Empirical Distribution Models for Slenderness and Aspect Ratios of Core Particles of Particulate Wood Composites
Notice bibliographique
Résumé
Particle geometry was characterized for particleboard furnish prepared through hydrolysis of finished commercial particleboard procured from six Canadian plants.Particles samples were screened into seven particle size classes.Particles retained on 0.5-mm mesh were considered core particles and further partitioned into core-fine, medium, and coarse.Individual particles were then randomly selected for geometrical characterization and distribution fitting.About 80% of all screened particles by mass were between mesh sizes of 0.5 and 2 mm.There were significant differences in percentage screen masses of all particle sizes between plants.Masses of particle size greater than 1 mm of panels from two plants were significantly higher than the rest (0.05 a-level), whereas another plant had the highest mass of particle sizes retained on the 2-mm mesh.Particles retained on the 1-mm mesh showed the largest percentage mass variation among all plants.It was found that aspect ratio was a better geometrical indicator for predicting screw withdrawal resistance than any of the absolute dimensions, and increase in core-fine particles increases internal bond strength.Based on maximum likelihood and Akaike's Information Criterion, a log normal distribution was the best fit for all geometrical descriptors of most particle types; gamma and two-parameter Weibull were better fits for length and aspect ratio for most medium particles with gamma being the better of the two.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,006 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».