Preliminary Insights on Moisture Content Measurement in Square Timbers Using GPR Signals and 1D-CNN Models
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
Accurately measuring the moisture content (MC) of square timber is crucial for ensuring the quality and performance of wood products in wood processing. Traditional MC detection methods have certain limitations. Therefore, this study developed a one-dimensional convolutional neural network (1D-CNN) model based on the first 8 nanoseconds of ground-penetrating radar (GPR) signals to predict the MC of square timber. The study found that the mixed-species model exhibited effective predictive performance (R2 = 0.9864, RMSE = 0.0393) across the tree species red spruce, Dahurian larch, European white birch, and Manchurian ash (MC range 0%–133.1%), while single-species models showed even higher accuracy (R2 ≥ 0.9876, RMSE ≤ 0.0358). Additionally, the 1D-CNN model outperformed other algorithms in automatically capturing complex patterns in GPR full-waveform amplitude data. Moreover, the algorithms based on full-waveform amplitude data demonstrated significant advantages in detecting wood MC compared to those based on a traditional time–frequency feature parameter. These results indicate that the 1D-CNN model can be used to optimize the drying process and detect the MC of load-bearing timber in construction and bridge engineering. Future work will focus on expanding the dataset, further optimizing the algorithm, and validating the models in industrial applications to enhance their reliability and applicability.
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) | 0,000 | 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 découle