Species- and moisture-based sorting of green timber mix with near infrared spectroscopy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Methods suitable for the determination and classification of green timber mix (western hemlock and amabilis fir), with respect to species and moisture content, were developed and tested using near infrared spectroscopy and chemometrics. One thousand two hundred samples were distributed into a calibration set (720 samples) and a prediction set (480 samples). Partial least squares (PLS) and least squares-support vector machines (LS-SVM) for both regression (PLSR and LS-SVR) and classification (PLS-DA and LS-SVC) with different spectral preprocessing methods were implemented. LS-SVM outperformed PLS models for both regression and classification. The coefficient of determination (R2p) and root mean square error (RMSEP) of prediction for the best LS-SVR model with spectra pretreated by smooth and first derivative were 0.9824 and 8.7%, respectively, for wood moisture content prediction in the range of 30% to 253%. The best classification model was LS-SVC with spectra pretreated by smooth and second derivative, with overall accuracies of 99.8% in the prediction set, when the samples were divided into four classes. NIRS combined with LS-SVM can be used as a rapid alternative method for qualitative and quantitative analysis of green hem-fir mix before kiln drying. The results could be helpful for sorting green hem-fir mixes with an on-line application.
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.
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 | 0,000 | 0,000 |
| 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 découle