Prediksjon av vankant på plank ved hjelp av data fra automatmåling

Bergene Holm avd. Haslestad er et relativt stort sagbruk i norsk sammenheng som produserer det meste innenfor trelast. Der har man observert en betydelig andel planker med vankant på midten. Dette er et problem fordi det fører til at de enten må kløves til mindre bord eller vrakes. Formålet med denne studien var å redusere denne andelen plank med vankant. Datagrunnlaget består av ca 1000 tømmerstokker. Disse ble først målt av ei automatisk måleramme, noe som gav informasjon om fysiske trekk for hver enkelt stokk. Etter dette ble plankene fra disse stokkene visuelt bedømt om de hadde vankant på midten eller ikke. Basert på dette datagrunnlaget kom det frem at avsmalning og pilhøyde er de to forklaringsvariablene som i størst grad påvirker sannsynligheten for vankant. Økende avsmaling reduserer, mens økende pilhøyde øker sannsynligheten for vankant. I tillegg ble det også vist at med økende lengde og relativ diameter så reduseres sannsynligheten. Alle de nevnte forklaringsvariablene var signifikante. Ut fra dette ble det konstruert fire forskjellige modeller som predikerte sannsynligheten for vankant. Samtlige er basert på logistisk regresjonsanalyse. Det som skiller modellene fra hverandre er antall forklaringsvariabler. Modellene ble definert slik at ved en sannsynlighet større enn 0,50 så predikeres vankant, mens under 0,50 så predikeres ikke-vankant på plankene. For å validere modellene ble predikert vankant sammenlignet med observert vankant. Denne valideringen viste at det er stor forskjell mellom den beste (Modell IV), og den dårligste modellen (Modell I). Den beste vil kunne redusere andelen tømmerstokker som får vankant på plankene fra 14,2 til 8,3 prosent, noe som tilsvarer en nedgang på ca 40 prosent. Den dårligste modellen vil tilsvarende kunne redusere denne andelen til 11,1 prosent, en nedgang på ca 22 prosent. Ulempen med begge modellene er at de uriktig vil estimere vankant på henholdsvis 7,1 og 3,4 prosent av totalt antall stokker. Bergene Holm Dept. Haslestad is a big sawmill in the Norwegian context. The sawmill is producing all kinds of timber products. On the planks from the sawmill a significant proportion is observed with wane in the middle. This is a problem because it means that those planks either need to be cleaven into smaller boards or rejected. The purpose of this study has been to reduce the percentage of planks with wane. The data consists of about 1000 logs. These logs were first measured by an automatic measuring frame giving information about the physical features of each log. Then the planks from these logs where visually judged for whether they had wane in the middle or not. Based on these data, it emerged that the taper and bow height (long crook) are the two explanatory variables that mostly affect the likelihood of wane. Increasing taper reduce, while increasing bow height increases the likelihood of wane. In addition, it was also demonstrated that increasing length and relative diameter reduced the likelihood. All the aforementioned explanatory variables were significant. From these results four different models were constructed. All of them predicted the likelihood of wane. All the models are based on logistic regression analysis, the models differ from each other only by the number of explanatory variables. The models were set up so that at a probability greater than 0.50, they would predict wane. While under 0.50 they predicted non-wane on the planks. In order to validate the models, predicted wane were compared to observed wane. This validation showed that there is a big difference between the best (Model IV), and the weakest model (Model I). The best model will be able to reduce the proportion of logs that get wane on the planks from 14.2 to 8.3 percent. This corresponds to a decrease of about 40 percent. The poorest will model correspondingly reduce this percentage down to 11.1 percent. This is a decrease of about 22 percent. The disadvantages of both models are that they will incorrectly estimate wane on respectively 7.1 and 3.4 percent of the total number of logs.