[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-125627-es":3,"doc-seo-125627-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},125627,549768064622,"Anda","https://ap-avatar.wpscdn.com/davatar_6f874abed73319feea01a86fa6f0fab8",41,"Investigación e Informes","Un enfoque de Machine Learning para la predicción de la calidad de tableros contrachapados - Resumen y metodología de modelos","El texto aborda la toma de decisiones en procesos industriales de la fabricación de tableros, donde la calidad depende de múltiples variables, especialmente la variabilidad de la madera y la adherencia entre chapas o la resistencia a la tracción perpendicular. El estudio evalúa un enfoque de Machine Learning para predecir la adherencia en condiciones reales durante la etapa de encolado y pre-prensado. Se emplea Knowledge Discovery in Databases para evaluar Redes Neuronales Artificiales y Máquina de Soporte Vectorial. Se reporta mejor rendimiento con Sigmoid (accuracy > 66%, precisión cercana al 70%) y con Relu (recall > 74%), destacando la viabilidad del uso de datos industriales y la necesidad de un pretratamiento adecuado.","Maderas-Cienc Tecnol 25(2023):34, 1-30  \nAhead of Print: Accepted Authors Version  \n6  \n7 2Universidad del Bío-Bío, Facultad de Ingeniería, Departamento Ingeniería en Maderas, Concepción, Chile. [https://orcid.org/0000-0001-9498-6373](https://orcid.org/0000-0001-9498-6373)  \n91011 Recibido: Junio 24, 2022  \n12 Aceptado: Abril 25, 2023  \n13 Posted online: Abril 26, 2023  \n14  \n15 RESUMEN  \n16 Dado el impacto que tiene en la productividad y en la reducción de costos, la toma de decisiones es uno de  \n17 los aspectos más requeridos en la industria. En la fabricación de tableros, la calidad del producto es función  \n18 de múltiples variables, especialmente de la variabilidad de la madera. Esta calidad depende, entre otros 19 factores, de la adherencia entre chapas o resistencia a la tracción perpendicular. El objetivo principal de este 20 estudio fue evaluar un enfoque de Machine Learning, esto es modelos de aprendizaje automático, que 21 permitan predecir la adherencia bajo condiciones de operación industrial, en la etapa de encolado y pre- 22 prensado. Las principales variables de control que determinan esta adherencia son los tiempos operacionales, 23 la cantidad de adhesivo, las condiciones ambientales y la temperatura en la chapa. Usando la metodología 24 de analítica de datos Knowledge Discovery in Databases, se evaluaron algoritmos de Redes Neuronales 25 Artificiales y Máquina de Soporte Vectorial. Se obtuvieron buenos resultados al usar las funciones Relu y 26 Sigmoid. La función Sigmoid entregó mejores resultados de acierto global (accuracy sobre el 66 %) y 27 precisión en encontrar resultados correctos (casi 70 %) . Al usar la función Relu se obtuvó un mejor recall 28 (sobre el 74 %), lo que muestra su buena aptitud para identificar la realidad. Estos resultados muestran la 29 viabilidad de usar inteligencia artificial en la predicción de procesos complejos. Muchos espacios de mejora 30 se abren con un adecuado pretratamiento de las variables de proceso a objeto de obtener mejores resultados.  \n31 El aporte de este trabajo radica en la definición de una metodología a ser usada en plantas industriales, en 32 particular en la fabricación de tableros contrachapados, y en mostrar la factibilidad del uso de datos 33 industriales y Machine Learning en la predicción de la calidad del producto.  \n34 Palabras claves: Algoritmos, aprendizaje supervisado, industria de la madera, ingeniería de datos, modelos  \n35 predictivos.  \n36  \n1 DOI:10 .4067/S0718-221X2023005XXXXXX  \n2 UN ENFOQUE DE MACHINE LEARNING PARA LA PREDICCIÓN DE LA CALIDAD DE  \n3 TABLEROS CONTRACHAPADOS  \n4 Cynthia Urra-González1*, Mario Ramos-Maldonado2  \n5 1Universidad del Bío-Bío, Facultad de Ingeniería, Departamento Ingeniería Industrial, Concepción, Chile.  \n[https://orcid.org/0000-0003-3899-5499](https://orcid.org/0000-0003-3899-5499)  \n8    \n*Autor de correspondencia: [cynthia.urra1501@alumnos.ubiobio.cl](cynthia.urra1501@alumnos.ubiobio.cl)  \nMaderas-Cienc Tecnol 25(2023):34, 1-30  \nAhead of Print: Accepted Authors Version  \n38 ABSTRACT  \n39 Because of the impact on productivity and cost reduction, decision making in industrial processes is one of  \n40 the most required aspects in the industry. Specifically in the panel industries, product quality depends on  \n41 multiple variables, especially wood variability. Among other factors, quality depends on the adhesion of  \n42 veneers or perpendicular tensile strength. The main objective of this study was to evaluate a Machine  \n43 Learning approach to predict the adhesion under industrial conditions in the gluing and pre-pressing stage.  \n44 The control variables that determine this adhesion are mainly: operational times, amount of adhesive, 45 environmental conditions, and veneer temperature. Using Knowledge Discovery in Databases data analytics  \n46 methodology, Artificial Neural Networks and Support Vector Machine were evaluated. Sigmoid activation  \n47 function was used with 3 hidden layers and 245 neurons. In ","cbCaicnv7b2b3lVJ","https://ap.wps.com/l/cbCaicnv7b2b3lVJ","pdf",795096,2,1,30,"Spanish","es",110,"# Resumen\n## Objetivo y variables de control\n## Metodología y modelos evaluados\n## Resultados y aportes\n# Introducción\n## Desafíos del análisis estadístico tradicional\n## Motivación del aprendizaje automatizado","[{\"question\":\"Cuál es el objetivo principal del estudio sobre tableros contrachapados?\",\"answer\":\"Evaluar un enfoque de Machine Learning para predecir la adherencia entre chapas bajo condiciones de operación industrial durante el encolado y el pre-prensado.\"},{\"question\":\"Qué variables de control determinan la adherencia según el documento?\",\"answer\":\"Los tiempos operacionales, la cantidad de adhesivo, las condiciones ambientales y la temperatura en la chapa.\"},{\"question\":\"Qué modelos y funciones de activación se evaluaron y qué rendimiento mostraron?\",\"answer\":\"Se evaluaron Redes Neuronales Artificiales y Máquina de Soporte Vectorial; con Sigmoid se obtuvo accuracy global superior a 66% y precisión cercana al 70%, mientras que con Relu se logró un recall superior al 74%.\"}]","Un enfoque de Machine Learning para la predicción de la calidad de tableros contrachapados - Resumen y metodología de modelos | PDF",1785900298,46,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"a-machine-learning-approach-for-predicting-the-quality-of-plywood-panels-summary-and-modeling-methodology","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/es/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/es/document/investigación-e-informes/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/a-machine-learning-approach-for-predicting-the-quality-of-plywood-panels-summary-and-modeling-methodology/125627/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-16","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Cuál es el objetivo principal del estudio sobre tableros contrachapados?","Question",{"text":76,"@type":77},"Evaluar un enfoque de Machine Learning para predecir la adherencia entre chapas bajo condiciones de operación industrial durante el encolado y el pre-prensado.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué variables de control determinan la adherencia según el documento?",{"text":81,"@type":77},"Los tiempos operacionales, la cantidad de adhesivo, las condiciones ambientales y la temperatura en la chapa.",{"name":83,"@type":74,"acceptedAnswer":84},"Qué modelos y funciones de activación se evaluaron y qué rendimiento mostraron?",{"text":85,"@type":77},"Se evaluaron Redes Neuronales Artificiales y Máquina de Soporte Vectorial; con Sigmoid se obtuvo accuracy global superior a 66% y precisión cercana al 70%, mientras que con Relu se logró un recall superior al 74%.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,125,129],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":97,"slug":124},42,"Religión y Espiritualidad","religion-spirituality",{"id":126,"doc_module":4,"doc_module_name":47,"category_name":127,"show_sort_weight":97,"slug":128},40,"Salud y Atención Médica","healthcare",{"id":130,"doc_module":4,"doc_module_name":47,"category_name":131,"show_sort_weight":97,"slug":132},24,"Tecnología","technology"]