Neural network prediction of bending strength and stiffness in western hemlock (Tsuga heterophylla Raf.)
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract The stiffness and strength, modulus of elasticity (MOE) and modulus of rupture (MOR), as well as density, moisture content, microfibril angle and diffraction pattern coefficient of variation of azimuthal intensity profile (I CV ) was determined for 259 small clear specimens. These samples represent 38 old- and second-growth western hemlock ( Tsuga heterophylla ) trees harvested from several sites in coastal British Columbia, Canada. The data were analyzed by classic statistical regression techniques to reveal interrelations among the mechanical properties and the inherent wood properties. Simultaneously, the predictive power of artificial neural networks was evaluated with the same data set by employing several optimization techniques. Regression analysis of wood density and the flexural strength properties resulted in R 2 of 0.172 and 0.332 for MOE and MOR, respectively. The most efficient network model proved to be far superior demonstrating correlation coefficients with models for MOE ranging between 0.693 and 0.750, and the corresponding MOR models ranging between 0.438 and 0.561 in all testing phases. It is apparent that neural networks have the potential and capacity to self-train and become powerful adaptive systems that can predict the strength and stiffness of wood samples. The neural network analysis also revealed the importance level of each independent variable on both MOE and MOR 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.
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 découle