Prediction of standard particleboard mechanical properties utilizing an artificial neural network and subsequent comparison with a multivariate regression model;Predicción de propiedades mecánicas del partículas estándar mediante una red neuronal artifical y comparación con un modelo de regresión multivariante

Investigacion Agraria Sistemas y Recursos Forestales

Volumn 17, Issue 2, 2008, Pages 178-187

  Garcia Fernandez F ^a   Garcia Esteban L ^a   de Palacios, P ^a   Navarro, N ^b   Conde, M ^c  

^a UNIVERSIDAD POLITÉCNICA DE MADRID   (Spain)

^b UNIVERSIDAD POLITÉCNICA DE MADRID   (Spain)

^c UNIVERSITY OF CÓRDOBA   (Spain)

Author keywords

ANN; Physico mechanical properties; Predictive model; Regression fit; Wood based panels

Indexed keywords

EID: 65249191349     PISSN: 11317965     EISSN: None     Source Type: Journal    
DOI: 10.5424/srf/2008172-01033     Document Type: Article

References (52)

1. ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 1971. Tableros de partículas. Ensayos. Determinación de la hinchazón y de la absorción de agua por inmersión total. Standard UNE 56713. Madrid, España.
2. ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 1994a. Tableros derivados de la madera. Determinación del módulo de elasticidad en flexión y de la resistencia a la flexión. Standard UNE-EN 310. Madrid, España.
3. ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 1994b. Tableros de partículas y tableros de fibras. Determinación de la resistencia a la tracción perpendicular a las caras del tablero. Standard UNE-EN 319. Madrid, España.
4. ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 1994c. Tableros derivados de la madera. Determinación del contenido de humedad. Standard UNE-EN 322. Madrid, España.
5. ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 1994d. Tableros derivados de la madera. Determinación de la densidad. Standard UNE-EN 323. Madrid, España.
6. ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 1994e. Tableros derivados de la madera. Determinación de las dimensiones de las probetas. Standard UNE-EN 325. Madrid, España.
7. ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 1995. Tableros derivados de la madera. Muestreo e inspección. Parte 1: Muestreo y despiece de probetas y expresión de los resultados de ensayo. Standard UNEEN 326-1. Madrid, España.
8. ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 2001. Tableros derivados de la madera. Muestreo, despiece e inspección. Parte 2: Control de la calidad en fábrica. Standard UNE-EN 326-2. Madrid, España.
9. ASOCIACIÓN ESPAÑOLA DE NORMALIZACIÓN (AENOR), 2004. Tablero de Partículas. Especificaciones. Standard UNE-EN 312. Madrid, España.
10. AVRAMIDIS S., ILIADIS L., 2005a. Predicting wood thermal conductivity using artificial neural networks. Wood Fiber Sci 37(4), 682-690.
11. AVRAMIDIS S., ILIADIS L., 2005b. Wood-water sorption isotherm prediction with artificial neural networks: a preliminary study. Holzforschung 59, 336-341.
12. CAI Z., WU Q., LEE J., HIZIROGLU S., 2004. Influence of board density, mat construction, and chip type on performance of particleboard made from eastern red cedar. Forest Prod. J 54(12), 226-232.
13. COOK D.F., CHIU C.C., 1997. Predicting the internal bond strength of particleboard, utilizing a radial basis function neural network. Eng Appl Artif Intell 10(2), 171-177.
14. COOK D.F., MASSEY J.G., SHANNON R.E., 1991. A neural network to predict particleboard manufacturing process parameters. For Sci 5, 1463-1478.
15. COOK D.F., RAGSDALE C.T., MAJOR R.L., 2000. Combining a neural network with a genetic algorithm for process parameter optimization. Eng Appl Artif Intell 13, 391-396.
16. st Industrial Engineering Research Conference, Chicago, 20-21 May. pp. 209-211.
17. COOK D.B. WHITTAKER, A.D., 1993. Neural-network process modelling of a continuous manufacturing operation. Eng Appl Artif Intell 6, 559-564.
18. DE VEAUX R.D., UNGAR L.G., 1996. A brief introduction to neural networks. [en línea]. Disponible en http://www.williams.edu/mathematics/rdeveaux/pubs.html [Consulta: 27 marzo 2008].
19. DEMUTH H., BEALE M., HAGAN M., 2002. Neural Network Toolbox user's guide, version 4. Natick: The Mathworks Inc, MA 01760, USA. 808 pp.
20. DIAMANTOPOULOU M.J., 2005. Artificial neural networks as an alternative tool in pine bark volume estimation. Comput Electron Agric 48, 235-244.
21. DRAKE P.R., PACKIANATHER M.S., 1998. A decision tree of neural networks for classifying images of wood veneer. Int J Adv Manuf Technol 14, 280-285.
22. GARCÍA ESTEBAN L., GUINDEO A., PERAZA C., DE PALACIOS P., 2002. La madera y su tecnología. En: Tableros de partículas y de fibras. Fundación Conde del Valle de Salazar-Mundi Prensa-AITIM, Madrid, España. pp. 117-157.
23. GARCÍA FERNÁNDEZ F., GARCÍA ESTEBAN L., DE PALACIOS DE PALACIOS P., GUINDEO CASASÚS A., 2007. Use of an artificial neural network to differentiate the wood of Juniperus cedrusWebb & Bertel and Juniperus canariensis Guyot. Pan-American IAWA Meeting 2007, San Luis Potosi, México, July 15-20.
24. HAGAN M.T., DEMUTH H.B., BEALE M., 1996. Neural network design. PWS Pub Co, Boston, USA. 732 pp.
25. HALLIGAN A.F., SCHNIEWIND A.P., 1974. Prediction of particleboard mechanical properties at various moisture contents. Wood Sci Technol 8(1), 68-78.
26. HAYASHI K., OHMI M., TOMINAGA H., FAKUDA K., 2003. Effect of board density on bending properties and dimensional stabilities of MDF-reinforced corrugated particleboard. J Wood Sci 49, 398-404.
27. nd ed, New Jersey, USA. 842 pp.
28. HERNÁNDEZ-PÉREZ J.A., GARCÍA-ALVARADO M.A., TRYSTAM G., HEYD B., 2004. Neural networks for the heat and mass transfer prediction during drying of cassava and mango. Innovative Food Science and Emerging Technologies 5, 57-64.
29. HIRSCH R.P., 1991. Validation samples. Biometrics 47(3), 1193-1194.
30. ISASI P., GALVÁN I.M., 2004. Redes neuronales artificiales, un enfoque práctico. Pearson Educación, SA, Madrid, España. 229 pp.
31. JORDAN R., FEENEY F., NESBITT N., EVERTSEN J.A., 1998. Classification of wood species by neural network analysis of ultrasonic signals. Ultrasonic 36, 219-222.
32. KALOGIROU S., EFTEKHARI M., MARJANOVIC L., 2003 Predicting the pressure coefficients in a naturally ventilated test room using artificial neural networks. Build Environ 38, 399-407.
33. KELLY M.W., 1977. Critical literature review of relationships between processing parameters and physical properties of particleboard. Madison: USDA Forest Service Research Paper, FPL 10, Forest Products Laboratory, Wis 53705, USA. 70 pp.
34. KRAUSS G., KINDANGEN J.I., DEPECKER P., 1997 Using artificial neural networks to predict interior velocity coefficients. Build Environ 4, 295-303.
35. MALINOV S., SHA W., MCKEOWN J.J., 2001. Modelling the correlation between processing parameters and properties in titanium alloys using artificial neural network. Comput Mater Sci 21, 375-394.
36. MATHWORKS INC., 2002. Statistics toolbox user's guide, revised for version 4.1. Natick, MA 01760, USA.816 pp.
37. MCNATT J.D., 1974. Properties of particleboards at various humidity conditions. Madison: USDA Forest Service Research Paper, FPL 225, Forest Products Laboratory, Wis 53705, USA. 25 pp.
38. MIER R., GARCÍA DE CECA J.L., DÍEZ M.R., FERNÁNDEZ-GOLFÍN J.I., HERMOSO E., 2005. Aplicación de redes neuronales a la clasificación visual de madera estructural. Comparación con otros métodos de clasificación. IV Congreso Forestal Español, 26-30 Zaragoza.
39. MYHARA R.M., SABLANI S., 2001. Unification of fruit water sorption isotherm using artificial neural networks. Dry Technol 19(8), 1543-1554.
40. MYHARA R.M., SABLANI S., AL-ALAWI S.M., TAYLOR M.S., 1998. Water sorption isotherms of dates: modeling using GAB and artificial neural network approaches. Food Science and Technology - Lebensmittel- Wissenschaft & Technologie 31, 699-706.
41. NEMLI G., AYDIN I., ZEKOVIÇ E., 2007. Evaluation of some of the properties of particleboard as function of manufacturing parameters. Mater Des 28, 1169-1176.
42. NORDMARK U., 2002. Knot identification from CT images of young Pinus sylvestris sawlogs using artificial neural networks. Scand J Forest Res 17, 72-78.
43. PANCHARIYA P.C., POPOVIC D., SHARMA A.L., 2002. Desorption isotherm modeling of black tea using artificial neural networks. Dry Technol 20(2), 351-362.
44. PENG G., CHEN X., WU W., JIANG X., 2007. Modeling of water sorption isotherm for corn starch. J Food Eng 80, 562-567.
45. PÉREZ M.L., MARTÍN Q., 2003. Aplicaciones de las redes neuronales a la estadística. Cuadernos de Estadística. Ed La Muralla, SA, Madrid, España. 140 pp.
46. RAMÍREZ G., CHACÓN M.I., 2005. Clasificación de defectos en madera utilizando redes neuronales artificiales. Computación y Sistemas 9(1), 17-27.
47. SHA W., 2007. Comment on the issues of statistical modelling with particular reference to the use of artificial neural networks. Appl Catal A-Gen 324, 87-89.
48. SHA W., EDWARDS K.L., 2007. The use of artificial neural networks in materials science based research. Mater Des 6, 1747-1752.
49. SINGH T.N., SHINA S., SINGH V.K., 2007. Prediction of thermal conductivity of rock through physico-mechanical properties. Build Environ 42, 146-155.
50. TOMPOS A., MARGITFALVI J.L., TFIRST E., HÉBERGER K., 2007. Predictive performance of «highly complex » artificial neural networks. Appl Catal A-Gen 324, 90-93.
51. VITAL B.R., LEHMANN W.F., BOONE R.S., 1974. How species and board densities affect properties of exotic hardwood particleboards. Forest Prod J 24(12), 37-45.
52. WONG E.D., YANG P., ZHANG M., WANG Q., NAKAO T., LI K.F., KAWAI S., 2003. Analysis of the effects of density profile on the bending properties of particleboard using finite element method (FEM). Holz Als Roh-und Werkst 61, 66-72.