Så kan skördardata ge information om fukthalt och flisegenskaper

Svensk skogsindustri verkar på en global marknad med hög konkurrens där svenska företag relativt sett har en nackdel av högt kostnadsläge för råvara och arbetskraft. Genom att i stället satsa på kunskaps- och informationsövertag om variationen i den skogliga råvaran, styrkor och svagheter i olika skogars råvaruegenskaper, effektiv mät- och prediktionsteknik samt smart automatisering, kan svensk processindustri öka det sammanlagda produktionsvärdet. Detta ger förutsättningar att öka graden av kundorientering och resurseffektivitet.

Utvecklad processintegration skog-industri (styrning av skörd i skogen kopplad direkt till styrning av process vid industrin) förväntas även leda till sänkta processkostnader och lägre miljöbelastning, vilket ger möjligheter till påtagligt ökad lönsamhet, konkurrenskraft och samhällsnytta. Exempel på anpassningar till ett sådant arbetssätt inom skogsindustrin är att sågverk har investerat i ny mätteknik för automatisk sortering av stockar och plankor utifrån egenskaper som speglar produktens kvalitet baserat på information från till exempel röntgenmätramar, visuell automatsortering med bildanalys och akustisk hållfastighetssortering i justerverken. Nästa steg i utvecklingen av industriprocesserna är att knyta ihop information om skogsråvarans egenskaper innan avverkning med önskade egenskaper hos de skogsindustriella produkterna. Detta utgör en nyckelkomponent i en digital flödesmodell som kan leverera underlag till beslut om vilka industrier och produkter som bör försörjas med råvara från varje bestånd.

Spårning från skog till industri

Varje avverkad stam och stock mäts idag avseende längd och diameter av skördaren i skogen. Skördarföraren registrerar även information om trädslag och skador längs stammen och en GNSS-utrustning loggar trädets geografiska position (Arlinger m.fl. 2012). Denna detaljerade information lagras sedan i produktionsfiler där varje producerad stock beskrivs enligt standarden för kommunikation med skogsmaskiner, StanForD 2010, som Skogforsk driver och utvecklar tillsammans med skogsmaskin- och systemtillverkare samt skogsföretagen. Baserat på dessa data kan stockarnas vedegenskaper beräknas. Trädålder är en viktig parameter i dessa beräkningar. Den går att prediktera men tas idealt från noggrannare datakällor.

Prediktion av virkesegenskaper baserat på skördardata ger kostnadseffektiv information för styrning av logistik och process. Modeller för att prognosticera virkes-, fiber- och produktegenskaper baserat på data som kan fås från skördare och beståndsregister har funnits i drygt två decennier (Lundqvist m.fl. 2003, Wilhelmsson m.fl. 2005, Möller m.fl. 2007). För att modellerna ska skapa verklig nytta för styrning av logistik och industriella processer krävs att virkeslass eller partier kan spåras från skog till industri. I takt med att den tekniska utvecklingen knyter ihop den digitala skogsindustriella kedjan skapas även nya förutsättningar för att validera modellerna. Ökad tillgång till datakällor som laser-, satellit- och väderdata ger också möjlighet att utveckla och förbättra modellerna.

Att verifiera att dessa egenskapsmodeller och nya indatakällor medför tillräcklig precision för tillämpningar i digitala flödesmodeller med egenskapsdeklarerade produkter från skogen utgör områden för fortsatt validering. För att kunna verifiera de beräknade produktegenskaperna krävs referensdata om vedens egenskaper att koppla till de predikterade egenskaperna. Exempel på vedegenskaper som kan vara av intresse för olika typer av skogsindustriella processer är densitet, fiberdimensioner, kärnvedsinnehåll, kvisttyper och avstånd mellan kvistvarven.

Genom att bygga upp denna kunskap skapas möjligheter att styra produktionen från olika bestånd och till och med olika delar av trädet till specifika produkter eller industrier som särskilt efterfrågar en eller flera egenskaper hos skogsråvaran. Därigenom förbättras också möjligheterna till ökat värdeskapande och effektivitet inom hela skogssektorn. Detta skulle innebära ett viktigt utvecklingssprång för en industri där råvarans variation ofta upplevs som ett problem, till att i stället utnyttja variationen för att tillgodose specifika kundkrav och/eller effektivisera tillverkningsprocesserna. I takt med att nya produkter baserade på skogsråvara kommer i produktion kan det bli än viktigare att välja ut vilka bestånd och vilken styrning för sortering/raffinering inom bestånd som ger bästa intäkts/kostnadsrelationer både monetärt och miljömässigt. Denna analys behövs såväl för enskilda som ömsesidigt beroende värdekedjor/produkter.

ForestCore – fjärde generationens beräkningsmodul

Utveckling av modeller och beräkningsverktyg har under årens lopp kunnat göras baserat på skördardata. Första beräkningsmodulen som togs fram var priAnalys omkring 2005 där beräkningarna gjordes med skördardata lagrad i en pri-fil enligt StanForD classic, hprPropps cirka 2012 där egenskaper beräknas med hjälp av skördardata lagrad i en hpr-fil enligt StanForD 2010. Nästa steg var Propps runt 2020 där skördardata lagrades i en databas innan de variabler som behövdes lästes in i beräkningsmodulen. Nu introduceras beräkningsmodul generation fyra då egenskaperna beräknas i Skogforsks ForestCore-ramverk som hämtar skördardata i en databas och beräknar virkesegenskaper

Rapporten ”Prediktion av egenskaper hos virke baserat på skördardata” dokumenterar samtliga av dessa modeller och hur de implementerats i Skogforsks nya databasramverk ForestCore. Därför är rapporten av särskild relevans för utvecklare på skogsföretag/it-företag som vill integrera beräkningar i respektive företags databasmiljö och för forskare som vill använda beräkningarna i kommande studier.

Vidare presenteras ett antal tidigare odokumenterade modeller och två av dessa, uttorkning av massaved samt egenskaper hos sågverksflis, demonstreras genom tillämpning på ett skördardataset. Predikterad fukthalt efter uttorkning jämfördes med fukthalt beräknad från vikt- och volymdata från travmätning vid industri. Medelavvikelsen mellan predikterad fukthalt och fukthalt beräknad från mätdata var 0,3 procentenheter, med en spridning på 3,0 procentenheter. Demonstrationen av egenskapsprediktion för sågverksflis gav värden för densitet, fiberlängd, fiberbredd och fiberväggtjocklek som låg inom rimliga intervall.

Egenskapsmodellerna kan utvecklas på flera sätt. Ytterligare fiberegenskaper kan predikteras, såsom dragindex och rivindex. Kvistars torr-rådensitet kan inkluderas vid prediktion av stockars torr-rådensitet, vilket inte görs idag. En modell specifikt för barkens fukthalt skulle kunna tas fram. Hållfasthetsprediktionerna skulle också kunna göras på enbart den ”inre” stam som konstrueras vid flisegenskapsberäkningarna, snarare än på hela stocken som idag.

Illustration av hur flisegenskaper fås genom att sågblockets egenskaper beräknas och dras bort från hela stockens egenskaper.

Skördardatabaserade modeller för följande rundvirkesegenskaper går att finna i rapporten:

• Barktjocklek (dubbel)
• Kärnvedsdiameter
• Kärnvedsandel
• Sommarvedsandel
• Rådensitet
• Torr-rådensitet
• Barkrådensitet
• Fukthalt
• Kolinnehåll
• Fiberlängd (även för sågverksflis)
• Fiberbredd (även för sågverksflis)
• Fiberväggtjocklek (även för sågverksflis)
• Kvisttyp
• Kvistmaxdiameter
• MOE (MPa)
• MOR (MPa)
• C-klass
• Kvistvarvsavstånd
• Friskkvistprocent
• Uttorkning