Preliminary Insights on Moisture Content Measurement in Square Timbers Using GPR Signals and 1D-CNN Models
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.
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) | 0,001 | 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 | 0,001 |
| 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 ».