Kvantifiering av stenmängd i massavedsleveranser
Bibliographic record
Abstract
Stora volymer massaved levereras dagligen till olika industrier i landet. Virket som levereras från skogen hanteras flertalet gånger av gripar och det finns därmed en stor risk att föroreningar som stenar kan följa med till industrierna. Om stenar följer med kan de orsaka stillestånd och haverier i renseriprocessessen där stockar rensas, barkas och sönderdelas. Denna studie haft som huvudmål att kvantifiera omfattningen av sten som följer med massavedsleveranser, ett problem som belystes i samarbete med SCA. \nFör att undersöka detta gjordes tre delstudier. Inledningsvis gjordes en intervjustudie med sex operatörer från SCA:s renserier för att få en bakgrund till problemet och dess omfattning. Därefter gjordes ett fältförsök med fyra maskinlag inom Östrands upptagningsområde. De lade virket i vältor med och utan underlag för att undersöka om underlag har en betydelse för stenförekomsten. Totalt användes 30 kranbilar i försöket, 15 vardera från avlägg med respektive utan underlag. Samtidigt pågick det en industriuppföljning där det gjordes veckovisa registreringar av stenmängd och mängd massaved (producerad flis). \nResultatet visade att det förekommer mycket sten kopplat till massavedsleveranser under barmarkssäsongen enligt alla delar i studien. Det följde med ungefär dubbelt så mycket sten från avlägg utan underlag (0,035 kg/m3fub) jämfört med avlägg med underlag (0,016 kg/m3fub) medan industriuppföljningen visade på ännu högre förekomst (0,075 kg/m3fub). Mest sten återfanns under barmarkssäsongen och mängden minskade med ökad snömängd. Det påvisades en statistiskt signifikant skillnad mellan barmark och snötäckt mark i kombination med användandet av underlag där det under perioden för barmark följde med mer sten än under den period det var snö. Utifrån resultaten kan man dra slutsatsen att det följer med mycket sten till industrierna samt att underlag gör skillnad och bör användas under barmarkssäsongen. Dock krävs det ytterligare studier för att utreda vad som påverkar förekomsten av sten, samt vilka ytterligare konsekvenser stenförekomsten resulterar i på industrierna.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.008 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.066 | 0.015 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".