Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników

Znaleziono wyników: 2

Liczba wyników na stronie
first rewind previous Strona / 1 next fast forward last
Wyniki wyszukiwania
Wyszukiwano:
w słowach kluczowych:  fibre length
help Sortuj według:

help Ogranicz wyniki do:
first rewind previous Strona / 1 next fast forward last
EN
An automatic fibre size analyser - KajaaniFiberLab was used in studies designed to examine and analyse the genetic basis of fibre size variability. Fast and accurate measurement in accordance with the standards may, however, give incorrect results due to errors associated with the multi-staged maceration of wood samples to obtain disintegrated fibre water suspension. Errors in fibre size estimation may occur throughout studies of the increment cores of living trees. Nevertheless the results obtained from the Kajaani analyser allow for the estimation of fibre sizes (length, width and cell wall thickness) with a precision comparable to that in studies using traditional measurement techniques, which is why these results may be used to estimate genetic parameters of the traits mentioned - heritability and genetic correlation. Such parameters are applied when making decisions concerning the management of forest stands and plantations of fast-growing trees. On the basis of the results of measurements of the biometric parameters of fibres, we obtained high values of genetic parameters (heritability and genetic correlations) for the traits of the European larch analysed. Those results allow for the achievement, with a high level of probability,of the breeding objective through selection directed at the improvement of the properties of timber produced in plantations of fast-growing trees.
PL
Wymiary włókien, są obok zawartości celulozy, lignin i hemicelulozy, jedną z najważniejszych cech drewna przetwarzanego w procesie produkcji papieru. Analizator KajaaniFiberLab 1.3, obok klasycznych badań właściwości papieru, umożliwia przeprowadzenie analiz pod kontem genetycznych uwarunkowań zmienności właściwości drewna istotnych dla produkcji przemysłowej papieru analizator wykorzystuje spolaryzowane światło laserowe do obrazowania włókien za pomocą wysokiej rozdzielczości kamery CCD. Cyfrowa technika obrazowania pozwala przeprowadzić pomiary wymiarów elementów anatomicznych drewna. Zastosowanie tej metodyki umożliwia dokonywanie pomiarów w czasie przepływu zawiesiny włókien przez kapilarne rurki analizatora. Podczas badań zmienności struktury drewna modrzewia europejskiego, określono genetyczne podłoże kształtowania się wymiarów włókien. Określono kluczowe parametry genetyczne dla długości i szerokości włókien, jak również grubości ściany komórkowej włókien.
EN
The main objective of the work presented was to determine the possibility of the prediction of paper properties based on refined chemical pulp properties using the neural network approach. Three main parameters related to basic refining effects were used: pulp and fibre WRV, the amount of fines and the average fibre length. These parameters were used for prediction of the following paper parameters: apparent density, breaking length and tear resistance. The classical multilayer perceptron with one hidden layer was used. The number of inputs and outputs was related to that of input and output variables. The size of the hidden layer (number of hidden neurons) was determined experimentally. The Levenberg-Marquardt algorithm was used as a training method. The available dataset was divided into two groups: 90% of experimental results were applied as training data and 10% for model verification. As a result of the trials conducted, a satisfactory level of the correlation between simulation data and experimental data was obtained. Results allow to presume that the method presented could be adapted for other papermaking pulp grades as a general control system in the industrial refining process. In such a case, the accuracy of the presented method could be even higher because of the large number of data available on-line. These data could be used as in a real-time training procedure, which would significantly improve the precision of the whole system. The lack of other effective methods of paper property prediction makes the method proposed an attractive solution to the problem presented.
PL
Celem pracy było określenie potencjalnych możliwości przewidywania właściwości papieru na podstawie właściwości zmielonej masy papierniczej z użyciem sieci neuronowej. Jako dane wejściowe wybrano cztery, najbardziej istotne z technologicznego punktu widzenia wskaźniki, które odpowiadają trzem podstawowym efektom mielenia masy papierniczej. Były to: WRV włókien,WRV masy, średnia długość włókien i zawartość frakcji drobnej w mielonej masie papierniczej. Na tej podstawie podjęto próbę jednoczesnego przewidywania następujących właściwości papieru: gęstości pozornej, wskaźnika odporności na zerwanie i oporu przedarcia. Wykorzystano klasyczną sieć neuronową TLN wielowarstwowy perceptron z jedną warstwą ukrytą. Ilość neuronów na wejściu i wyjściu odpowiadała ilości danych wejściowych (wskaźniki efektów mielenia masy papierniczej) i wyjściowych (właściwości papieru). Wielkość warstwy ukrytej dobrano eksperymentalnie. Jako metodę treningową zastosowano metodę Levenberga-Marquardt’a. Z ogólnego zbioru danych, 90% wydzielono jako dane treningowe, zaś 10% jako zbiór testowy, służący weryfikacji procesu treningowego. W wyniku przeprowadzonych badań otrzymano zadowalający poziom zgodności wyników symulacji z danymi eksperymentalnymi. Wyniki wskazują że zaproponowana technika może być zastosowana także do innych rodzajów mas włóknistych, szczególnie, że w procesie przemysłowym liczba dostępnych wyników, które mogą posłużyć jako dane treningowe, jest znacznie większa. Wobec braku kompleksowych i sprawdzonych modeli matematycznych, zaproponowany model stanowi jedno z możliwych rozwiązań opisywanego problemu.
first rewind previous Strona / 1 next fast forward last
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.