MétaCan
Menu
Retour à la cohorte
Enregistrement W4200303267 · doi:10.1515/hf-2021-0080

Estimating moisture content variation in kiln dried Pacific coast hemlock

2021· article· en· W4200303267 sur OpenAlexaff
Sohrab Rahimi, Stavros Avramidis, Ciprian Lazarescu

Notice bibliographique

RevueHolzforschung · 2021
Typearticle
Langueen
DomaineEngineering
ThématiqueWood Treatment and Properties
Établissements canadiensFPInnovationsUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésKilnMoistureWater contentWood dryingRobustness (evolution)Environmental scienceCoefficient of variationVariation (astronomy)MathematicsSoil sciencePulp and paper industryStatisticsMaterials scienceGeologyComposite materialEngineeringGeotechnical engineeringWaste managementChemistry

Résumé

récupéré en direct d'OpenAlex

Abstract Kiln drying is admittedly a significant value-adding step in timber processing where the importance of predicting moisture within a dried batch cannot be overemphasized. This study predicts and characterizes the moisture variation in kiln-dried wood based on the initial and target moisture values using polynomial models. Four polynomial models are used to correlate initial and final moisture characteristics. First model is linear while the three others are nonlinear. The robustness of the three best models is analyzed and a closed formula is proposed to evaluate the final moisture coefficient of variation based on the target moisture and initial moisture coefficient of variation. Three models could successfully characterize the final moisture variation with the best one showing an R 2 > 96%. However, the first (linear) model is the most resilient and, thus recommended for estimating final moisture variation.

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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,233
Score d'incertitude au seuil0,527

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 Opus0,022
Tête enseignante GPT0,199
Écart entre enseignants0,177 · 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

Citations6
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHolzforschungMême sujetWood Treatment and PropertiesTravaux en français237 207