Modélisation et prédiction du séchage à l'air libre du bois d'œuvre
Bibliographic record
Abstract
Le séchage à l'air libre du bois d'œuvre est une bonne stratégie à adopter pour un scieur. Il permet de réduire les coûts reliés au séchage et d'augmenter la capacité de séchage d'un site, tout en améliorant la qualité finale des produits. Il peut être utilisé comme stratégie de séchage complet ou bien comme pré-séchage à l'air libre avant de passer aux séchoirs conventionnels. Cependant, il demande un suivi manuel et une gestion de l'inventaire qui peuvent être exigeants sans outil automatisé. En réponse à cet enjeu, l'utilisation d'un modèle de simulation du séchage du bois est justifiée. En combinaison avec une station météorologique, le modèle étudié (FPdrySim) pourrait être utilisé en temps réel. L'objectif général de cette étude est donc de déterminer si l'ajout de données météorologiques (température sèche, température humide, vitesse et direction du vent, pluie et rayonnement solaire) dans FPdrySim pourrait lui permettre de prédire la teneur en humidité du bois pendant son séchage à l'air. Dans l'éventualité que ses prédictions soient justes, le simulateur pourrait être utilisé comme outil automatisé d'aide à la décision et de gestion de l'inventaire, pour la formation des lots de séchage et l'optimisation de l'homogénéité des lots à l'entrée des séchoirs. Deux séries d'essais ont été menées aux mois de mai et d'août 2022. Ces essais ont eu pour objectif de suivre le séchage à l'air libre de paquets de sapin baumier et d'épinette blanche pendant quatre semaines, dans des conditions météorologiques d'entreposage monitorées. Les coefficients de détermination globaux calculés entre la prédiction du modèle et la teneur en humidité moyenne réelle sont de 0,83 et de 0,94 pour les essais du mois de mai et d'août respectivement. La prédiction sur la distribution de la teneur en humidité pourrait être améliorée. Néanmoins, les résultats sont favorables à la continuation du projet vers une étape subséquente de plus grande échelle.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.010 | 0.014 |
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; both teacher heads agree on what is shown here.
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".