Prediction of standard particleboard mechanical properties utilizing an artificial neural network and subsequent comparison with a multivariate regression model

Abstract

The physical properties (specific gravity, moisture content, thickness swelling and water absorption) and mechanical properties (internal bond strength, bending strength and modulus of elasticity) were determined on 93 Spanish-manufactured standard particleboards of different thicknesses selected randomly at the end of the production process. The testing methods of the corresponding European standards (EN) were used, except in the case of the thickness swelling and absorption tests, for which the Spanish UNE standard was used. The thickness and the values obtained for the physical properties were entered into an artificial neural network in order to predict the mechanical properties of the board. The fit was compared with the usual multivariate regression models. The use of a neural network made it possible to obtain the values of bending strength, modulus of elasticity and internal bond strength of the boards utilizing the known data, not only of thickness, moisture content and specific gravity, but also of thickness swelling and water absorption. The neural network proposed is much better adapted to the observed values than any of the multivariate regression models obtained.Key words: wood-based panels, physico-mechanical properties, ANN, regression fit, predictive model. ResumenPredicción de propiedades mecánicas del tablero de partículas estándar mediante una red neuronal artificial y comparación con un modelo de regresión multivariante Se han determinado las propiedades físicas (densidad, humedad, hinchazón en espesor y absorción de agua) y mecánicas (tracción perpendicular a las caras, resistencia a flexión y módulo de elasticidad) de 93 tableros de partículas estándar de diferentes espesores, de fabricación española, elegidos aleatoriamente a la salida del proceso de producción, utilizando los métodos de ensayo recogidos en las normas EN correspondientes, excepto en los ensayos de hinchazón y absorción que se ha utilizado norma UNE (española). El espesor y los valores obtenidos de las propiedades físicas han sido introducidos en una red neuronal artificial (RNA) para predecir las propiedades mecánicas del tablero. El ajuste se ha comparado con los habituales modelos de regresión multivariante. La utilización de una red neuronal ha permitido obtener los valores de resistencia a flexión, módulo de elasticidad y resistencia a la tracción perpendicular a las caras de los tableros de partículas a través de los datos conocidos, no sólo de espesor, humedad y densidad sino también de hinchazón en espesor y absorción de agua. La red neuronal propuesta tiene una adecuación a los valores experimentales muy superior a cualquiera de los modelos de regresión multivariante obtenidos.Palabras clave: tableros derivados de la madera, propiedades físico-mecánicas, RNA, ajuste por regresión, modelo predictivo.

Modeling of Compressive Strength Parallel to Grain of Heat Treated Scotch Pine (Pinus sylvestris L.) Wood by Using Artificial Neural Network

“…Artifi cial neural network has been widely used in many wood industries, such as in the wood identifi cation system (Tou et (Xu et al, 2007), in predicting fracture toughness of wood (Samarasinghe et al, 2007), in the evaluation of strength of wood timbers (Tanaka et al, 1996), in the prediction of bending strength and stiffness in western hemlock (Shawn et al, 2007), in the prediction of particleboard mechanical properties (Fernández et al, 2008), in the optimization of process parameter in a particleboard manufacturing process (Cook et al, 2000), in the detection of structural damage in medium density fi berboard panels (Long et al, 2008), in the prediction of modulus of rupture and modulus of elasticity of fl ake board (Yapıcı et al, 2009). It has also been applied to obtain the hygroscopic equilibrium points (Avramidis and Iliadis, 2005), to classify wood defects (Drake and Packianather, 1998), to determine the internal bond values of particleboard (Cook and Chiu, 1997;Fernandez et al, 2008), and in statistical process control in the manufacture of particleboard (Estaben et al, 2009b).…”

Uso de las Redes Neuronales Artificiales en el Modelado del Ensayo de Resistencia a Compresión de Concreto de Construcción según la Norma ASTM C39/C 39M

“…Así mismo, han sido ampliamente utilizadas para la obtención de las propiedades mecánicas de distintos materiales como el cemento (Yeh, 1998;Baykasoğ et al, 2004;Cladera y Marí, 2004a;Cladera y Marí, 2004b;Ozturan et al, 2008;Prasad et al, 2009;Bilim et al, 2009;Sarıdemir, 2009;Özcan et al, 2009;Başyigit et al, 2010;Yaprak et al, 2013) en los que se busca predecir la resistencia a la compresión después del proceso de curado a partir de datos iniciales; algunos metales (Malinov et al, 2001;Hassan et al, 2009;Ozerdem y Kolukisa, 2009;Reddy et al, 2009) o el basalto (Çanakci y Pala, 2007). Para el tablero de partículas también se han utilizado para predecir su cohesión interna a partir de parámetros de fabricación (Cook y Whittaker, 1992;Cook y Chiu, 1997) o sus propiedades mecánicas de resistencia a la flexión, módulo de elasticidad y resistencia interna a partir de ensayos físicos (García Fernández et al, 2008) a fin de predecir posibles fallos en la producción sin tener que esperar a realizar dichos ensayos mecánicos. En este estudio se ha modelado, a partir de dos tipos de redes neuronales artificiales, el ensayo a compresión de bloques cilíndricos de concreto a partir de los parámetros de fabricación.…”

Evaluation of different modeling approaches for total tree-height estimation in Mediterranean Region of Turkey

“…Artificial neural network models (ANNs) have been used widely in environmental sciences including the field of forest modeling. Maier and Dandy (2000) stated a review of neural network (NN) modeling issues and applications for the prediction and forecasting of water resources variables; Liu et al (2003) used neural network models (NNs) in classification of ecological habitats, Corne et al (2004) predicted forest attributes using NNs, Özçelik et al (2008) conducted a comparative study of NNs and standard methods for estimating tree bole volume, Fernández et al (2008) handled ANNs for the prediction of standard particleboard mechanical properties, Esteban et al (2009) utilized ANNs in wood identification, while Esteban et al (2011) employed ANNs for the prediction of plywood bonding quality. It is worth noting that the back-propagation algorithms are the one-quarter of total forest land in these country (Anonymous, 2006).…”