AI Summary & Key Takeaways
AI InsightThe results show that linear modeling and ANN can provide accurate elasticity prediction for Turkish Red Pine lumber coming from different logs.
📌 3 Key Takeaways
Abstract
In this study, elasticity of Turkish Red Pine (Pinus brutia Ten.) lumbers was predicted using lineer modeling and artificial neural networks (ANN). The lumber samples represent 30-80 years old red pine trees harvested from a south west site in Turkey. Natural frequency values of lumbers in 38 mm x 89 mm in cross section and 3 meters in length were measured by stress wave device. Linear modeling and ANN were evaluated by employing several optimization techniques using some physical measurements from the logs and lumbers. Static elasticity values of the lumbers were determined using three point bending tests. Coefficients of determination between measured and predicted MOE's for linear modeling and ANN were 0.87 and 0.91, respectively. Among the ANN models studied the model which uses visual classes, density, width, annual ring width, moisture content, and natural frequency as inputs gave the highest coefficient of determination of 0.91. The results show that linear modeling and ANN can provide accurate elasticity prediction for Turkish Red Pine lumber coming from different logs.
Özet
Bu çalışmada Kızılçam kerestesinde elastikiyet modülü (EM) doğrusal modelleme ve yapay sinir ağları (YSA) metotları kullanılarak tahmin edilmiştir. Kereste örnekleri Türkiye'nin güneyinden 30-80 yaşlarında kesilen kızılçam ağaçlarından elde edilmiştir. 3 metre boyunda 38 x 89 mm enine kesitteki kerestelerin doğal frekans değerleri stres dalga aygıtıyla belirlenmiştir. Doğrusal modelleme ve YSA kereste ve tomruklardan elde edilen bazı fiziksel ölçümler ile doğal frekans kullanılarak farklı optimizasyon teknikleri ile değerlendirilmiştir. Kerestelerin (EM) değerleri aynı zamanda laboratuvar ortamında 3-nokta eğilme testi ile belirlenmiştir. Doğrusal modelleme ve YSA kullanılarak tahmin edilen EM ile ölçülen EM değerleri arasında bulunan regresyon katsayıları sırasıyla 0.87 ve 0.91'dir. Geliştirilen YSA modelleri arasında görsel sınıf, yoğunluk, kereste genişliği, yıllık halka genişliği, rutubet miktarı ve doğal frekansı kullanan model en yüksek regresyon katsayısını vermiştir. Çalışma sonuçlarına göre farklı tomruklardan elde edilen kerestelerde EM doğrusal modelleme ve YSA kullanılarak yüksek hassasiyette tahmin edebilir.