MétaCan
Menu
Retour à la cohorte
Enregistrement W2182876172 · doi:10.1002/asmb.2202

Wood property relationships and survival models in reliability

2016· article· en· W2182876172 sur OpenAlexafffund
Yan Cheng, Lang Wu, Conroy Lum, Jim Zidek, Tingting Yu

Notice bibliographique

RevueApplied Stochastic Models in Business and Industry · 2016
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueForest ecology and management
Établissements canadiensFPInnovationsUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaFPInnovations
Mots-clésProperty (philosophy)Reliability (semiconductor)Reliability engineeringEconometricsComputer scienceMathematicsEngineeringPhilosophyThermodynamicsPhysics

Résumé

récupéré en direct d'OpenAlex

We study the relationship between lumber strength properties and their visual grading characteristics. This topic is central to the analysis of the reliability of lumber products in that it underlies the calculation of structural design values. The approaches described in the paper are adaptations of survival analysis methods commonly used in medical studies. Because each piece of lumber can only be tested to destruction with one method (i.e., each piece cannot be broken twice), modeling these strengths distributions simultaneously can be challenging. In the past, this kind of problem has been solved by subjectively matching pieces of lumber, but the quality of this approach is then an issue. The objective of our analysis is to build a predictive model that relates the strength properties to the recorded characteristics. The paper concludes that type of wood defect (knot), a lumber grade status (off‐grade: yes/no), and a lumber's module of elasticity have statistically significant effects on wood strength. We find that the Weibull accelerated failure time model provides a better fit than the Cox proportional hazards model in our dataset. Copyright © 2016 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.

Comment cette classification a été obtenuedéplier

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)0,001
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: Empirique
Score de désaccord entre enseignants0,568
Score d'incertitude au seuil0,363

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
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 Opus0,032
Tête enseignante GPT0,215
Écart entre enseignants0,183 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations2
Publié2016
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueApplied Stochastic Models in Business and IndustryMême sujetForest ecology and managementTravaux en français237 207