Multivariate modeling of MDF panel properties in relation to wood fiber characteristics
Notice bibliographique
Résumé
Abstract Properties of medium density fiberboard (MDF) panels in relation to wood and fiber characteristics were investigated. Laboratory MDF panels were manufactured from raw fiber materials from black spruce [ Picea mariana (Mill.) BSP.], three hybrid poplar clones ( Populus spp.), two exotic larch ( Larix gmelinii and Larix sibirica ), and a mix of spruce, pine, and fir wood chips. The panels were evaluated for modulus of rupture (MOR), modulus of elasticity (MOE), internal bond (IB), linear expansion (LE), thickness swelling (TS), and water absorption (WA). These properties were analyzed as response variables. As predictor variables, various wood and fiber characteristics were measured, including wood density, pH, base buffering capacity and fiber coarseness. Multiple linear regression analysis was performed to develop functional relationships between panel properties (response variables) and wood fiber characteristics (predictor variables). Ten dummy variables were created and incorporated into the analysis to examine the effects of wood species or type on MDF panel properties. MOR was negatively related to arithmetic fine percentage. MOE was negatively affected by the percentage of small particles (>200 mesh) and wood pH. IB strength was negatively related to arithmetic fine percentage and fiber pH, but positively related to the percentage of small particles (>200 mesh). Wood density affected LE. TS was negatively affected by arithmetic mean fiber length. Arithmetic mean fiber width had a negative effect on panel WA. The presence of dummy variables in the models for MOE, IB and LE indicates that wood fiber characteristics other than those measured in this study significantly affected these panel properties. The study indicates that the refining process can play a significant role in manipulating MDF panel properties.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».