 모델 B보다 OCC에서 관리하는 표적 수가 1.47배 높고, 사격에 성공한 수가 2.17배 낮고, 사격에 실패한 표적 수가 2.72배 높다. 이는 포병사격준비시간이 기존보다 많이 길어 지면서 OCC에서 표적 유통이 잘되지 않을 것이고, 이에 따라 사격에 성공한 수도 낮아지며 표적획득 후 5분이 지나 사격에 실패한 수도 커지는 것이다.

Table 9를 보면 A 모델이 B 모델보다 분당 표적 수가 더 많은 것을 알 수 있다. 이는 모델 A가 포병사격준비시간을 3분 54초로 사용하기 때문에 포병의 사격이 모델 B보다 늦어지게 된다. 따라서 모델 A의 OCC에서 가용한 포병이 적기 때문에 표적을 전파하지 않고 쌓여 있는 것이다. 따라서 본 연구에서 제안하는 모델 A를 적용하여 BCTP 훈련을 한다면 보다 현실적으로 표적처리 회의 및 가용포병의 활용방안 등을 전투 실시간 토의하는 등 다양한 전투 감각을 기를 수 있다.