Performance of machine learning algorithms to evaluate the physico-mechanical properties of nanoparticle panels
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
Nanoparticles significantly enhance the properties of wood-based materials, especially particleboards and wood panels. This review analyzes secondary data on nanoparticle integration in board production, aiming to evaluate the relationships among physical (water absorption (WA) and thickness swelling (TS)) and mechanical (modulus of rupture (MOR), modulus of elasticity (MOE); and internal bond (IB) strength) properties and to predict performance using machine learning (ML) algorithms. These algorithms include Pearson correlation, hierarchical clustering, and decision tree (DT) models. Results indicate that nanoparticles such as graphene oxide (GO), reduced graphene oxide (rGO), hydrolysis lignin, and calcium carbonate improve mechanical properties, with MOR values of 27.38–52.65 MPa and MOE of 2591.6–4680 MPa, meeting EN312 load-bearing standards. Zinc oxide nanoparticles yield superior dimensional stability by achieving a low TS of 9.33%. However, according to the American National Standard for Particleboard (ANSI/A208.1-1999), most nanoparticle boards produced met general-purpose standards except for WA and TS, which exceeded the maximum limits of 8% and 3%, respectively. Only crosslinked chitosan and zinc oxide nanoparticle panels meet the minimum requirements for TS (17%) and the maximum MOR (11.00 MPa) and MOE (1,800.00 MPa) for general purposes in dry conditions (furniture and interior fitments) according to the Brazilian standard (ABNT NBR). The Pearson correlation analysis reveals a strong relationship between board properties (R = 0.94 for WA–TS; R = 0.93 for MOR–MOE), confirming that nanoparticle treatments enhance performance while maintaining inherent material behavior. Hierarchical clustering grouped nanoparticles by performance: zinc oxide and chitosan+UF+epoxy formed a cluster with the lowest WA and TS, indicating optimal dimensional stability, while GO, rGO, and chitosan-based composites clustered with moderate values. For mechanical properties, APTES-modified nanocellulose, aluminum oxide, and zinc oxide formed a high-performance cluster (high MOR, MOE, IB). DT algorithms demonstrated high predictive accuracy (R 2 = 0 . 92 for WA-TS, 0.96 for MOR-MOE, and 0.80 for IB-MOE), identifying critical thresholds: WA below 29.73% corresponded to minimal TS (9.94%), MOR above 38.18 MPa led to MOE above 3598.86 MPa, and IB above 0.88 MPa corresponds to MOE greater than 2,747.99 MPa. This data-driven framework enables targeted nanoparticle selection to fabricate engineered wood products and can be included in industry quality control standards to advance sustainable material development through ML-guided optimization.
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 | 0,001 |
| 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 | 0,001 |
| 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