Classe D30/rejet
Le tableau 5.3 résume l’ensemble des indices de classement cités précédemment relatifs aux machines étudiées pour la classe D30/Rejet.
130 CHAPITRE 5: COMPARAISON DES CLASSEMENTS D30/Rejet Indices de classement Planches sous classées (%) Indice de justesse (%) Indice de justesse de la classe (%) Planches sur classées (%) Classement visuel 81 19 7 0
MOE vibratoire longitudinal basé sur la détection
automatique de la première fréquence de résonance 88 12 0 0 MOE vibratoire transversal sur chant basé sur la
détection manuelle de la première fréquence de résonance
24 75 73 1
Modèle vibratoire transversal basé sur la détection
manuelle des quatre premières fréquences de résonance 17 82 81 1
Modèle basé sur la seule mesure de l’ODF+ détection
des nœuds 12 86 86 1
Association de la mesure de l’ODF et du MOE vibratoire longitudinal basé sur la détection automatique de la première fréquence de résonance
24 74 73 2
Association de la mesure de l’ODF et du MOE vibratoire transversal sur chant basé sur la détection
manuelle de la première fréquence de résonance
12 86 86 1
Le classement visuel sous-classe 81 % des planches et seulement 19 % sont bien classées. Ces indices sont cohérents avec la littérature (Lanvin et al. 2007). Malgré la sécurité qu’offre ce classement (0 % de planches sur classées), le lot est très dévalorisé avec cette technique.
Le rendement des modèles basés sur les machines vibratoires est, quant à lui, variable. Il dépend de la technique employée. Le modèle basé sur la détermination du MOE vibratoire longitudinal à partir de la détection automatique de la première fréquence de résonance sous- classe 88 % des sciages et uniquement 12% des sciages sont bien classées. En réalité, il s’agit des 12 % de planches « bien rejetées » : aucune planche n’a été classée en D30 c’est-à-dire que la machine rejette tout le lot. Ce phénomène est dû à la présence de points aberrants engendrés par la détection automatique du premier pic de fréquence propre, ce qui créée la mauvaise corrélation entre les MOE vibratoire et statique (chapitre 3 section 3.1). En effet, en utilisant une détection manuelle du premier pic de fréquence propre, le résultat est différent avec un indice de sous-classement de 34 % soit une réduction de 54 points par rapport à une détection automatique. Aussi, l’indice de justesse de la machine est amélioré et atteint 63 % et 61 % des planches sont bien classées en D30, Néanmoins, ces résultats demeurent inférieurs à une machine à vibrations transversales sur chant où 24 % des planches ont été sous classées et l’indice de justesse de la machine atteint 75 % et 73 % des sciages ont été classées en D30, Le modèle développé à partir de cette machine, et basé sur les quatre premières fréquences de résonance, améliore davantage le niveau de classement avec un indice de justesse de 82 % et un indice de sous-classement de 17 %.
Le modèle basé sur la mesure de l’ODF offre le meilleur rendement en comparaison aux machines citées précédemment. Il permet d’atteindre un indice de justesse égal à 86 % et 86 % des planches ont été classées en D30, Le sous-classement est aussi réduit grâce à cette
CHAPITRE 5: COMPARAISON DES CLASSEMENTS 131 technique avec un indice de 12%. L’efficacité relative de cette méthode de mesure comparée aux autres techniques vibratoires et visuelle, est due au fait que le MOR est la variable discriminante entre une classe D30 et du rejet. Ainsi, le tableau 5.1 montre que le modèle basé sur la détection de l’ODF offre la meilleure prédiction du MOR même si le niveau de prédiction du MOE est moins bon qu’avec les autres techniques de mesure car le MOR est la variable discriminatoire dans ce classement. Cependant, une exception dans les méthodes vibratoires est à relever. Il s’agit du modèle basé sur la machine vibratoire transversale sur chant comprenant la détection des quatre premières fréquences de résonance. Bien que cette méthode conduit à une prédiction du MOR (R2 et RMSEC) proche de celle obtenue par mesure de l’ODF, cette dernière offre un niveau de classement plus élevé possiblement à cause de certains points prédits différemment et qui ont eu un impact lors du classement. En associant le vibratoire à la détection de l’ODF, aucun apport n’est constaté dans la classe D30/Rejet. Pour le lot étudié, l’analyse vibratoire est moins efficace que la mesure de l’ODF qui offre une meilleure précision de la prédiction du MOR.
Classe D24/Rejet
Le tableau 5.4 résume l’ensemble des indices de classement cités précédemment relatifs aux machines étudiées pour la classe D24/Rejet.
D24/Rejet Indices de classement planches sous classées (%) Indice de justesse (%) Indice de justesse de la classe (%) planches sur classées (%) Classement visuel 72 28 23 0
MOE vibratoire longitudinal basé sur la détection
automatique de la première fréquence de résonance 23 75 76 2 MOE vibratoire transversal sur chant basé sur la détection
manuelle de la première fréquence de résonance 3 96 97 1
Modèle vibratoire transversal basé sur la détection
manuelle des quatre premières fréquences de résonance 4 94 95 2
Modèle basé sur la seule mesure de l’ODF+ détection des
nœuds 8 90 91 2
Association de la mesure de l’ODF et du MOE vibratoire longitudinal basé sur la détection automatique de la
première fréquence de résonance
8 90 91 2
Association de la mesure de l’ODF et du MOE vibratoire transversal sur chant basé sur la détection manuelle de la
première fréquence de résonance
3 96 97 1,2
En allant vers des classes plus basses, le rendement du classement visuel s’améliore avec un indice de justesse de 28 % et 23 % des planches bien classées en D24. Néanmoins, une quantité importante des sciages est sous classée soit 72 % de la quantité totale des sciages. Cette méthode est par conséquent très peu efficace pour la classe D24/Rejet.
Concernant les méthodes vibratoires, le classement basé sur la détermination du MOE vibratoire longitudinal à partir de la détection automatique de la première fréquence de résonance conduit à un indice de justesse de la machine égal à 75 % et 76 % des planches sont
132 CHAPITRE 5: COMPARAISON DES CLASSEMENTS
bien classées en D24. Ces taux sont meilleurs que ceux affichés pour la classe D30, Le sous- classement a été aussi réduit avec 23 % de planches sous classées.
Le classement basé sur la détermination du MOE vibratoire transversal sur chant basé sur la détection manuelle de la première fréquence de résonance présente un indice de justesse de la machine égal à 96 % et 97 % des planches ont été bien classées en D24. Le taux de sous- classement est de 3 %. L’efficacité de cette machine est surprenante mais ce résultat est discutable comme nous allons le voir dans la partie suivante. L’exploitation complémentaire des harmoniques n’est pas profitable dans ce cas (D24/Rejet).
La justesse du modèle basé sur la mesure de l’ODF demeure, elle, quasi constante par rapport au classement D30/Rejet, avec un indice de justesse de la machine égal à 90 % et 91 % des planches bien classées en D24. Le taux de sous-classement est de 8,4 %. Ces résultats sont donc inférieurs à la méthode vibratoire transversale sur chant basée sur la détection manuelle de la première fréquence de résonance. En associant le vibratoire à la détection de l’ODF, aucun apport n’est constaté pour la classe D24/Rejet.
Classe D18/Rejet
Le tableau 5.5 résume l’ensemble des indices de classement cités précédemment relatifs aux machines étudiées pour la classe D18/Rejet.
D18/Rejet Indices de classement planches sous classées (%) Indice de justesse (%) Indice de justesse de la classe (%) planches sur classées (%) Classement visuel 53 47 46 0
MOE vibratoire longitudinal basé sur la détection automatique
de la première fréquence de résonance 4 95 96 2
MOE vibratoire transversal sur chant basé sur la détection
manuelle de la première fréquence de résonance 1 99 99 1
Modèle vibratoire transversal basé sur la détection manuelle
des quatre premières fréquences de résonance 1 98 99 1
Modèle basé sur la seule mesure de l’ODF+ détection des
nœuds 6 94 94 1
Association de la mesure de l’ODF et du MOE vibratoire longitudinal basé sur la détection automatique de la première
fréquence de résonance
3 96 97 1
Association de la mesure de l’ODF et du MOE vibratoire transversal sur chant basé sur la détection manuelle de la
première fréquence de résonance
2 98 98 1
Le classement visuel devient un peu plus efficace pour la classe D18/Rejet (indice de justesse égal à 47 % et 46 % des planches bien classées en D18). En réalité, les planches qui seraient classées en D30 et D24 sont ajoutées à celles qui seraient classées en D18, formant ainsi un effectif plus grand et améliorant les indices de justesse. Le sous-classement est de 53 %, ce qui demeure très grand par rapport aux classements machines. Le sur-classement est quant à lui nul.
En revanche, les classements machines sont tous efficaces avec des indices de justesse supérieurs à 93 %. Ce résultat, que l’on commençait à entrevoir avec la classe D24/rejet, est
CHAPITRE 5: COMPARAISON DES CLASSEMENTS 133 surprenant car il apparaît que les machines inefficaces sur les classes supérieures (exemple du vibratoire longitudinal en D30) deviennent très performantes en D18. Ces résultats peuvent être contestés à cause de l’échantillonnage qui contient une quantité importante de sciages avec des propriétés de résistances mécaniques plus adaptées à des classes supérieures à D24. Ce phénomène s’explique bien avec la figure 5.3 : le seuil d’IPMOR défini par la méthode de classement en D18/Rejet est très bas, autorisant la quasi-totalité des planches à être classées en D18. Ce seuil bas autorise un nombre important de planches sur-classées tout en respectant les conditions de la norme. Ceci est dû au fait que le critère de la norme est un fractile à 5 % (16,07 MPa pour le classement par machine en D18), le seuil à respecter est donc relatif à la distribution de la population du lot. Dans notre cas, les valeurs de MOR supérieures à la borne sont très majoritaires et donc le critère sur la valeur caractéristique du MOR est aisément satisfait même avec un seuil IPMOR bas.
Ainsi, les résultats de classement dépendent fortement de la distribution de la population du lot étudié, et cette distribution a une influence différente sur chaque classe. On peut imaginer que si les classements avaient été calculés à partir d’un lot de meilleure qualité que dans cette étude (donc un pourcentage important de MOR élevés), toutes les machines auraient également un excellent rendement en D24 et D30, A l’inverse, en partant d’un lot de moindre qualité, des différences entre machines auraient été plus sensibles pour la classe D18/Rejet.
Figure 5.3 : Illustration du seuil IPMOR et de la borne du MOR relative à la classe D18
134 CHAPITRE 5: COMPARAISON DES CLASSEMENTS