MétaCan
Menu
Retour à la cohorte
Enregistrement W2896375563 · doi:10.3390/jmmp2040067

Optimizing Surface Micro Grooving to Reduce the Checking and Cupping of Douglas Fir, Western Hemlock and White Spruce Decking Exposed to Natural Weathering

2018· article· en· W2896375563 sur OpenAlexafffund
Sina Heshmati, Mohammad Sadegh Mazloomi, Philip D. Evans

Notice bibliographique

RevueJournal of Manufacturing and Materials Processing · 2018
Typearticle
Langueen
DomaineEngineering
ThématiqueWood Treatment and Properties
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesNatural Sciences and Engineering Research Council of Canada
Mots-clésGroove (engineering)Structural engineeringEngineeringMechanical engineering

Résumé

récupéré en direct d'OpenAlex

Machining grooves into the surface of pine and fir (Abies spp.) deckboards reduces undesirable checking that develops when “profiled” boards are exposed to the weather. We aim to develop improved profiles for Douglas fir, western hemlock and white spruce decking to reduce their susceptibility to checking, and understand how profile geometry influences the stresses that cause checking. We varied the width and depth of grooves in profiled deckboards, exposed deckboards to the weather, and measured checking and cupping of boards. A numerical model examined the effect of groove depth on the moisture-induced stresses in profiled spruce boards. Profiling significantly reduced checking, but increased cupping of deckboards made from all three species. Western hemlock checked more than the other two species. Profiles with narrow grooves (rib profiles) were better at restricting checking than profiles with wider grooves. A rib profile with deeper grooves developed smaller stresses than a rib profile with shallower grooves, and boards with the former profile checked less than boards with shallower grooves. We conclude that checking of profiled Douglas fir, western hemlock and white spruce decking is significantly reduced by changing profile geometry, and our results suggest the best profiles to reduce checking of all three species.

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)0,000
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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil0,725

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 Opus0,016
Tête enseignante GPT0,229
Écart entre enseignants0,214 · 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'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

Citations6
Publié2018
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Manufacturing and Materials ProcessingMême sujetWood Treatment and PropertiesTravaux en français237 207