Hakkuukonetiedoista johdettujen laaturajojen hyödyntäminen katkonnanohjauksessa

Show simple item record

dc.contributor Helsingin yliopisto, Maatalous-metsätieteellinen tiedekunta fi
dc.contributor University of Helsinki, Faculty of Agriculture and Forestry en
dc.contributor Helsingfors universitet, Agrikultur- och forstvetenskapliga fakulteten sv
dc.contributor.author Vainionpää, Jussi-Pekka
dc.date.issued 2021
dc.identifier.uri URN:NBN:fi:hulib-202106183123
dc.identifier.uri http://hdl.handle.net/10138/331575
dc.description.abstract Tuotantolaitoksille tulisi hankkia tuotannon kannalta parasta mahdollista raaka-ainetta oikea-aikaisesti ja kustannuksia minimoiden, eli tuotantolaitosten tavoitejakaumat ja laatuvaatimukset tulisi kyetä toteuttamaan. Katkonnanohjauksessa päätetään mitä ja kuinka paljon eri puutavaralajeja tavoitellaan kultakin lohkolta sekä mitä dimensioita kultakin puutavaralajilta katkotaan. Apteerauksen onnistuminen on tärkeää, sillä katkontatulos vaikuttaa lopputuotteiden saantoon ja epäonnistunutta katkontaa on hankala korjata jälkikäteen. Hakkuukoneiden keräämästä runkodatasta voidaan muodostaa puustoa, jonka katkontaa voidaan simuloida erilaisilla asetuksilla ja ohjaustiedostoilla. Apteeraussimulaattoria voidaan hyödyntää katkontatuloksen ennustamisessa ja optimoinnissa. Ilman laatudataa apteeraussimulaattori antaa ylioptimistisia tuloksia. Aiemmissa tutkimuksissa simuloinneissa hyödynnetyn runkojen laatudatan keruu on ollut työlästä ja pölkkyjakaumien tarkkuuden validointi on jäänyt vähäiseksi. Tavoitteena oli selvittää, voidaanko menetelmällä, jossa modernien hakkuukoneiden keräämästä datasta johdetaan laaturajoja, tarkentaa apteeraussimulaattorin tuottamia puutavaralajikertymiä ja -jakaumia. Tarkastelu rajattiin Metsä Fibren Vilppulan sahaan (tarkastelusaha) ja avohakkuulohkoihin. Tarkastelun keskiössä oli menetelmän hyödynnettävyys katkonnanohjauksessa ja puunhankinnassa Suomen toimintaympäristössä. Viitekehyksen kautta pohjustettiin tulosten tarkastelua ja liiketaloudellista merkitystä. Hakkuukoneiden rekisteröimien todellisten runkojen katkontaa simuloitiin hakkuukonetiedoista johdetuilla todellisilla HPR-laaturajoilla, toimeksiantajan HPR-laaturajoista johdetuilla ennustelaaturajoilla sekä ilman laaturajoja. Simulointituloksia verrattiin hakkuukoneiden rekisteröimiin todellisiin tuloksiin. Tarkastelussa keskityttiin HPR-laaturajojen validointiin, ja ennustelaaturajat toimivat esimerkkitapauksena. Ilman laaturajoja simuloidun tarkastelusahan kuusitukin kokonaisjakauman ja todellisen kokonaisjakauman vastaavuus oli 84,2 %; tyvitukin 86,4 % ja latva- ja välitukin 80,8 %. HPR-laaturajoilla simuloitaessa vastaavuus kasvoi 2,9 prosenttiyksikköä; tyvitukin 2,4 prosenttiyksikköä ja latva- ja välitukin 3,5 prosenttiyksikköä. Ennustelaaturajoilla vastaavuus parani 1,6 prosenttiyksikköä; tyvitukin 1,4 prosenttiyksikköä ja latva- ja välitukin 2,7 prosenttiyksikköä. Tarkasteltavan sahan kuusitukkikertymän suhteellinen harha ja RMSE olivat 19 % (42,6 m³) ja 24,6 % (55,1 m³), kun simuloitiin ilman laaturajoja. HPR-laaturajoilla simuloitaessa suhteellinen harha ja RMSE olivat -0,4 % (-1,0 m³) ja 4,1 % (9,1 m³). Vastaavasti ennustelaaturajoilla suhteellinen harha ja RMSE olivat 2,0 % (4,4 m³) ja 12,3 % (27,6 m³). HPR-laaturajat johdetaan kustannustehokkaasti kerättävissä olevista hakkuukonetiedoista. Ne mahdollistavat monipuolisten mitta- ja laatuvaatimusten huomioimisen sekä ennustelaaturajojen laatimisen silloin, kun selkeitä laaturajoja ei voida määrittää. fi
dc.description.abstract The right wood raw material should be delivered to the right wood processing mill at the right time, while minimizing costs. In other words, the log demand distributions and quality requirements of mills should be fulfilled. Bucking control tries to solve two problems; what kind of wood assortments to cut from each stand, and what dimensions to cut within each wood assortment. The success of bucking is important, as it is difficult to fix a poor bucking outcome. Modern harvesters collect stem data, from which virtual trees can be created. The bucking of these virtual trees can be simulated with different product instructions and settings. A bucking simulator can be utilized in predicting and optimizing bucking outcome. However, without quality-information of stems a bucking simulator is overly optimistic. Stem quality-information utilized in previous studies has been laborious to collect, and there has been little validation of log distributions simulated with stem quality-information. The object of this study was to determine whether a method, where stem quality-information is derived from harvester-collected stem and log data, could be utilized to improve the accuracy of simulated wood assortment recoveries and distributions. The study focused on Metsä Fibre’s sawmill in Vilppula and clear-cut stands. The usability of the method in bucking control and wood procurement in Finland was of central interest. Results were examined based on the theoretical framework of the study, which outlined the significance of the results to business operations. The bucking of real stems registered by harvesters was simulated with real quality-information derived from harvester-collected data, predicted quality-information derived from the previously mentioned quality data, and without any quality-information. The bucking outcomes were compared to real bucking outcomes registered by harvesters. The focus was on validating the real quality-information derived from harvester-collected data, while the predicted quality-information worked as an example. Without quality-information the simulated total log distribution and the real total log distribution had a match of 84.2 % (butt log: 86.4 %; top and middle log: 80.8 %). With the real quality-information this percentage increased by 2.9 percentile points (butt log: 2.4 pp; top and middle log: 2.4 pp). With the predicted quality-information the percentage increased by 1.6 percentile points (butt log: 1.4 pp; top and middle log: 2.7 pp). The relative bias and the RMSE of the simulated log recovery were 19.0 % (42.6 m³) and 24.6 % (55.1 m³) with no quality-information. With the real quality-information the relative bias and the RMSE of the simulated log recovery were -0.4 % (-1.0 m³) and 4.1 % (9.1 m³). With the predicted quality-information the relative bias and the RMSE of the simulated log recovery were 2.0 % (4.4 m³) and 12.3 % (27.6 m³). The real quality-information was derived from data that was cost-effectively collected by harvesters. Quality-information derived from harvester-collected data enables the consideration of complex dimensional and qualitative requirements, and the derivation of quality-information predictions, in a situation where clear quality-sections of stems can’t be defined. en
dc.language.iso fin
dc.publisher Helsingin yliopisto fi
dc.publisher University of Helsinki en
dc.publisher Helsingfors universitet sv
dc.subject apteeraus
dc.subject hakkuukone
dc.subject katkonnan ohjaus
dc.subject katkonnan simulointi
dc.subject katkontatuloksen ennustaminen
dc.subject laaturaja
dc.subject puunhankinta
dc.title Hakkuukonetiedoista johdettujen laaturajojen hyödyntäminen katkonnanohjauksessa fi
dc.title.alternative Utilizing stem quality-information derived from harvester-collected data in bucking control en
dc.date.embargoedUntil 2024-06-15
dc.type.ontasot pro gradu -tutkielmat fi
dc.type.ontasot master's thesis en
dc.type.ontasot pro gradu-avhandlingar sv
dct.identifier.urn URN:NBN:fi:hulib-202106183123
dc.subject.specialization Metsäbiotalouden liiketoiminta ja politiikka fi
dc.subject.specialization Forest bioeconomy business and policy en
dc.subject.specialization Skoglig bioekonomi, affärsverksamhet och politik sv
dc.subject.degreeprogram Metsätieteiden maisteriohjelma fi
dc.subject.degreeprogram Master's Programme in Forest Sciences en
dc.subject.degreeprogram Magisterprogrammet i skogsvetenskaper sv

Files in this item

Files Size Format View
Vainionpaa_Jussi-Pekka_tutkielma_2021.pdf 1.931Mb application/pdf View/Open

This item appears in the following Collection(s)

Show simple item record