Optimisation du blanchiment au peroxyde d’hydrogène de la pâte thermomécanique en milieu alcalin
Bibliographic record
Abstract
Différents types de papiers sont produits dans les usines de pâtes et papiers tels que papier journal, papier couché, papiers-mouchoirs, essuie-tout, papier d’édition et papier surcalandré. Les usines de pâtes et papier au Québec, peuvent produire annuellement plusieurs centaines de tonnes de papier surcalandré à valeur ajoutée. Destiné en majorité à l’impression d’encarts publicitaires, ce papier calandré demande des caractéristiques supérieures de blancheur.Le procédé de blanchiment de la pâte au peroxyde d’hydrogène est très coûteux et représente une partie importante du coût de production du papier. Ce coût est directement relié à de nombreux facteurs tels que l’efficacité de lavage des presses à double toiles, la charge en peroxyde, l’alcalinité de la liqueur de blanchiment, le peroxyde résiduel, la consistance de la pâte, la température du blanchiment et le temps de rétention de pâte dans la tour de blanchiment. Les procédés de blanchiment des usines ne sont pas toujours entièrement optimisés, ce qui occasionne une augmentation du coût du blanchiment. La qualité de la pâte est ainsi compromise par la mauvaise performance d’une ou de plusieurs étapes du procédé de blanchiment. Les problèmes de blanchiment sont spécifiques à chaque usine parce que le procédé et les équipements utilisés sont différents. L’objectif du présent travail de recherche visait à optimiser plusieurs paramètres du procédé de blanchiment afin de réduire les coûts de production. Nous nous sommes intéressé(e)s particulièrement à la production d’un papier surcalandré de haute blancheur, à l’optimisation du blanchiment au peroxyde en milieu alcalin et au rendement de blancheur en fonction du coût total. Afin d’atteindre notre objectif, dans une première phase nous avons élaboré un modèle à partir d’un réseau de neuronal puis à partir de celui-ci nous avons calculé les coûts et la blancheur pour tous les essais possibles. Dans une seconde phase, nous avons validé le modèle construit à partir des résultats expérimentaux. Ce modèle a permis de prédire la blancheur obtenue ainsi que le coût total du blanchiment, incluant le coût engendré par la perte de rendement. Ainsi, ce modèle pourrait devenir un outil pertinent pour optimiser le blanchiment du papier et réduire les coûts de production du papier calandré.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| 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 | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.203 | 0.000 |
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 teacher head, 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".