نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد صنایع چوب و کاغذ، دانشکده منابع طبیعی، دانشگاه تهران

2 استاد گروه صنایع چوب و کاغذ، دانشکده منابع طبیعی، دانشگاه تهران

3 استاد یار گروه صنایع چوب و کاغذ، دانشکده منابع طبیعی، دانشگاه تهران

چکیده

این تحقیق با هدف تعیین نوع معادله مناسب برای توضیح اثر متقابل اندازه ذرات و درصد چسب و همچنین پیش­بینی خواص مکانیکی تخته خرده چوب انجام شد. بدین منظور از سه سطح دانسیته 65/0، 7/0، g/cm3 75/0 و سه سطح درصد چسب 8، 5/9 و 11% و چهار سطح ضریب کشیدگی 35/46،7/33 ،51/21 و 87/12 استفاده شد. معادله مربوط به هر یک از خواص مکانیکی بر اساس سه متغیرمستقل درصد چسب، دانسیته و ضریب کشیدگی به روش رگرسیون چند متغیره با نرمافزار 9Shazam به سه صورت خطی، درجه دو و نمایی بدست آمدند. براساس تحلیل نرم‌افزار و مقدار (P-Value)، در سطح یک درصد معادله درجه دو برای هیچکدام از ویژگی‌های مکانیکی تخته‌خرده چوب معنی‌دار نشد، ولی معادلات خطی و نمایی معنی‌دار شدند. نتایج بدست آمده همچنین نشان داد که معادله نمایی نسبت به معادله خطی هم اثر متقابل اندازه ذرات و درصد چسب را بهتر توصیف کرده و هم خواص مکانیکی تخته­خرده چوب را با درصد خطای کمتری پیش‌بینی می‌کند.

کلیدواژه‌ها

موضوعات

- دوست حسینی، ک.، 1379، فناوری تولید و کاربرد صفحات فشرده چوبی ، انتشارات دانشگاه تهران، 648.
- کارگرفر، ا.، دوست حسینی، ک.، و نوربخش، ا.، 1378. استفاده از مدل­های رگرسیونی برای پیش­بینی ویژگی­های تخته­ خرده چوب . دو فصلنامه علمی- پژوهشی تحقیقات علوم چوب و کاغذ ایران ،23 (10): 11-1
–Andre, N., Hyun, C., Seung, B., and Young, T, (2008). prediction of internal bond strength in a medium density fiberboard process using  multivariate statistical methods and variable selection, Wood Science Journal,42:521- 534.
 
-Cook, D.E,. and Chiu, C. C., (1997) Predicting the Internal Bond Strength of Particleboard, Utilizing a Radial Basis Function Neural Network. Engng Applic. Artif.  lnteU. Vol. 10, No. 2, pp.  171-177.
 
-Fernández, G.F., Esteban L.G., DE Palacios P., Navarro N., Conde M., 2008b. Prediction of standard particleboard mechanical properties utilizing an arti ficial neural network and subsequent comparison with a multivariate regression model. Invest. Agrar. Sist. Rec. For. 17(2), 178-187.
-Groves, CK .)1998(. A new method for measuring resin distribution in OSB. Technical Report, Forintek Canada Corp. pp 58.
-Hoover, W.L. Hunt, M.O. Lattanzi, R.C. Bateman, J.H. Youngquist, J.A.(1992). Modeling Mechanical Properties of Single-Layer, Aligned, Mixed Hardwood Strand Panels.  For. Prod. J., 42, 12-18.
-Lehmann, W.F.(1974). Properties of structural particleboards. For. Prod. J., 24, 19-26.
-Lin, H, C., and Huang J, C,. (2004) Using Single Image Multi-Processing Analysis Techniques to Estimate the Internal Bond Strength of Particleboard. Taiwan J For Sci 19(2): 109-17, 2004.
-Kate, E. S., and Smith, G. D., (2006) Prediction of internal bond strength in particleboard from screw withdrawal resistance models. Wood and Fiber Science, 38(2), 2006, pp. 256 – 267.
-Esteban, L, G., and  (2009) Artificial neural networks in variable process control: application in particleboard manufacture Investigación Agraria: Sistemas y Recursos Forestales 2009 18(1), 92-100.
-Mackerle,J., (2005).  Finite element analyses in wood research: a bibliography Wood Sci Technol 39: 579–600.
-Maloney, T, M., (1977). Modern particleboard and dry process fiberboard manufacturing, Miller Freeman Publications, San Francisco, CA. 672 pp.
 
-Nirdosha, G, Setung, S, (2006). Formulation and process modeling of particleboard production using Hardwood saw mill wastes using experimental desings . Composite Structures 75: 520 – 525.