MétaCan
Menu
Retour à la cohorte
Enregistrement W2173769990

EFFECT OF KNIFE WEAR ON SURFACE QUALITY OF BLACK SPRUCE CANTS PRODUCED BY A CHIPPER-CANTER

2015· article· en· W2173769990 sur OpenAlexafffund
Shyamal C. Ghosh, Roger E. Hernández, Carl Blais

Notice bibliographique

RevueWood and Fiber Science (Society of Wood Science and Technology) · 2015
Typearticle
Langueen
DomaineEngineering
ThématiqueForest Biomass Utilization and Management
Établissements canadiensUniversité Laval
Organismes subventionnairesDivision of Materials ResearchNatural Sciences and Engineering Research Council of Canada
Mots-clésWavinessEnhanced Data Rates for GSM EvolutionSurface finishSurface roughnessDie (integrated circuit)Materials scienceComposite materialEngineering
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

Effect of knife wear on surface quality of black spruce (Picea mariana (Mill) B.S.P.) cants machined by a chipper-canter was evaluated. A set of eight canting knives with six levels of edge recession (207, 290, 349, 449, 519, and 549 mm) was studied. Logs were fed at 145 m/min through the canter headrotating at 726 rpm yielding a nominal feed per knife of 25 mm. For each edge recession, two sides of the logs were machined at either unfrozen (above 14C) or frozen (below 23C) wood temperatures. Laserscanned profiles across the grain of 16 knife marks on each cant were evaluated for roughness and waviness parameters and depth of torn grain. The results showed that, regardless of log temperature, waviness and roughness were positively affected by edge recession. Roughness was more sensitive than waviness to changes in edge recession. Surfaces in general were smoother in frozen logs than in unfrozen logs. Maximum depth of torn grain appeared to not be significantly affected by knife wear. The results provided useful information for improving the performance of the chipper-canter in terms of surface quality.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,012
Tête enseignante GPT0,255
Écart entre enseignants0,243 · 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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueWood and Fiber Science (Society of Wood Science and Technology)Même sujetForest Biomass Utilization and ManagementTravaux en français237 207