Artificial intelligence-driven physical and mechanical properties of acid-based adhesive for manufacturing particleboard
Notice bibliographique
Résumé
Under a global increase in demand for panels, there is a growing need to develop sustainable and environmentally friendly alternatives to conventional formaldehyde-based adhesives for particleboard manufacturing. This research presents a comprehensive evaluation of predicting the physical and mechanical properties of acid-based panels through novel applications of machine learning (ML) algorithms. The study collected data from peer-reviewed literature spanning various acid-based adhesives, including citric acid, tannic acid, maleic acid, lactic acid, and suberinic acid, combined with diverse raw materials. The methodology employed Pearson correlation matrix analysis to quantify linear relationships among processing parameters (temperature, duration, pressure) and performance properties (water absorption (WA), thickness swelling (TS), modulus of rupture (MOR), and modulus of elasticity (MOE)). A dendrogram hierarchical clustering analysis using Ward's linkage method and Euclidean distance metrics was implemented to identify natural groupings within the dataset based on moisture resistance and mechanical performance characteristics. Three machine learning (ML) algorithms, namely decision tree (DT), light gradient boosting machine (LightGBM), and eXtreme gradient boosting (XGBoost), were systematically compared for predictive accuracy using metrics including R-squared, mean squared error (MSE), mean absolute error (MAE), and mean absolute percentage error (MAPE). K-fold cross-validation was conducted to assess model generalization capabilities and detect overfitting. Results demonstrate that XGBoost achieves superior prediction accuracy with R 2 values of 0.9998 and 0.9999 for TS and MOE, significantly outperforming traditional DT models. Feature importance and SHapley Additive exPlanation (SHAP) analyses reveal that WA dominates TS prediction (49.87 %), while the temperature parameter controls MOE prediction (93.50 %). The findings demonstrate that temperature exhibits strong correlations with mechanical properties, and clustering analysis identifies three distinct performance levels based on their physical and mechanical properties. However, despite the high accuracy of the models, cross-validation analysis indicates generalization limitations due to outlier sensitivity, suggesting that future research should expand datasets and incorporate additional input variables, such as board density, curing kinetics, and long-term durability indicators, to enhance predictive capabilities for next-generation sustainable acid-based wood composites.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 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 ».