Stress wave evaluation for predicting the properties of thermally modified wood using neuro-fuzzy and neural network modeling
Notice bibliographique
Résumé
Abstract This study investigated using the stress wave method to predict the properties of thermally modified wood by means of an adaptive neuro-fuzzy inference system (ANFIS) and neural network (NN) modeling. The stress wave was detected using a pair of accelerometers and an acoustic emission (AE) sensor, and the effect of heat treatment (HT) on the physical and mechanical properties of wood as well as wave velocity and AE signal is discussed. The AE signal was processed in the time and time-frequency domains using wavelet analysis and different features were extracted for network training. The auto-associative NN is used as a dimensional reduction method to decrease the dimension of the extracted AE features and enhance the ANFIS performance. It was shown that while the stress wave velocity using the accelerometer did not result in an accurate model, the network performance significantly increased when trained with the AE features. The AE signal exhibited a significant correlation with wood treatment and porosity. The best ANFIS performance corresponded to predicting the wood swelling coefficient, equilibrium moisture content (EMC) and water absorption (WA), respectively. However, the AE signal did not seem suitable for predicting the wood density and hardness. The performance of ANFIS was compared with the “group method of data handling” (GMDH) NN. Both the ANFIS and GMDH networks showed higher accuracy than the multivariate linear regression (MVLR) model.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».