ОСВОЕНИЕ НИЗКОКАЧЕСТВЕННОЙ ПОВРЕЖДЕННОЙ ДРЕВЕСИНЫ И ДРЕВЕСНЫХ ОТХОДОВ В КРАСНОЯРСКОМ КРАЕ
Notice bibliographique
Résumé
Красноярский край и Иркутская область являются ведущими регионами РФ по объему лесозаготовок. Вместе с тем валовый региональный продукт лесной отрасли региона не превышает 2.5 %. Лесные массивы Сибирского федерального округа регулярно подвергаются воздействию пожаров и насекомых-вредителей леса. При этом образуются значительные объемы поврежденной низкокачественной древесины. Переработка древесины добавляет большое количество отходов в виде опилок, горбыля, реек. Политика неконтролируемого роста объемов заготовки в хвойных древостоях в целях получения высококачественных круглых лесоматериалов привела к истощению лесосырьевых баз, росту расстояний транспортировки лесной продукции, усложнению логистики. Выходом из сложившейся негативной ситуации может стать обоснованная ориентация на глубокую переработку древесного сырья с последующим производством высоколиквидной продукции. Мировые тенденции в области комплексного использования древесного сырья позволяют определить в качестве основного вектора переработки этих ресурсов производство топливных брикетов и пеллет. Особенность рынка производства и потребления пеллет в России - исключительно экспортная ориентация, объемы внутреннего потребления не превышают 15-20 % от общего объема производства. В текущей экономической и политической ситуации Россия практически потеряла освоенные ранее рынки сбыта пеллет в Европе. Ориентация производителей на Южную Корею и Японию сталкивается с проблемами логистики и агрессивной конкуренции со стороны Вьетнама, Канады и США. В этих условиях выходом из ситуации, связанной с недостаточным вовлечением в промышленную переработку низкокачественной древесины и отходов, может стать направление переработки в расчете на обеспечение рынка строительных материалов плитами и древесно-минеральными композитами. Эта продукция представлена изделиями высокой степени передела, имеет прогнозируемые внутренний спрос и рынок сбыта. Krasnoyarsk Krai and Irkutsk Oblast are the leading regions of the Russian Federation in terms of timber harvesting. However, the gross regional product of the forest industry in the region does not exceed 2.5 %. Forest areas of the Siberian Federal District regularly burn and are affected by forest pests. In this case, significant volumes of damaged and low-quality wood are formed. Wood processing adds waste in the form of sawdust, slabs, slats. The policy of uncontrolled growth in harvesting volumes in coniferous forest stands in order to obtain exclusively high-quality round timber has led to the depletion of timber resources, an increase in timber transportation distances, and increased complexity of logistics. A way out of the current negative situation can be a justified focus on deep processing of wood raw materials with the subsequent production of highly marketable products. Global trends in the field of integrated use of wood raw materials make it possible to identify the production of fuel briquettes and pellets as the main vector for processing these resources. A feature of the market for the production and consumption of pellets in the Russian Federation is its exclusively export orientation, the volume of domestic consumption does not exceed 15-20 %. In the current economic and political situation, the Russian Federation has practically lost its usual markets for pellets in Europe. Manufacturers’ focus on South Korea and Japan faces logistics challenges and aggressive competition from Vietnam, Canada and the United States. Under these conditions, a way out of the situation associated with the insufficient involvement of low-quality wood and waste in industrial processing may be the direction of processing in the hope of supplying the building materials market with boards and wood-mineral composites. These products are highly processed products and have predictable internal demand and sales market.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,048 | 0,017 |
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 ».