Predictive modeling of particleboard properties derived from agricultural waste biomass using machine learning algorithms
Notice bibliographique
Résumé
Important advances in ethical resource use, self-determination, and equitable access to sustainable building materials have long been recognized as strategies for achieving affordable housing. This research systematically evaluates the physical and mechanical properties of particleboards manufactured from diverse agricultural wastes. This study also investigates the prediction of their thickness swelling (TS) based on the water absorption (WA) and their modulus of rupture (MOR) and internal bond (IB) based on the modulus of elasticity (MOE) using machine learning (ML) algorithms. Notably, particleboards made with macadamia nutshell and castor oil achieved TS values of 2.7%, meeting the ANSI/A208.1-1999 general-purpose board standard, while macadamia nutshell and gum Arabic panels can be used as P1 and P2 panels in accordance with BS EN 312. Pearson correlation analysis illustrated a strong positive relationship between WA and TS (r = 0.7162) and a significant negative correlation between density and WA (r = -0.7744), highlighting the importance of high-density formulations for moisture resistance. Mechanical properties were also strongly interrelated, with MOR-MOE (r = 0.8633) and MOR-IB (r = 0.8063) correlations indicating that strength enhancements often occur simultaneously. The predictive modeling demonstrated that decision tree (DT) models achieve the best performance compared to random forest (RF) models, with r², MAE, and RMSE values of 0.9910, 0.6889, and 1.1355 for TS, 0.8731, 0.2973, and 0.3905 for IB, and 0.9433, 1.1417, and 1.9834 for MOR prediction, respectively. Furthermore, DT models established threshold prediction, including WA ≤ 60.95% for TS equal to 16.28% and MOE ≤ 2318.0 MPa for MOR and IB exhibiting 10.86 MPa and 0.65 MPa, respectively. However, k-fold cross-validation results indicate low performance for DT models' generalization compared to training models due to outliers in the dataset. The present study recommends expanding datasets to include more agricultural residues in panel production, integrating cost and environmental impact metrics, and applying advanced ML algorithms for greater predictive accuracy and holistic sustainability assessment in future research for affordable housing.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».