MétaCan
Menu
Retour à la cohorte
Enregistrement W2129086794 · doi:10.1002/acs.656

Experimental modelling and intelligent control of a wood‐drying kiln

2001· article· en· W2129086794 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.
aboutLe titre ou le résumé porte un signal canadien du lexique géographique.

Notice bibliographique

RevueInternational Journal of Adaptive Control and Signal Processing · 2001
Typearticle
Langueen
DomaineEngineering
ThématiqueIndustrial Technology and Control Systems
Établissements canadiensNational Research Council CanadaUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésKilnWood dryingController (irrigation)PID controllerWater contentProcess (computing)EngineeringPlenum spaceControl systemThermocoupleProcess engineeringControl engineeringControl theory (sociology)Environmental scienceComputer scienceTemperature controlMechanical engineeringControl (management)Waste managementArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Abstract Proper control of the wood‐drying kiln is crucial in ensuring satisfactory quality of dried wood and in minimizing drying time. This paper presents the development, implementation, and evaluation of a control system for a lumber drying kiln process incorporating sensory feedback from in‐wood moisture content sensors and intelligent control such that the moisture content of lumber will reach and stabilize at the desired set point without operator interference. The drying process is difficult to model and control due to complex dynamic nonlinearities, coupling effects among key variables, and process disturbances caused by the variation of lumber sizes, species, and environmental factors. Through system identification scheme using experimental data and recursive least‐squares algorithm for parameter estimation, appropriate models are developed for simulation purpose and controller design. Two different control methodologies are employed and compared: a conventional proportional‐integral‐derivative (PID) controller and a direct fuzzy logic controller (FLC), and system performance is evaluated through simulations. The developed control system is then implemented in a downscaled industrial kiln located at the Innovation Centre of National Research Council (NRC) of Canada. This experimental set‐up is equipped with a variety of sensors, including thermocouples for temperature feedback, an air velocity transmitter for measuring airflow speed in the plenum, relative humidity sensors for measuring the relative humidity inside the kiln, and in‐wood moisture content sensors for measuring the moisture content of the wood pieces. For comparison, extensive experimental studies are carried out on‐line using the two controllers, and the results are evaluated to tune the controller parameters to achieve good performance in the wood‐drying kiln. The combination of conventional control with the intelligent control promises improved performance. The control system developed in this study may be applied in industrial wood‐drying kilns, with a clear potential for improved quality and increased speed of drying. Copyright © 2001 John Wiley & Sons, Ltd.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,682
Score d'incertitude au seuil0,514

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,022
Tête enseignante GPT0,239
Écart entre enseignants0,217 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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