JEAN-FRANÇOIS BOUFFARD COMPARAISON DES PROCÉDÉS DE DÉBITAGE SECONDAIRE SELON UNE OPTIMISATION SUR LA SURFACE ET EN VALEUR

Transcription

1 JEAN-FRANÇOIS BOUFFARD COMPARAISON DES PROCÉDÉS DE DÉBITAGE SECONDAIRE SELON UNE OPTIMISATION SUR LA SURFACE ET EN VALEUR Mémoire présenté à la Faculté des études supérieures de l Université Laval dans le cadre du programme de maîtrise en Sciences du bois pour l obtention du grade de maître ès sciences (M.Sc.) FACULTÉ DE FORESTERIE ET DE GÉOMATIQUE UNIVERSITÉ LAVAL QUÉBEC Avril 2005 Jean-François Bouffard, 2005

2 TABLE DES MATIÈRES TABLE DES MATIÈRES... ii LISTE DES TABLEAUX... iv LISTE DES FIGURES...v RÉSUMÉ... vi AVANT-PROPOS... vii INTRODUCTION...1 CHAPITRE I...5 REVUE DE LA LITTÉRATURE Les procédés d usine Le rendement Définition Facteurs qui influencent le rendement Qualité du bois Carnet de commande Largeur des planches Courbure des planches Carnet de commande et rendement Les logiciels d optimisation...19 CHAPITRE II...25 MATÉRIEL ET MÉTHODES Matériel Les planches Méthode Système de vision numérique Base de données Logiciels d optimisation Carnets de commande et modes d optimisation Qualité des composants Analyse statistique Détermination du nombre de répétitions Analyse factorielle avec un modèle d ANOVA...36 CHAPITRE III...37 BOREALSCAN, ROMI-RIP AND ROMI-CROSS YIELD COMPARISON FOR HARDWOOD ROUGH MILL OPTIMIZATION Résumé Abstract Introduction Objectives Material and Methods Lumber Sample Database Cutting bill Software Simulation parameters Statistical analysis Results and Discussion Yield and parts distribution comparison between ROMI-RIP and BorealScan by area prioritization...48 ii

3 3.6.2 Yield and parts distribution comparison between USDA software and BorealScan by CDE optimization Conclusion...60 CHAPTER IV...61 A COMPARISON BETWEEN ROMI-RIP, ROMI-CROSS AND BOREALSCAN USING VALUE PRIORITIZATION Résumé Abstract Introduction Objectives Methods Lumber Sample Database Cutting bill Software Simulation parameters Statistical analysis Results and Discussion Comparison between ROMI-RIP and BorealScan for Rip-first Comparison between ROMI-CROSS and BorealScan for Crosscut-first Rip-first and Crosscut-first comparison Value comparison between Rip-first, Crosscut-first and the flexible cell Conclusion...82 CONCLUSION GÉNÉRALE...83 RÉFÉRENCES BIBLIOGRAPHIQUES...86 ANNEXE I...94 COMPOSANTS DU CARNET DE COMMANDE...94 ANNEXE II...96 HISTOGRAMMES DES DISTRIBUTIONS DE LARGEUR DES PLANCHES CONSTITUANT LA BASE DE DONNÉES...96 ANNEXE III TABLEAUX DES DONNÉES BRUTES DU RENDEMENT OBTENU AU COURS DES SIMULATIONS iii

4 LISTE DES TABLEAUX Tableau 1.1 : Liste des facteurs affectant le rendement des usines de débitage secondaire...9 Tableau 1.2 : Principales caractéristiques des règles de classement NHLA (1998) Tableau 1.3 : Sommaire de la qualité des composants en bois solide utilisés (Araman et al. 1982)...13 Tableau 1.4 : Distribution longueur/largeur des composants de 4/4 et clairs de défauts pour les fabricants de meubles, cabinets et moulure architecturale. (Adapté d Araman et al. 1982)...13 Tableau 1.5 : Matrice des rendements pour les simulations de délignage et tronçonnage en tête sur des planches de chêne rouge...18 Tableau 1.6 : Rendement obtenu selon la stratégie de priorité utilisée...22 Tableau 1.7 : Stratégie de débitage de BorealScan...23 Tableau 2.1 : Description de la banque de planches...26 Tableau 2.4 : Liste de correspondance des défauts...30 Tableau 2.2 : Liste des de simulations réalisées et des critères d évaluation utilisés...33 Tableau 2.3 : Description de la qualité des composants...34 Tableau 2.5 : Nombre de répétitions à effectuer pour détecter une variation de 1 %...35 Table 3.1: Database description...41 Table 3.2: Definition of defect groups...41 Table 3.3 : Cutting bill with CDE coefficient associated with each component...44 Table 3.4: List of corresponding defect types...45 Table 3.5: Yield comparison between ROMI-RIP and BorealScan for Rip-first area optimization...48 Table 3.6: Average number of components produced in Rip-first using the area part prioritization...49 Table 3.7: Yield comparison between ROMI-RIP and BorealScan by CDE optimization...51 Table 3.8: Yield comparison between ROMI-CROSS and BorealScan by CDE optimization...52 Table 3.9 : Average width and percent of boards narrower than 5 inches for Red Oak, Black Cherry and Sugar Maple boards...55 Table 3.10: Average number of components obtained in Rip-first and Crosscut-first (CDE)...57 Table 4.1: Database description...64 Table 4.2: Cutting bill with parts value in $ per board feet Table 4.3: Value comparison between BorealScan and ROMI-RIP in Rip-first when using a value prioritization strategy...69 Table 4.4: Average number of components produced by BorealScan and ROMI-RIP in Rip-first when using a value prioritization strategy...70 Table 4.5: Yield comparison between ROMI-RIP and BorealScan in Rip-first when using a value prioritization strategy...70 Table 4.6: Value comparison between ROMI-CROSS and BorealScan in Crosscut-first...74 Table 4.7: Average number of components produced by BorealScan and ROMI-CROSS in Crosscutfirst when using a value prioritization strategy...75 Table 4.8: Yield comparison between ROMI-CROSS and BorealScan when optimizing for value in Crosscut-first...75 Table 4.9: Value comparison using BorealScan between Rip-first, Crosscut-first and the Flexible Cell...81 Table 4.10: Percentage of boards cut in Rip-first and Crosscut-first when using the Flexible Cell cut-up process...81 iv

5 LISTE DES FIGURES Figure 1.1: Nomogramme des rendements pour du chêne rouge No. 1 Commun (adapté de Englerth et Schumann 1969)...17 Figure 2.1 : Exemple de marquage, segmentation (polygone) et transformation en rectangles pour une planche d érable à sucre...27 Figure 2.2 : Exemple de marquage, segmentation (polygone) et transformation en rectangle pour une planche de cerisier avec coloration pâle...28 Figure 2.3 : Exemple de marquage, segmentation (polygone) et transformation en rectangle pour une planche de cerisier avec coloration foncée...28 Figure 2.4 : Exemple de marquage, segmentation (polygone) et transformation en rectangle pour une planche de cerisier avec un défaut inacceptable à purger (rouge) ainsi que deux nœuds à tête d épingle Figure 2.5 : Représentation graphique des planches en format a) ROMI-RIP et b) BorealScan...31 Figure 2.6 : Représentation graphique des planches en format a) BorealScan et b) ROMI CROSS...31 Statut du défaut dans le grade des composants...34 Definition...41 Figure 3.1: Example of defect marks, transformed into polygons and then into rectangles on a Black Cherry board Figure 3.2: Board representation in a) ROMI-RIP, b) ROMI-CROSS and c) BorealScan formats Grade...49 ROMI RIP...49 Figure 3.3: ROMI-RIP and BorealScan Rip-first parts distribution for Sugar Maple by area optimization Figure 3.5: a) ROMI-CROSS and b) BorealScan cut-up solutions with CDE optimization Figure 3.6: Example of a) Rip-first and b) Crosscut-first cut-up operation on a crooked board using the BorealScan software Figure 3.7: Crosscut-first parts distribution (ROMI-CROSS and BorealScan) for Sugar Maple...58 Figure 3.8: Rip-first parts distribution (ROMI-RIP and BorealScan) for Black Cherry...59 Figure 4.1: BorealScan and ROMI-RIP components distribution when optimizing for value in Sugar Maple...72 Figure 4.2: BorealScan and ROMI-RIP components distribution when optimizing for value in Black Cherry...73 Figure 4.3: BorealScan and ROMI-CROSS Crosscut-first components distribution when optimizing for value in Sugar Maple...77 Figure 4.4: BorealScan and ROMI-CROSS Crosscut-first components distribution when optimizing for value in Black Cherry...78 Figure 4.5: Schematic representation of the Flexible Cell process...80 v

6 RÉSUMÉ Le débitage secondaire de bois franc est une opération qui nécessite une attention particulière afin de maintenir des rendements élevés. Contrairement aux industries de bois résineux, les usines de débitage secondaire sont encore très manuelles, mais les logiciels d optimisation font de plus en plus leur apparition. Ainsi, afin de maintenir un rendement matière élevé, il faut tenir compte de plusieurs facteurs parmi lesquels figurent la composition du carnet de commande, la dimension et la qualité des sciages à utiliser. L objectif premier du projet était de comparer le logiciel d optimisation du débitage secondaire développé par le CRIQ, BorealScan, avec les logiciels du USDA, ROMI-RIP et ROMI- CROSS. Ces derniers constituent une référence dans la littérature sur la modélisation des usines de débitage secondaire. Les comparaisons dans la présente étude ont été réalisées par l optimisation du rendement matière et de la valeur. Le second objectif visait à vérifier si l utilisation en parallèle du délignage et du tronçonnage en tête, dans le cadre d une cellule de débitage flexible, permettrait d obtenir des gains appréciables. Les comparaisons, dans ce cas, ont été réalisées uniquement avec BorealScan pour l optimisation en matière et en prix. Un dispositif expérimental factoriel à quatre facteurs pour la comparaison de BorealScan avec les logiciels du USDA a été utilisé et un dispositif à trois facteurs pour comparer la cellule de débitage flexible. Les essais ont été effectués avec des planches de cerisier tardif et d érable à sucre de trois qualités soit du No. 1 Commun, du No. 2A Commun et du No. 3A Commun. BorealScan a obtenu de façon générale des rendements matière supérieurs par rapport aux logiciels du USDA. En optimisant sur la surface, des différences variant entre 8.1% et 13.7% ont été observées en délignage en tête et selon une optimisation basée sur l application d un coefficient, les différences observées variaient entre 2,9% et 5,8% en délignage. En comparant les rendements matière de BorealScan en délignage avec le tronçonnage, nous avons constaté que le tronçonnage est préférable, par contre les comparaisons par prix démontrent le contraire. La cellule de débitage flexible permet d accroître le rendement matière et la valeur totale produite entre 2,79% et 6,38%. Les comparaisons en rendement matière démontrent qu il est plus avantageux d utiliser ce procédé avec des sciages de qualité supérieure, par contre en prix, il devient plus favorable avec les sciages de plus basse qualité. Jean-François BOUFFARD Candidat Robert BEAUREGARD Directeur vi

7 AVANT-PROPOS Ces études graduées représentaient pour moi un rêve que je caressais depuis mes études en Biologie. En changeant de domaine d étude, je m étais promis qu un jour je le réaliserais. Après deux années sur le marché du travail et quelques circonstances favorables, j ai décidé enfin de faire le saut. Cette expérience d études graduées m a permis d apprécier davantage la recherche et de me familiariser avec ce domaine qu est la seconde transformation du bois. J ai également appris que de gérer et réaliser un tel projet demande une certaine discipline. Cette étude n aurait pas été réalisée sans l intervention de certaines personnes dont Robert Beauregard, mon directeur, qui en me suggérant ce projet, m a permis de me décider à faire le saut. Il m a également dirigé afin que je ne dévie pas trop. Je le remercie pour la grande liberté et la confiance qu il m a accordées. Je tiens aussi à remercier Torsten Lihra qui m a fourni une place au sein du Département de la valeur ajoutée chez Forintek et qui m a permis de participer à certains congrès très formateurs hors du pays. Je veux également remercier les intervenants du CRIQ, Martin Caron et Michel R. Bouchard, premièrement pour avoir conçu le logiciel d optimisation, sans quoi je n aurais pas réalisé ce projet. Ils m ont énormément aidé et conseillé pour la réalisation des simulations. Je tiens aussi à remercier tous les employés du Département de valeur ajoutée chez Forintek pour m avoir supporté durant ces deux années, surtout Pierre Blanchet qui m a très bien orienté et surtout qui m a beaucoup aidé dans la réalisation de mes tests statistiques. Je tiens à remercier les intervenants financiers qui m ont permis de subsister pendant ces deux années. Premièrement, il y a le CRSNG et Forintek qui m ont donné une bourse à incidence industrielle. La SGF-REXFOR qui a considéré que mon projet valait la peine d être soutenu. Je remercie la compagnie Foresbec pour avoir fourni le bois et les carnets de commande nécessaires à la réalisation de ce projet. vii

8 Je tiens également à remercier mes parents pour m avoir encouragé à poursuivre mes études universitaires. Enfin je veux remercier ma conjointe qui depuis le début de mes études m a apporté son soutien tant psychologique que financier. Que voulez-vous, être étudiant c est également faire vœux de fin de mois difficiles. Le paragraphe suivant présente la structure du présent mémoire car ce dernier est en partie de type «conventionnel» et en partie de type «article». Ce mémoire contient deux articles qui seront soumis pour publication dans le Forest Products Journal. La structure du présent mémoire est la suivante : Introduction présente le projet ainsi que les objectifs spécifiques de l étude; Chapitre I présente une revue de la littérature; Chapitre II présente le matériel ainsi que la méthodologie utilisée; Chapitre III est constitué du premier article dont le titre est : «BorealScan, ROMI- RIP and ROMI-CROSS yield comparison for hardwood rough mill optimization». Les auteurs de cet article sont : Jean-François Bouffard, Robert Beauregard et Torsten Lihra; Chapitre IV est constitué du second article dont le titre est : «Acomparison between ROMI-RIP, ROMI-CROSS and BorealScan using value prioritization». Les auteurs de cet article sont : Jean-François Bouffard, Robert Beauregard et Torsten Lihra; Conclusion générale; Références bibliographiques; Annexe I présente les composants du carnet de commande; Annexe II présente les histogrammes de distribution des largeurs de planches constituant la base de données; Annexe III présente les tableaux des données brutes obtenues au cours des simulations. Concernant les deux articles présentés dans ce mémoire, il est important de spécifier que le premier auteur a réalisé le travail expérimental, les simulations, qu il a compilé et analysé les résultats et rédigé la première ébauche des articles. Le second et troisième auteurs ont fourni la direction au projet et des corrections aux manuscrits, chacun à partir de son expertise. viii

9 INTRODUCTION D après St-Pierre (2001) l industrie des produits forestiers contribue grandement à la balance commerciale positive du Québec, grâce à des exportations atteignant plusieurs milliards de dollars. Néanmoins même si la valeur des importations est beaucoup plus faible, elle touche un nombre élevé de produits. Ces produits peuvent constituer des opportunités pour de nouvelles productions au Québec. Chaque année, le Québec importe pour environ $ de billes d érable et pour $ de billes de cerisier des États-Unis ce qui représente 50% des importations canadiennes pour ces deux essences. Le Québec importe aussi des sciages d érable ( $) et de cerisier ( $). Depuis 1998, les importations de sciages sont restées sensiblement les mêmes, tandis que dans l ensemble du Canada ces importations ont subi des hausses de 35 % et de 26 %. D après Statistiques Canada en 2000, le volume importé d érable à sucre est à la baisse mais le prix moyen est à la hausse. Depuis 1992, les volumes de bois ronds de feuillus durs consommés par les scieries québécoises sont en évolution (Giguère, 2001). Des m 3 consommés, près de 45% proviennent des forêts publiques et 35% de l extérieur du Canada. En terme de sciage de feuillus durs, les scieries québécoises ont produit Mpmp en C est Mpmp de plus qu en L industrie du meuble au Québec représentait en 1999, emplois et 1,9 milliards $ en expéditions (Turcotte 2001). Depuis 1991, la valeur des expéditions de meubles résidentiels en bois est en constante évolution. La part du Québec dans ce segment de l industrie canadienne est de 50% en terme de livraisons et d exportations. Du côté des Américains, le marché du meuble de maison représente 40 milliards $ US (Turcotte 2001). Aux États-Unis, 1

10 l érable à sucre était utilisé à près de 16.3% dans la fabrication de meubles en 1999 et seulement 4% du cerisier était utilisé à cette fin. L industrie des planchers de bois franc représente environ 210 millions $ en expéditions dont 15% sont destinées à l extérieur du Canada. De plus, le Québec produit plus de 70% des lames de planchers de bois franc au Canada. Aux États-Unis, les manufacturiers ont enregistré des ventes de 1,35 milliards $ US. La demande a augmenté de plus de 10% par année depuis 1997 (Turcotte 2001). Afin de produire la quantité requise à un moindre coût, l industrie de la seconde transformation a développé et adopté différentes technologies et systèmes : le délignage en tête; les optimiseurs de débitage; des changements dans la spécification des produits et une meilleure utilisation des bas grades (Wiedenbeck et Thomas 1995b). Aujourd hui, la recherche est très avancée sur les algorithmes d optimisation (Thomas 1996a et 1997), les systèmes de vision (Conners et al. 1997) et la technique de coupe avec des scies minces. Une usine de composants consiste en une série de machines et d équipements pour convertir le bois séché en diverses dimensions pour l industrie du meuble, du plancher, de la composante etc. Afin de produire les dimensions requises, les industries se servent de carnets de commande. Le carnet de commande contient la largeur et la longueur, le grade et la quantité requise de chacun des composants à fabriquer. L objectif des usines étant de produire le carnet de commande au coût le plus bas tout en respectant la qualité et la quantité demandées, les usines utilisent généralement le rendement matière pour mesurer leur efficacité. Le rendement matière est le ratio de surface de composants à la sortie sur la surface de planches à l entrée, multiplié par 100. Avec la grande quantité de bois consommée par année, le prix du bois à la hausse et la qualité à la baisse, il devient crucial d améliorer le procédé pour rentabiliser les opérations. Ainsi, une augmentation du rendement matière de 1 % peut représenter pour une usine moyenne de meubles au Québec consommant 5 Mpmp, une économie de $ sur les coûts de matière 2

11 première. Pour une usine de plancher consommant 20 Mpmp, cela peut représenter une économie de $ (Beauregard 2001). Dans les industries de débitage secondaire, les planches peuvent être débitées soit par délignage en tête ou par tronçonnage en tête afin d obtenir les pièces demandées dans le carnet de commande tout en maximisant le rendement matière. Le processus est complexe car le bois est un matériau hétérogène, les dimensions et la surface des défauts varient entre les planches (Brunner et al. 1990). Dans bien des usines, les décisions de coupe sont encore réalisées par des humains avec un peu d'aide technique. Plusieurs industries intègrent des optimiseurs afin d améliorer le rendement matière. Les logiciels d optimisation sont également de plus en plus utilisés afin de représenter et corriger des problèmes de production. Kline et al. (1998) ont comparé le rendement d une usine typique avec un logiciel d optimisation. Les résultats démontrent que le rendement de l usine est 3,5 % inférieur au rendement obtenu par le logiciel d optimisation. Thomas et Buehlmann (2002) ont validé ROMI-RIP dans une usine de débitage secondaire. Ces derniers ont démontré que ROMI-RIP, après des ajustements qui ne sont pas à la portée de l utilisateur moyen, arrive à bien reproduire les résultats de l industrie et qu en utilisant les fonctions d optimisation dynamique, il est possible d obtenir des rendements supérieurs à ceux obtenus dans l industrie. Avec des systèmes de vision numérique plus performants, les décisions optimales deviendront réalité (Conners et al. 1997). L intégration des systèmes automatisés et optimisés assure la constance dans les décisions, ce qui n est pas toujours le cas avec des opérateurs. Le carnet de commande est un facteur déterminant du rendement matière (Wengert et Lamb 1994). Une étude réalisée par Wiedenbeck et Thomas (1995a) démontre que la prédominance de certaines combinaisons de composants (longs et larges, longs et étroits, courts et larges, courts et étroits) dans la composition du carnet de commande influence le rendement matière. La dimension et le grade des planches utilisées influencent également le rendement. L utilisation de planches étroites de grade No. 3A Commun va certainement donner des 3

12 rendements inférieurs à l utilisation de planches larges de grade No. 1 Commun. Ainsi, le choix de la matière première devient un facteur important dans la quête de l amélioration du rendement. Un article de Wiedenbeck (2001a) montre bien la différence de rendement obtenu par simulation entre du No. 1 Commun et du No. 2A Commun pour des composants clairs 2 faces et clairs 1 face. Les logiciels d optimisations permettent donc de faciliter la gestion des différents facteurs par la réalisation d essais sans nuire à la production. C est pourquoi, il devient important lors du développement d un nouveau logiciel d optimisation, de le comparer avec les systèmes existants afin d en vérifier les performances et valider les résultats obtenus. Le but de cette étude est donc de comparer le rendement matière et le rendement en valeur obtenu avec trois procédés de débitage secondaire pour un carnet de commande, trois qualités de sciage et deux essences soit le cerisier tardif et l érable à sucre. Les objectifs spécifiques sont de : Comparer les rendements matière et en valeur obtenus en délignage en tête et en tronçonnage en tête avec les logiciels du USDA (ROMI-RIP et ROMI-CROSS) en comparaison avec celui du CRIQ (BorealScan). Faire l analyse comparative avec BorealScan des rendements et de la valeur totale de trois stratégies de débitage, soit le tronçonnage en tête, le délignage en tête et la cellule de débitage flexible. 4

13 CHAPITRE I REVUE DE LA LITTÉRATURE 1.1 Les procédés d usine Le débitage secondaire permet de produire des composants de dimensions finies. Ce procédé fait suite au séchage, au classement du bois et au rabotage des surfaces. Il existe deux types de configuration d usine de débitage secondaire soit : tronçonnage en tête et délignage en tête. La différence vient de la séquence dans laquelle les pièces sont débitées. En délignage en tête, les pièces sont d abord délignées afin d obtenir des largeurs fixes, puis elles sont tronçonnées pour donner la longueur finale. Ce procédé est généralement utilisé, entre autres, dans la production des lames de plancher. En tronçonnage en tête, les pièces sont d abord tronçonnées pour donner la longueur des composants puis elles sont délignées afin d obtenir la largeur finale. Ce procédé est surtout utilisé dans les usines de panneaux de bois solide. En tronçonnage en tête, les pièces sont délignées en largeurs variables car elles sont généralement collées pour faire des panneaux. Pour les deux types de procédé, il existe la possibilité de réaliser une troisième étape appelée coupe de récupération. Il s agit d un retour pour répéter la première étape de la séquence afin d enlever les défauts et découper des composants de plus faibles dimensions sur les pièces rejetées par les deux premières coupes. Ce système de recirculation permet d accroître le rendement matière d environ 4 %. (Anderson et al. 1992). Bien que peu fréquente, la possibilité d opérer les deux procédés en parallèle existe. Cette 5

14 approche, appelée cellule flexible de débitage, permet de maximiser le rendement sur chacune des planches. Selon Hall et al. (1980), plusieurs dirigeants croient que l utilisation simultanée des deux systèmes en parallèle pourrait présenter des avantages appréciables. Avec l outil d optimisation 2 axes développé par le CRIQ, et appelé BorealScan, il est possible de démontrer cette affirmation. Plusieurs chercheurs ont étudié la différence de rendement entre les deux systèmes (Harding 1991, Pepke 1980, Hall et al. 1980), mais aucune réponse générale n a été obtenue. Une étude de Buehlmann et al. (1999) a démontré une différence significative entre les deux, mais aucune des deux ne surclasse l autre dans tous les cas. Wiedenbeck et Thomas (1995 a et b) démontrent avec le regroupement des carnets de commande selon la prédominance des composants, que les procédés offrent une meilleure performance dépendamment du type de composants prédominants dans le carnet de commande. Les rendements pour chacune des stratégies dépendent de la qualité du bois, du carnet de commande et des paramètres spécifiques à la configuration de l usine. Clément (2004 a et b) obtient des rendements supérieurs en tronçonnage en tête pour différents carnets de commande avec sa base de données de bouleau blanc. Deux des carnets de commande utilisés sont des adaptations de Steele et al (1999). En moyenne, les rendements sont supérieurs de 4.7 % par rapport au délignage en tête. La différence avec les autres études menées aux États-Unis provient de la base de données utilisée. La base de données américaine de chêne rouge contient uniquement des planches droites, toute courbure de plus du quart de pouce a été éliminée et ces planches ont une largeur moyenne bien supérieure aux planches de bouleau blanc du Québec utilisées par Clément dans son projet. La configuration la plus répandue des usines de débitage secondaire date de plus de 50 ans. Elle consiste en une ou deux lignes manuelles de tronçonnage en tête suivies de quatre ou cinq déligneuses simples manuelles. Toutes les décisions sont prises par des opérateurs. C est le procédé de débitage le plus répandu dans les usines de débitage secondaire mais, la tendance d aujourd hui est au développement du délignage en tête (Mullin 1990). Les usines modernes possèdent une ligne de délignage en tête optimisée et des tronçonneuses optimisées et semiautomatisées (Mitchell 1997). Ce type de procédé avec délignage en tête permet d après 6

15 certains auteurs d obtenir des rendements supérieurs, ainsi que des composants plus longs à partir de pièces de grade inférieur comme du No. 2A Commun et du No. 3A Commun (Gatchell 1987). Selon Mullin (1990), 90% des nouvelles installations aux États-Unis sont à délignage en tête. Dans les usines à délignage en tête modernes, on retrouve 4 types de configuration de scies: 1) scies fixes avec barrière stationnaire, 2) scies fixes avec barrière mobile, 3) scies fixes avec scies extérieures mobiles, 4) arbre à scies mobiles. Le système de scies fixes avec barrière mobile (fixed arbor best feed) est sans aucun doute le plus utilisé dans les usines qui se sont modernisées récemment (Mitchell 1997). La configuration des scies de l arbre est un facteur déterminant pour obtenir un rendement optimal. Idéalement, on voudrait pour chacune des pièces, avoir la combinaison de scies qui fait toute la largeur. Comme c est impossible avec des scies fixes, il faut optimiser l espacement des scies afin d obtenir le meilleur rendement. Les déligneuses à scies mobiles optimisées déterminent les endroits ou placer les scies selon la largeur de la planche et la largeur des composants à produire. Ainsi, les scies sont positionnées de manière optimale pour chacune des planches ce qui permet d obtenir un rendement maximum (Mitchell 1997). C est ce type de configuration de scies qui sera utilisé pour réaliser les simulations dans le présent travail, ainsi nous éliminerons l influence de ce paramètre sur le rendement matière. 1.2 Le rendement Définition Le rendement matière est une mesure d efficacité d une usine de débitage secondaire. La définition du rendement matière dans une usine est le ratio de la surface des composants à la sortie sur celle des planches à l entrée multiplié par 100 (Gatchell, 1985). Même avec cette simple définition, le rendement peut être utilisé pour exprimer différents concepts entre les usines et aussi à l intérieur d une même usine. Un outil utile pour les usines de débitage secondaire est de définir le pourcentage de rendement comme une somme des volumes 7

16 produits qui remplissent le carnet de commande, lequel inclut le volume des composants à longueurs et largeurs fixes et le volume des composants de panneaux à largeurs variables, divisé par le volume de bois sec utilisé pour produire les composants requis. Ainsi, la formule devient : Rendement (%) = Volume des composants + Volume des panneaux (PMP) X 100 Volume de bois sec (PMP) Souvent, des composants courts sont produits en excès et conservés pour utilisation future. Ces composants n ont pas été inclus dans le calcul du rendement. De plus, certaines usines spécifient une quantité de composants avec une marge de composants en excès. Le rendement doit dans ce cas être calculé en tenant compte que l usine va produire ces composants supplémentaires (Mitchell 1997). Une étude de Yun (1989) montre que le rendement peut être considéré en terme de valeur au lieu de le traiter comme une mesure de surface ou de volume. Dans son étude, elle définit la valeur comme le coût du matériel nécessaire pour produire le carnet de commande. Lorsque le rendement est défini en valeur, on peut considérer d autres spécifications telles que l urgence de produire un composant particulier ou le prix du composant lors de sa vente. Bien d autres définitions de rendement sont possible et peuvent être utilisées lors de la définition de la stratégie définissant les priorités de production (Thomas 1996b). Dans plusieurs usines au Québec, le rendement se calcule comme étant le ratio de surface du composants à la sortie sur la surface de planches à l entrée de l usine. Il faut savoir que le rendement matière seul ne permet pas d obtenir un portrait complet de la profitabilité pour une usine de débitage secondaire (Mitchell 2001). C est pourquoi, bien des manufacturiers préfèrent regarder la valeur produite plutôt que le rendement matière. Le prix des composants étant généralement fonction de la surface des composants, les résultats sont certainement différents entre une optimisation en surface et en valeur. En surface, en régime de demande infinie, les plus petits composants sont produits en premier et en plus grande quantité ce qui permet d obtenir des rendements matière supérieurs. En valeur, par contre, les composants de plus grande 8

17 dimension sont produits en premier étant donné leur valeur supérieure. Ainsi, le rendement matière d une optimisation en valeur sera plus faible que pour une optimisation en surface. Les études utilisant le mode d optimisation en valeur sont peu nombreuses, outre les travaux de Yun (1989) on trouve plus récemment ceux de Caron et al. (2004) Facteurs qui influencent le rendement Plusieurs facteurs peuvent influencer le rendement d une usine de débitage secondaire. Certains auteurs (Wengert et Lamb 94, Gatchell 85, Anonyme 85) en ont dressé la liste (Tableau 1.1). Tableau 1.1 : Liste des facteurs affectant le rendement des usines de débitage secondaire Facteurs Wengert et Lamb 1994 Gatchell 1985 Anonyme 1985 Qualité du bois Oui Oui Oui Qualité de séchage Oui Oui Carnet de commande Oui Oui Oui Habileté de l opérateur Oui Oui Oui Qualité des composants Oui Oui Design de l usine Oui Oui Trait de scie Oui Dimension planches Oui Oui Oui Constance dans le classement du bois Oui Oui Oui Dans le tableau 1.1, les facteurs sont présentés en ordre d importance tel que classés par Wengert et Lamb (1994). Plusieurs ont une influence sur les autres ce qui en rend difficile l évaluation individuelle (Buehlmann 1998). Dans le présent projet, deux des facteurs mentionnés seront pris en considération soit, la qualité du bois et le carnet de commande. Nous allons également nous attarder à la géométrie des planches, lors de l évaluation de la meilleure stratégie de débitage. 9

18 Qualité du bois La qualité du bois affecte le rendement et la productivité. Plusieurs auteurs ont déterminé que la qualité du bois utilisé avait un impact important sur le rendement matière (Buehlmann et al et 1999, Gatchell et Thomas 1997, Wengert et Lamb 1994, Gatchell 1985). Les attributs utilisés pour décrire le bois sont définis par des règles bien établies. Ceci est très important, car les entreprises qui utilisent les bois feuillus comme matière première, s approvisionnent généralement en bois sans l avoir vu préalablement. Il faut donc à ces entreprises un moyen précis pour décrire la qualité du bois commandé, ce qui leur donnera la certitude relative que le bois livré correspondra à la qualité demandée (École forestière de Duchesnay, 1995). C est dans ce contexte que les normes de classification NHLA (1998) ont été établies. Ces normes sont précises. Elles laissent peu de place à l interprétation. Les plus importants critères de classification des bois durs se trouvent au tableau 1.2. Tableau 1.2 : Principales caractéristiques des règles de classement NHLA (1998). Grade du bois Dimension minimum des planches Dimension minimum des débits Rendement minimum Nombre de débits acceptés FAS 6" x 8' 4" x 5' 83 1/3 % 4 max 3" x 7' F1F 6" x 8' Meilleure face = FAS Mauvaise face = 1C MF = FAS MaF = 1C MF = FAS MaF = 1C Sélect 4" x 6' Meilleure face = FAS Mauvaise face = 1C MF = FAS MaF = 1C MF = FAS MaF = 1C No. 1 Commun 3" x 4' 4" x 2' 66 2/3 % 5 max 3" x 3' No. 2A & 2B 3" x 4' 3" x 2' 50 % 7 max Commun No.3A Commun 3" x 4' 3" x 2' 33 1/3 % Aucune limite No. 3B Commun 3" x 4' >1 ½ large avec 36po 2 25 % Aucune limite Il faut noter que la classification se fait sur la mauvaise face sauf dans les opérations de débitage qui requièrent une face claire, auquel cas la classification s effectue sur la meilleure 10

19 face. Ce tableau des règles de classement permet de faire certains commentaires à propos du classement du bois franc. Premièrement, le grade FAS nécessite une grande plage de bois clair et peu de débits peuvent être utilisés pour couvrir cette plage (Mitchell 1997). À l opposé, le grade No. 2A Commun n a besoin que de 50% ou plus de bois clair et plusieurs débits peuvent être utilisés. On constate un grand intervalle dans chacun des grades. Par exemple, le No. 2A Commun nécessite un minimum de 50% jusqu à 66 2/3 % de surface claire. En moyenne, la majorité des grades ont une plage de 16 2/3% de rendement, ce qui représente un grand intervalle de variation. Ainsi, pour chaque qualité, il y a une limite supérieure et une limite inférieure (Mitchell 1997). Gatchell et Thomas (1997) dans une étude expérimentale sur la variation de qualité à l intérieur d un même grade ont observé que seulement 54% des planches de No. 1 Commun avaient une surface incluse dans l intervalle de 66 2/3% à 83 1/3%, alors que 46% des planches avaient une surface claire supérieure à 83 1/3%, et auraient donc pu être classées FAS. Pour le No. 2A Commun 54,7% des planches avaient une surface claire appartenant à l intervalle du No. 1 Commun. Ces résultats démontrent que lors de la classification des planches, bien des surfaces claires sont omises, ce qui ne permet pas d obtenir la qualité réelle des planches. Une autre étude de Gatchell et al. (1996) démontre que dans les planches de chêne rouge, il y a un meilleur et un moins bon bout. Des différences de rendement de l ordre de 10% ont été obtenues entre les planches débitées à partir du meilleur bout par rapport à celles débitées par le mauvais bout. En utilisant des grades supérieurs, il est plus facile d obtenir un meilleur rendement. Par contre, les prix de la matière première sont plus élevés. Ainsi, pour une différence de rendement de 16 % entre le No. 1 Commun et le No. 2A Commun, bien des industriels sont prêts à payer de 90% à 125% de plus pour acheter du No. 1 Commun (Gatchell 1985). Un calcul simple de Mitchell (2001) montre que pour obtenir 1000 pmp de composants, il en coûte $ avec du No. 1 Commun, considérant le prix du No. 1 Commun à 900 $/mpmp pour un rendement de 53 %. L utilisation de No. 2 Commun réduit le coût à $ avec un prix de bois à 600 $/mpmp et un rendement de 38%. Ceci équivaut à une baisse de 0.12 $/pmp de composants produits. Donc, pour une usine de délignage en tête, l utilisation de No. 2A Commun peut représenter des gains significatifs. L obstacle majeur à l utilisation du bois de grade No. 2A Commun est la perception des dirigeants qui croient ne pouvoir obtenir 11

20 que des composants courts avec ce grade (Gatchell 1985). Une autre étude de Gatchell (1991) démontre qu en utilisant du No. 2A Commun, il a été possible de produire plus de longs composants que prévu dans le carnet de commande et pas assez de composants courts. Par contre l utilisation de planches de qualité No. 2A Commun, nécessite généralement l utilisation de plus de planches pour produire le même carnet de commande, il faut donc avoir plus de capacité de production, le coût de la main d œuvre ira augmentant de même que la consommation d électricité Carnet de commande Le carnet de commande est une liste de débits de dimensions connues à produire où chacun des débits peut être produit pendant une production de débitage secondaire (Manalan et al. 1980). Dans un carnet de commande, on retrouve pour chaque composant, la largeur, la longueur, la qualité et la quantité à produire. Le seul projet de recherche décrivant de façon extensive des carnets de commande en usage dans l industrie date de 1982 (Araman et al. 1982, Araman 82). Araman et ses collaborateurs ont proposé un nouveau système de production des composants de dimension appelé «Standard-size hardwood blanks». Ces auteurs suggèrent de produire avec les délignages, des collages de bois massif. Les panneaux ainsi produits pourraient alors servir à couper les dimensions nécessaires au lieu d utiliser des planches individuelles. Afin de déterminer la dimension des panneaux, Araman a fait un sondage dans l industrie. Il a récolté et analysé les dimensions, les quantités et les qualités utilisées par les industries américaines du meuble, de l ébénisterie et des armoires (Araman et al. 1982). Les auteurs ont recueilli des exemples de carnets de commande provenant de 32 industriels. Le tableau 1.3 montre les besoins en terme de composants solides pour les industries utilisant du bois franc en utilisation d apparence. 12

21 Tableau 1.3 : Sommaire de la qualité des composants en bois solide utilisés (Araman et al. 1982) Épaisseur nominale (po) Qualité des composants Pourcentage du volume total produit 5/8 Clair (C1F et C2F) 5.5 4/4 Clair (C1F et C2F) /4 Intérieur sain /4 Clair (C1F et C2F) /4 Clair (C1F et C2F) 6.7 8/4 Clair (C1F et C2F) 6.7 autres 5.7 Total 100 On constate que les industries des produits d apparence en bois solide exigent 44.5% de composants de 4/4 clairs de défauts. La distribution moyenne longueur/largeur des composants en bois franc solide est présentée au tableau 1.4. Tableau 1.4 : Distribution longueur/largeur des composants de 4/4 et clairs de défauts pour les fabricants de meubles, cabinets et moulure architecturale. (Adapté d Araman et al. 1982) Groupe de longueurs Groupe de largeurs (po) (po) Total > 5.0 (%) Total (%)

22 Pour l industrie du meuble, seulement 36 % des composants sont sous les 25 po de long. La très grande majorité, près de 80% des composants sont supérieurs à 5.0 po de largeur, on peut en déduire que ce sont des panneaux résultant de collage, ce qui montre que le collage est une pratique fort répandue dans l industrie du meuble (Araman 1982). Ce tableau (Tableau 1.4) d Araman a été utilisé par de nombreux auteurs pour élaborer des carnets de commande standardisés. Ces auteurs prenaient pour acquis qu il était représentatif de l ensemble des besoins de l industrie du meuble. Il est à noter cependant que, dans tous les cas, ils n ont utilisé que les composantes égales ou inférieures à 5 po. Ce faisant, ils ont négligé la production de panneaux, qui permet d augmenter considérablement le rendement matière et qui représente tout de même près de 80% de la production totale. Également, ce choix a certainement biaisé leurs conclusions à l effet que le délignage en tête soit plus avantageux que le tronçonnage en tête. En effet on sait que le tronçonnage en tête est plus avantageux en général dans les opérations impliquant la production de panneaux (longueur fixe et largeurs variables). L élaboration des carnets de commande est une tâche cruciale et le choix des composants aura un effet positif ou négatif sur le rendement. Selon Pepke et Kroon (1981), l application de 4 principes simples aide à maintenir un bon rendement dans une usine de tronçonnage en tête. Premièrement, il faut décider du nombre de longueurs à inclure dans le carnet. Selon Pepke et Kroon, il en faut de 5 à 9 et surtout ne pas insérer des longueurs multiples comme 26 pouces et 52 pouces, puis éviter les grands espacements dans les longueurs courtes. En deuxième lieu, il faut choisir quelles longueurs sont à couper en premier. Généralement, il convient d insérer les longueurs les plus grandes, les plus difficiles à obtenir, et remplacer les composants réalisés par des semblables. Troisièmement, il faut choisir la qualité de bois afin de réaliser le carnet et maintenir un bon rendement. Puisque l on doit réaliser les composants difficiles en premier, il convient d utiliser la meilleure qualité de bois en premier. Selon Pepke et Kroon, lorsque 70 % à 90 % des composants difficiles sont réalisés, le bois de qualité supérieure doit être substitué par celui de qualité inférieure. Par contre, cette affirmation va à l encontre de Gatchell (1985), puisque ce dernier obtient plus de long composants que prévu avec des planches de faible qualité. Ainsi, l utilisation de planches de qualité inférieure en premier lieu permettrait probablement d obtenir plus de composants difficiles à produire avec ce type de 14

23 qualité, ce qui réduirait l utilisation de planches de qualité supérieure et donc les coûts d approvisionnement en matière première. Finalement, il importe de toujours maintenir le même nombre de longueurs Largeur des planches La largeur moyenne des pièces utilisées peut avoir un effet significatif sur le rendement particulièrement lorsque le carnet de commande contient uniquement des composants de dimensions fixes et aucun panneau (Weidhaas 1996, Wiedenbeck 2001a, b). Par contre, l effet de la largeur des pièces et sa relation avec le grade ne sont pas bien connus. La largeur des pièces influence le rendement pour une usine de tronçonnage en tête, car plus la pièce est large, plus les pertes augmentent lors du tronçonnage (Weidhaas 1996). L utilisation de pièces étroites dans une usine de délignage en tête fait diminuer le rendement. Si la déligneuse est à scies fixes, le rendement en sera encore plus affecté et l obtention de composants larges à partir de planches étroites sera très difficile à obtenir. Selon Gatchell (1987) les planches dont la largeur est inférieure à 4 ½ pouces devraient être tronçonnées afin d obtenir un meilleur rendement. C est également ce qu a observé Clément (2004 a et b). Les planches de bouleau blanc étaient étroites ce qui favorisait le tronçonnage en tête. De plus, l impact de la largeur sur le rendement d une usine peut être important puisqu elle dicte d acheter des grades supérieurs pour certains types de carnet de commande. Généralement les grades FAS et F1F sont plus larges que les grades Selects et Communs. Cette différence est grande, une étude menée aux États-Unis en 1990 dans plusieurs usines a démontré que la largeur moyenne du FAS et F1F était de 7 ¾ po, alors que la largeur moyenne du Select était de 5 ¾ po, de 7 po pour le No. 1 Commun et de 5 ¼ po pour le No. 2A Commun (Weidhaas 1996) Courbure des planches La géométrie des planches aura également une influence sur le rendement matière. Dans ses travaux sur l impact de la courbure, Gatchell (1990 et 1991) montre qu une augmentation de la courbure réduit la quantité de bois dans le délignage primaire et fait augmenter le travail de récupération. Le fait de tronçonner les planches afin d enlever la courbure permet des gains 15

24 de 4 % en rendement matière et réduit considérablement les coupes de récupération (Gatchell 1990). Dans la base de données de chêne rouge du USDA (Gatchell et al. 1998), les planches dont la courbure excédait le ¼ pouce ont été retirées ce qui avantage grandement le délignage en tête. Dans ses travaux sur le bouleau blanc, Clément (2004a) observe que la courbure est une des causes qui a permis au tronçonnage en tête d obtenir des rendements supérieurs. Selon Wiedenbeck (2001b), la présence de défilement dans les planches favorise le tronçonnage en tête car pour chaque tronçon de coupe, l angle du défilement en est réduit. 1.3 Carnet de commande et rendement La relation entre le rendement et le carnet de commande est difficile à prédire, mais il est certain que la composition du carnet de commande a un effet sur le rendement matière. Le rendement pour un carnet de commande donné augmente légèrement lorsque la quantité de longueurs courtes augmente puisqu il est plus facile de placer des pièces courtes entres les défauts surtout en tronçonnage en tête (Gatchell 1985). Pour une usine de délignage en tête, le rendement total est dépendant de la quantité et de l intervalle de longueurs dans le carnet de commande. Un carnet constitué de composants larges influence négativement le rendement. La géométrie du carnet de commande; le mélange de grades; la dimension des pièces; la localisation des défauts sont tous des facteurs reliés entre eux qui peuvent avoir une influence positive ou négative sur le rendement (Gatchell 1985). Thomas (1998) note que l optimisation du rendement est compliquée du fait de la présence du carnet de commande. Le carnet de commande force les usines à produire un nombre spécifique de composants ce qui influence le rendement à la baisse. En utilisant des carnets à quantités infinies, le rendement serait supérieur car il y aurait moins de contraintes appliquées. Dépendamment des besoins du carnet de commande, le rendement sera plus ou moins affecté. Une règle du pouce pour déterminer le rendement est de prendre le rendement en surface claire du grade utilisé. Par exemple, pour du No. 1 Commun, le rendement matière devrait se situer entre 66 2/3 % à 83 1/3 %. Cette méthode a ses limites et des modèles plus précis ont été développés. Englerth et Schumann (1969) ont publié des tables pour estimer le rendement pour des carnets de commande et des essences spécifiques. Les plus connus sont des nomogrammes publiés par le USDA Forest Service, (Englerth et Schumann 1969). 16

25 La figure 1.1 montre le nomogramme du No. 1 Commun pour du chêne rouge. Bien que les nomogrammes soient tirés des opérations de tronçonnage en tête, ils ont souvent été utilisés pour des applications de délignage en tête. Figure 1.1: Nomogramme des rendements pour du chêne rouge No. 1 Commun (adapté de Englerth et Schumann 1969) 17

26 Wiedenbeck et Thomas (1995a et 1995b) ont développé une nouvelle matrice pour le délignage et le tronçonnage en tête. Ils ont divisé vingt-quatre carnets de commande provenant des membres de la Wood Component Manufacturers Association (WCMA) en quatre groupes : carnet de composants à prédominance de courts/étroits, courts/larges, longs/étroits et longs/larges. Les carnets de commande ont été utilisés pour les simulations avec ROMI RIP et CORY. Les essais ont été réalisés avec des planches de chêne rouge pour trois différents grades : FAS, No. 1 Commun et No. 2A Commun. Les résultats sont présentés au tableau 1.5. Tableau 1.5 : Matrice des rendements pour les simulations de délignage et tronçonnage en tête sur des planches de chêne rouge Rendement (%) Type de Délignage en tête Tronçonnage en tête carnet de commande Grade Grade FAS 1 Commun 2A Commun FAS 1 Commun 2A Commun courts/étroits (76) (65) (51) courts/larges longs/étroits (72) (60) (50) longs/larges (62) (53) (31) Les deux valeurs dans le tableau indiquent les rendements minimum et maximum obtenus pour chacun des groupes de carnet de commande et le rendement moyen se trouve entre parenthèses. Les résultats de chacun des groupes en délignage en tête sont très dispersés et il y a des chevauchements entre les estimés. Les rendements en tronçonnage en tête représentent la moyenne obtenue des différents carnets utilisés pour chacun des groupes. Malgré le fait que les carnets des commandes soient regroupés par géométrie, il persiste une grande variabilité de rendement dans les regroupements (Buehlmann 1998). De grandes variations dues aux différents besoins furent aussi observées dans les travaux de Buehlmann et al. (1998 et 1999). 18

27 1.4 Les logiciels d optimisation Les logiciels d optimisation sont de plus en plus utilisés dans plusieurs industries pour évaluer des alternatives possibles afin d améliorer les rendements (Wiedenbeck 1992b). La simulation est le procédé de définir un modèle d un système manufacturier réel pour en comprendre le comportement et/ou évaluer différentes stratégies pour en améliorer l opération (Wiedenbeck 1992b). Ainsi, les logiciels d optimisation permettent de représenter un procédé de façon réaliste sur un ordinateur sans avoir à le réaliser dans l usine. Les utilisations typiques des logiciels d optimisation sont : évaluation des nouveaux équipements; comparaison des systèmes; prédiction de la performance sous certaines conditions; analyse de sensibilité; optimisation pour le meilleur scénario; évaluer les relations entre les éléments; évaluer les goulots d étranglement. En 2000, on s attendait à ce que près de 40 % des ingénieurs industriels utilisent des outils de simulation pour supporter leurs décisions comparativement à 17 % en 1988 (Bergstrom 1988). Aujourd hui, les logiciels d optimisation sont plus développés et fonctionnent sur des ordinateurs qui permettent de traiter un nombre considérable de variables et de calculs. Les logiciels d optimisation de débitage secondaire sont souvent utilisés par les manufacturiers et les chercheurs pour analyser les systèmes de production en place et les options disponibles dans le futur sur le rendement et les coûts (Thomas 1998). Les logiciels d optimisation de débitage secondaire représentent un moyen rapide et peu onéreux d examiner différentes stratégies (Thomas 1998). C est au début des années 1960 que les premiers logiciels d optimisation de débitage ont été développés. R.J. Thomas (1962) fut le pionnier de l utilisation d un logiciel d optimisation informatique pour estimer le rendement au débitage. Thomas (1962) a établi la géométrie et la localisation de défauts sur pmp de différentes essences américaines sur des cartes perforées. Selon Buehlmann (1998), le 19

28 programme de Thomas inclut deux suppositions simplificatrices. Premièrement, le trait de scies n est pas considéré et deuxièmement, les pièces coupées ne sont pas prolongées au-delà des dimensions de la planche. Il en résulte que certaines coupes ne sont pas réalisables en réalité. Ces deux simplifications de Thomas haussent artificiellement le rendement matière d après Buehlmann (1998). Wodzinski et Hahm (1966) ont ajouté le trait de scie et solutionné le problème des coupes irréalisables du programme de Thomas. Leur algorithme appelé YIELD, cherche les surfaces claires sur la pièce, puis positionne le plus large composant en premier, suivi des composants plus petits dans les surfaces claires restantes. Le programme utilise la formule Priorité = Longueur 2 x Largeur ce qui met l emphase sur les composants longs (Thomas 1996b). Le programme vérifie aussi les lignes de coupe des composants afin de respecter les dimensions de la pièce. La décision de tronçonner ou de déligner se fait selon la quantité minimale de traits de scies. En 1978, Stern et McDonald ont créé MULRIP, le prédécesseur de RIPYLD (Stern et McDonald 1978). Contrairement au programme YIELD, ces deux systèmes peuvent effectuer du délignage multiple dans la même étape. RIPYLD effectue d abord le délignage en utilisant la meilleure combinaison de largeurs. Les défauts ne sont considérés qu à la seconde étape, soit au tronçonnage. Le programme permet également d effectuer des coupes de récupération. Giese et McDonald (1982) développent OPTYLD qui emploie des méthodes d optimisation plus avancées. C est aussi le premier des programmes qui permet une optimisation du rendement en surface ou en valeur. RIPYLD et OPTYLD optimisent le rendement matière sans considération pour le nombre de composants. En 1984 Brunner développe CORY, le premier logiciel d optimisation intégrant le délignage en tête ou le tronçonnage en tête en accord avec les spécifications des utilisateurs. CORY permet l utilisation des largeurs variables ou fixes et plus de 10 longueurs (Brunner 1989). Selon Buehlmann (1998), CORY obtient des rendements, de 2.7 à 4.2 %, supérieurs au programme YIELD et il est 63 fois plus rapide. Une autre amélioration importante apportée 20

29 avec CORY est la manière d établir les priorités de débitage des composants (parts prioritization). La formule originale employée est la même que celle de YIELD. Priorité = Longueur 2 x Largeur Selon Buehlmann (1998), c est en 1990 que Maristany et ses collaborateurs introduisent un facteur de poids exponentiel. Ainsi, au lieu d appliquer la longueur au carré afin de toujours favoriser les composants longs, l introduction du facteur de poids permet à l utilisateur de choisir la valeur désirée ce qui donne plus de latitude. La nouvelle formule devient donc : Priorité = Longueur wf x Largeur Thomas et al. (1994) utilisent le même algorithme que GR-1ST de Hoff et al. (1991) mais ils améliorent l interface usager ainsi que l algorithme pour la récupération. Le programme appelé AGARIS prévoit 3 types d arbre de scies, 10 longueurs et 3 largeurs possibles et une optimisation des priorités qui favorise les composants longs (Thomas 1996b). En 1995, Thomas met au point un logiciel d optimisation appelé ROMI-RIP. Aujourd hui c est l outil de simulation le plus utilisé puisqu il serait à ce jour, celui qui reflète le mieux les usines de débitage secondaire (Thomas et Buehlmann 2002 et Buehlmann 1998). Il simule les opérations de délignage en tête, utilise des planches numérisées et traite des carnets de commande pouvant contenir 300 composants différents avec quantité déterminée. ROMI-RIP utilise une stratégie de priorité dynamique basée sur les dimensions des composants ainsi que sur la quantité requise (Thomas 1996a). Le programme contient plusieurs caractéristiques uniques dont un compteur pour les largeurs et longueurs variables, une opération de récupération qui tient compte soit des composants primaires ou des composants spécifiques, six arbres de scies différents et six stratégies de priorité (Buehlmann 1998). Les stratégies de priorité permettent aux utilisateurs de choisir l approche correspondant le mieux à la situation modélisée (Thomas 1996b). Dans cette même étude, Thomas démontre que la stratégie de priorité dynamique complexe (CDE) donne un meilleur résultat que la priorité dynamique simple (SDE). La formule de priorité dynamique complexe tient compte de la largeur, la longueur et de la quantité. Ainsi, la formule est la suivante : 21

30 Priorité = Longueur wf x Largeur wf Pour démontrer l affirmation de Thomas, une expérience de Widoyoko (1996) portant sur les six stratégies de ROMI-RIP, démontre que la stratégie dynamique complexe offre un meilleur rendement. Le tableau suivant contient les résultats de son expérimentation. Tableau 1.6 : Rendement obtenu selon la stratégie de priorité utilisée Expériences Stratégie de priorité Rendement obtenu 1 Stratégie dynamique complexe % 2 Stratégie dynamique simple % 3 Longueur 2 x Largeur x Quantité % 4 Longueur 2 x Largeur % 5 Valeur dynamique % 6 Valeur % Selon Thomas (1996b), si les stratégies complexes simples et dynamiques étaient incorporées aujourd hui dans les outils d optimisation et les systèmes de contrôle, d importantes réductions dans la consommation de bois et dans les coûts de production seraient réalisées dans la plupart des situations de production. Puisque plusieurs décisions sont prises sur la base des résultats fournis par les outils de simulation, il devient important de vérifier si les résultats obtenus sont valides. En 1998, Kline et ses collaborateurs ont montré que ROMI-RIP produisait des rendements supérieurs d environ 3,5% comparativement à une usine typique (Kline et al. 1998). Thomas et Buehlmann (2002) ont donc décidé de valider la performance de ROMI-RIP avec une usine de débitage typique. Les résultats de leur recherche démontrent qu en configurant ROMI-RIP pour obtenir le rendement optimum, celui-ci produit des rendements supérieurs de 4.82% (différence significative à 99%) en moyenne de quatre simulations par rapport à l usine. En produisant uniquement des composants clairs, la différence de rendement est de 7.16% (significatif à 99%). L étude a confirmé la capacité de ROMI-RIP à simuler de façon réaliste une usine de débitage cependant les auteurs admettent que la réalisation d un modèle réaliste nécessite des adaptations au logiciel qui ne sont pas à la portée de l utilisateur moyen. Thomas 22

31 s engage à intégrer des modifications permettant de modéliser de façon plus réaliste des usines réelles dans une prochaine version du logiciel. En 1997, Thomas développe ROMI-CROSS un logiciel d optimisation de tronçonnage en tête compatible avec ROMI-RIP. Par contre, l interface de ROMI-CROSS n est pas conviviale comparativement à celle de ROMI-RIP. Depuis 2001, le Centre de Recherche Industrielle du Québec (CRIQ) développe un logiciel d optimisation de débitage secondaire deux axes. Le logiciel nommé BorealScan permet de trouver le meilleur placement des composants dans une planche en évaluant simultanément l approche par délignage et tronçonnage en tête afin de diriger la planche vers la meilleure des deux options (CRIQ 2001). L outil d optimisation est conçu pour être intégré à un équipement automatisé ou fonctionner en mode autonome afin de réaliser des simulations (CRIQ 2001). La grande force de ce logiciel d optimisation est sa convivialité ainsi que les différentes stratégies de débitage modélisées. Le tableau suivant contient les différentes stratégies de débitage modélisées par le logiciel. Tableau 1.7 : Stratégie de débitage de BorealScan Tronçonnage en tête Panneautage Meilleur tronçonnage-panneautage Meilleur tronçonnage-délignage toute longueur Meilleur tronçonnage-délignagepanneautage Délignage en tête Délignage toute longueur (plancher) Meilleur délignage-tronçonnage (Cellule Flexible) Meilleur délignage-panneautage Meilleur délignage-délignage toute longueur Meilleur délignage-dtl-panneautage * * = dtl = délignage toute longueur (bois de plancher) Délignage et tronçonnage : Composants de longueur et de largeur fixe; Panneautage : Composants de longueur fixe et de largeur variable; Délignage toute longueur : Composants de longueur variable et de largeur fixe; Meilleur : Composants produits dans chacune des planches représentent la meilleure solution des deux ou des trois choix possibles. Les composants produits dans la planche ne sont que d un seul type contrairement aux stratégies hybrides décrites subséquemment. 23

32 Pour chacun des types de simulation de débitage mentionnés, il existe un mode hybride qui permet de produire plusieurs types de composants dans une même pièce (ex : composants fixes et composants plancher). C est un mode de fonctionnement unique qui permet une meilleure optimisation de la production. De plus, il existe différents types d asservissement (procédé qui contrôle la façon de gérer le remplacement des composants de la simulation courante) dont une optimisation évolutive automatique. Ce type d asservissement permet le remplacement automatique des pièces. Ainsi, dans le carnet de commande un certain nombre de pièces sont actives et d autre inactives. Contrairement aux autres logiciels d optimisation disponibles, aucun choix de la face à optimiser n est prédéterminé. BorealScan sélectionne la face à optimiser pour chacun des débits à placer. Pour le placement de composants Clair 1 face, certains auront la face claire sur le dessus et d autres en dessous. Il demeure que l avantage principal de BorealScan est la possibilité de simuler la stratégie de débitage flexible. Ce mode d optimisation permet d obtenir l optimum sur chacune des planches entrées, peu importe la géométrie du carnet de commande, la qualité et les dimensions des planches. Il est tout de même important de continuer à gérer adéquatement ces trois facteurs afin de maintenir un niveau de rendement élevés. 24

33 CHAPITRE II MATÉRIEL ET MÉTHODES 2.1 Matériel Le matériel utilisé pour réaliser cette étude était constitué de planches d érable à sucre et de cerisier tardif. Ces dernières ont été fournies par un industriel localisé dans le sud-est du Québec, dans la région des Bois-francs. Cet industriel s approvisionne en érable à sucre majoritairement du Québec et aussi de la Nouvelle-Angleterre. Le cerisier provient principalement de la Nouvelle-Angleterre Les planches Pour la réalisation de cette étude, des planches de 4/4 pouces séchées et non-rabotées d érable à sucre et de cerisier tardif ont été utilisées. La longueur des planches variait entre 1,2 m (48 pouces) et 2,4 m (96 pouces) mais pour la majorité des planches, la longueur se situait entre 1,8 m (72 pouces) et 2,4 m (96 pouces). Pour chacune des essences, trois grades NHLA (1998) ont été utilisés soit du No. 1 Commun, No. 2A Commun et No. 3A Commun. 25

34 Tableau 2.1 : Description de la banque de planches Banques Longueur moyenne Largeur moyenne Nombre de planches Volume moyen / planche (m 3 ) Volume Total (m) (m) (m 3 ) Érable No 1 Commun Érable No 2A Commun Érable No 3A Commun Cerisier No 1 Commun Cerisier No 2A Commun Cerisier No 3A Commun Méthode Les planches d érable à sucre et de cerisier ont été numérisées afin de créer la base de données nécessaire pour la réalisation des simulations. Trois logiciels d optimisation ont été utilisés soit ROMI-RIP (Thomas 1999), ROMI-CROSS (Thomas 1997) et BorealScan (CRIQ 2001) afin de simuler les différents procédés de débitage (délignage en tête et tronçonnage en tête ainsi que la cellule de débitage flexible). Des mélanges de 65 planches choisies aléatoirement ont été réalisés afin de constituer des lots pour réaliser les simulations. Ceci apporte la variabilité nécessaire pour les analyses. Ainsi, il est possible statistiquement d obtenir, à partir d une même banque, des lots de planches échantillons différents. Chaque mélange donne en moyenne au moins 150 pmp. Nous avons produit 15 fichiers de lots de planches pour chacune des catégories afin d obtenir une population suffisante pour réaliser les tests statistiques Système de vision numérique Le système utilisé pour numériser les planches possède une résolution de 2048 pixels en largeur sur les planches avec un champ maximal couvert de 38 cm, ce qui donne une unité de lecture de 0,2 mm sur l axe transversal des planches. Puisqu il s agit d un système servant à reconnaître les défauts marqués par un opérateur, la précision du positionnement des défauts 26

35 est limitée par la précision des opérateurs. Il est important de noter que le rapport des proportions sur ces images n est pas de 1 x 1. La résolution des caméras donne une précision en lecture transversale (largeur) 5x plus grande que dans l axe longitudinal (longueur), donc l unité de lecture longitudinale était de 1 mm. Les marques lues sont transformées en polygones à partir d un traitement morphologique. Les polygones trouvés sont ensuite transformés en rectangles dont la granularité est configurable. Puisque le temps d optimisation n était pas un paramètre limitant, nous avons opté pour un plus grand nombre de rectangles afin de bien définir les surfaces des défauts. Figure 2.1 : Exemple de marquage, segmentation (polygone) et transformation en rectangles pour une planche d érable à sucre. La figure 2.1 représente une planche d érable à sucre. On voit bien la coloration foncée (bleu), un défaut acceptable dans le bois de plancher (vert) et les défauts de bord (rectangles blancs sur fond noir). Dans le calcul de la surface à optimiser, la surface des défauts de bord est soustraite de la surface totale du rectangle définissant les limites de la planche. Cependant afin de se conformer aux modes de fonctionnement des logiciels du USDA, la surface totale du rectangle de référence a été utilisée dans le calcul du rendement matière, ce qui a pour effet de diminuer le rendement matière réel. 27

36 Figure 2.2 : Exemple de marquage, segmentation (polygone) et transformation en rectangle pour une planche de cerisier avec coloration pâle Sur cette planche de cerisier (Figure 2.2) on voit une coloration pâle (jaune), présentant peu de différence de teinte entre le cœur et l aubier, et des défauts acceptables pour le plancher (vert). Figure 2.3 : Exemple de marquage, segmentation (polygone) et transformation en rectangle pour une planche de cerisier avec coloration foncée La Figure 2.3 présente une planche de cerisier contenant de la coloration foncée (bleu) ainsi qu un défaut acceptable dans le bois de plancher (vert). 28

37 Figure 2.4 : Exemple de marquage, segmentation (polygone) et transformation en rectangle pour une planche de cerisier avec un défaut inacceptable à purger (rouge) ainsi que deux nœuds à tête d épingle. La Figure 2.4 présente une planche de cerisier contenant un défaut inacceptable, à purger (rouge) ainsi que deux nœuds à tête d épingle Base de données La base de données a été constituée à partir des images des planches numérisées à l aide du système de scanneur «BorealScan» du CRIQ. La base de données contient des planches d érable à sucre et de cerisier tardif. Pour chaque essence, trois grades NHLA ont été utilisés soit du No. 1 Commun, No. 2A Commun et No. 3A Commun. Les planches sèches non-rabotées, ont été observées par un opérateur qui en a marqué les défauts sur les deux faces. Les rives n ont pas été délignées ni marquées. L opérateur disposait de trois crayons fluorescents de couleurs différentes pour le marquage des défauts. Chacun des crayons signifiait un regroupement de défauts. Le crayon rouge pour les défauts inacceptables pour tous les produits, le bleu pour les défauts de coloration et le vert pour les défauts acceptables sur les composants de bois de plancher. Les planches ont ensuite été numérisées par le système de vision afin de produire un fichier de planche utilisable par le logiciel de traitement des images. 29

38 Afin de rendre plus flexible la base de données, nous avons modifié manuellement le regroupement des défauts à l aide d un logiciel de traitement d images. Ceci a permis de séparer la coloration foncée de la coloration pâle et de séparer les nœuds à tête d épingle des défauts de bois de plancher. Les planches dont la stabilité mécanique était incertaine et celles dont la courbure rendait la numérisation impossible avec le scanneur ont été retirées du lot Logiciels d optimisation Les fichiers générés étant déjà dans le format de BorealScan, la première étape fut de convertir les fichiers de planches pour leur utilisation avec ROMI-RIP et ROMI-CROSS. C est avec un convertisseur développé par le CRIQ que nous avons fait la conversion des fichiers de planches (.pla) en format ROMI-RIP (.dat). Avec un convertisseur déjà existant du USDA, nous avons converti les fichiers de planches (.dat) pour leur utilisation avec ROMI-CROSS (.vbd). Le Tableau 2.4 présente la correspondance des défauts pour les logiciels du USDA. Il n est pas nécessaire que les défauts correspondent strictement dans les trois systèmes de représentation. La seule exigence réside dans la concordance entre les définitions du grade des composants définis dans chacun des logiciels. Tableau 2.4 : Liste de correspondance des défauts Types de défauts Correspondance ROMI ROMI-RIP ROMI-CROSS BorealScan Défaut de bord Void 2 N/A Coloration pâle Callus Wood Coloration foncée Sapstain/Mineral Streak Défauts de plancher All Sound Knots Nœuds à tête d épingle Pin Worm Hole (1/16) Défauts inacceptables All Unsound Knots Étant donné que le logiciel ROMI-CROSS ne peut inverser les planches lors de l optimisation, de façon à considérer chacune des deux faces, il a fallu scinder chacun des lots de 65 planches en deux fichiers, un fichier contenant les planches avec la meilleure face sur le dessus et l autre avec les planches contenant la meilleure face en dessous. La meilleure solution considérant les deux faces pour chaque planche a ensuite été retenue pour le calcul du 30

39 rendement. Les deux figures suivantes représentent des planches de cerisier converties pour ROMI-RIP, ROMI-CROSS et leur représentation correspondante en BorealScan. En comparant les images on constate qu elles sont similaires. Les différences proviennent du fait que dans ROMI-RIP, la dimension des défauts se fait par des incréments de 6,35 mm, tandis que BorealScan utilise un mode différent de positionnement des défauts qui lui confère une précision d environ 1,5 mm, ce qui permet d être plus précis. Les défauts sont donc en général plus grands dans les logiciels du USDA. a) b) Figure 2.5 : Représentation graphique des planches en format a) ROMI-RIP et b) BorealScan. a) b) Figure 2.6 : Représentation graphique des planches en format a) BorealScan et b) ROMI- CROSS. 31

40 Pour obtenir des résultats concordants, les trois logiciels de simulation ont été configurés de la même façon: Arbre à scies multiples mobiles; Opération de récupération sans limite permise (salvage cut) mais les débits de récupération doivent être inclus dans le carnet de commande de base; Trait de scie de 4,76 mm (3/16 pouce) en délignage; Trait de scie de 4,76 mm (3 /16 pouce) en tronçonnage; Quantité infinie de composants à produire; Stratégie d optimisation : surface, CDE (Complex Dynamic Exponent) et prix Carnets de commande et modes d optimisation Les carnets de commande sont utilisés dans différentes opérations industrielles et ils contiennent une variété de composants de différentes dimensions, qualités et quantités. Pour cette étude, plusieurs carnets de commande ont été fournis par un industriel ayant une opération de débitage secondaire. Afin de réduire la complexité du problème, les carnets de commande ont été regroupés puis standardisés afin d en constituer un seul. La standardisation suivant une méthode de réduction similaire à celle proposée par Buehlmann (1998) permet de regrouper certaines longueurs et largeurs de composants et d en réduire la quantité sans induire de biais dans la simulation. Les composants ont été requis en quantités infinies, ainsi la quantité demandée n influence pas les rendements obtenus. Dans les logiciels ROMI-RIP et ROMI-CROSS, l algorithme de recherche utilise la quantité afin de favoriser la production des composants les plus en demande. Par contre, le logiciel du CRIQ ne tient pas compte de cette variable dans sa recherche de solution optimale. Afin d obtenir des résultats comparables, il a été décidé d utiliser des quantités infinies. Le carnet de commande résultant contient des composants à dimensions fixes seulement variant en longueur entre 11 ½ pouces et 71 pouces puis en largeur entre 1 ¾ pouces et 5 pouces. Au total nous obtenons 44 composants différents dont 15 longueurs et 8 largeurs. La liste des composants du carnet de commande se trouve à l annexe I. 32

41 Trois modes d optimisation ont été utilisés pour réaliser les simulations, soit : l optimisation en rendement matière aussi appelée en surface; l optimisation avec des coefficients de priorité appliqués à chaque composant du carnet de commande (Complex Dynamic Exponent); et l optimisation en valeur ou en prix. Nous avons tout d abord réalisé des comparaisons en tronçonnage en tête et en délignage en tête avec les trois logiciels de simulation (ROMI-RIP, ROMI-CROSS et BorealScan) pour les trois modes d optimisation. Les résultats obtenus étaient en pourcentage pour l optimisation en surface, et pourcentage également avec le mode d optimisation CDE et finalement en pourcentage et en valeur monétaire pour l optimisation en prix. Les comparaisons en tronçonnage en tête en surface n ont pu être réalisées car ROMI- CROSS ne permet pas cette option. Par la suite, nous avons effectué des comparaisons entre le délignage en tête, le tronçonnage en tête et la cellule de débitage flexible avec le logiciel BorealScan. Ainsi, les comparaisons ont été réalisées selon une optimisation en surface et en prix. Le tableau suivant contient les différentes simulations effectuées avec les trois logiciels utilisés. Tableau 2.2 : Liste des de simulations réalisées et des critères d évaluation utilisés Surface CDE Prix (%) (%) (%) ($) ROMI-RIP X X X X ROMI-CROSS X X X BorealScan (Rip-first) X X X X BorealScan (Crosscut-first) X X X BorealScan (Rip-first) O O BorealScan (Crosscut-first) O O BorealScan Cellule Flexible O O 33

42 Qualité des composants Nous avons regroupé les défauts en quatre catégories soit : la coloration pâle, la coloration foncée, les nœuds à tête d épingle et les défauts à purger dans tous les cas. Le tableau suivant décrit la structure du grade en explicitant pour chaque défaut lesquels sont acceptables ou inacceptables et à quelle condition. Tableau 2.3 : Description de la qualité des composants Type de défauts Défaut de bord À purger Coloration pâle Coloration foncée Noeuds à tête d épingle Statut du défaut dans le grade des composants Inacceptable Inacceptable Acceptable sur le revers seulement Acceptable sur le revers seulement Acceptable sur les deux faces Définition des types de défauts : Bord : Défaut de bord dans les zones du rectangle qui entourent la planche et qui ne contiennent pas de bois (flache ou vide); À purger : défauts à purger peu importe le grade demandé (p. ex. : pourriture, fentes profondes, trous); Coloration pâle : bois de cœur de teinte très semblable au bois d aubier; Coloration foncée : bois de cœur de teinte différente au bois d aubier, stries minérales; Nœuds à tête d épingle : nœuds de dimension inférieure à 1/16 po Analyse statistique Détermination du nombre de répétitions Puisque la moyenne et l écart-type de notre population sont inconnues au départ, nous avons réalisé les simulations avec 15 lots de 65 planches afin d obtenir des estimés initiaux de la variance des populations. La moyenne des échantillons se trouve dans un écart dispersé des 34

43 deux côtés de la moyenne (two-sided). Nous supposons que nos échantillons sont tous issus d une population de distribution normale et qu ils sont indépendants. Le nombre de répétitions nécessaire pour détecter une différence de 1 % dans 95 % des cas est déterminé par l équation suivante : n = (t /2, n-1 + t β, n-1 ) 2 x S 2 / δ 2 (Devore 1987) n = nombre de répétitions; = niveau de confiance pour un test bilatéral, fixé à 0.05; β = probabilité de faire une erreur de type II, fixée à 0.10; S = estimé initial de l écart-type des échantillons; δ = puissance du test, différence à détecter entre 2 populations, fixé à 1%. Il s agit d un processus itératif, le nombre de répétitions déterminé initialement est utilisé afin de trouver de nouveau «n». Le processus se termine lorsque le «n» utilisé concorde avec le «n» résultant. Tableau 2.5 : Nombre de répétitions à effectuer pour détecter une variation de 1 % N = 15 Délignage (BorealScan) Tronçonnage (BorealScan) Dél/Tron (BorealScan) Délignage (ROMI- RIP) Tronçonnage (ROMI- CROSS) Érable No. 1 Commun Érable No. 2A Commun Érable No. 3A Commun Cerisier No. 1 Commun Cerisier No. 2A Commun Cerisier No. 3A Commun

44 Analyse factorielle avec un modèle d ANOVA Tous les résultats de cette étude ont été analysés à l aide du progiciel d analyse statistique SAS. La procédure d analyse de variance a été utilisée. Lorsque des effets significatifs étaient détectés par l ANOVA, des comparaisons pairées (tests de Student) ont été réalisées pour identifier les différences entre les traitements spécifiques. Nous avons utilisé pour la première étude un modèle factoriel à 4 entrées pour comparer le délignage en tête avec le tronçonnage en tête. Les quatre entrées étaient les suivantes : Débitage (Délignage et Tronçonnage) Logiciels (ROMI-RIP, ROMI-CROSS et BorealScan) Essences (Érable et Cerisier) Qualité (No. 1 C, No. 2A C et No. 3A C) Nous avons utilisé un modèle factoriel à trois entrées dans la seconde étude pour comparer le délignage en tête et le tronçonnage en tête avec la cellule de débitage flexible. Dans ce cas-ci, seul le logiciel BorealScan a été utilisé. Les trois entrées sont les suivantes : Débitage (Délignage, Tronçonnage et Cellule flexible) Essences (Érable et Cerisier) Qualité (No. 1 C, No. 2A C et No. 3A C ) 36

45 CHAPITRE III BOREALSCAN, ROMI-RIP AND ROMI-CROSS YIELD COMPARISON FOR HARDWOOD ROUGH MILL OPTIMIZATION 3.1 Résumé Le logiciel d optimisation de débitage secondaire (BorealScan) a été développé par le CRIQ (Centre de Recherche Industrielle du Québec) pour l analyse des opérations de délignage et de tronçonnage en tête. Afin d étudier la performance de ce nouvel outil d optimisation, nous l avons comparé avec des logiciels d optimisation existants développés par le USDA, soit ROMI-RIP et ROMI-CROSS. La comparaison a été réalisée selon une optimisation sur la surface et selon l application d un coefficient de priorité. Une base de données d érable à sucre et de cerisier tardif de qualité No. 1 Commun, No. 2A Commun et No. 3A Commun a été créée avec le numériseur de planches du CRIQ. Les résultats de l étude démontrent qu en optimisant selon l application d un coefficient de priorité (CDE), BorealScan obtient des rendements matière supérieurs à ROMI-RIP et les différences varient entre 2.94% et 5.79%. En ce qui concerne les simulations en tronçonnage en tête, les résultats sont plus variés. ROMI-CROSS obtient un meilleur résultat avec l érable No. 1 Commun et BorealScan obtient un meilleur rendement avec le cerisier No. 1 Commun et No. 3A Commun. Toutefois, environ 5% des solutions de ROMI-CROSS sont erronées ce qui corrompt les résultats en rendement matière finaux. En optimisant sur la surface, BorealScan, en délignage en tête, obtient de meilleurs rendements pour toutes les simulations réalisées. Le tronçonnage en tête 37

46 donne de meilleurs rendements que le délignage en tête pour les deux logiciels et ces différences sont significatives. 3.2 Abstract The BorealScan rough mill Rip-first and Crosscut-first simulation software was developed by the CRIQ (Centre de Recherche Industrielle du Quebec) for analyzing the rough mill operation. To demonstrate the potential of this new simulator, it was compared with existing rough mill software developed by the USDA, ROMI-RIP and ROMI-CROSS. The comparison was realized using the area and the complex dynamic exponent parts prioritization strategies. A database of Black Cherry and Sugar Maple of No. 1 Common, No. 2A Common and No. 3A Common grades was created by digitization with a CRIQ scanner. Results showed that BorealScan obtained higher yield than ROMI-RIP when using the Complex Dynamic Exponent optimization and differences ranged from 2.94% to 5.79%. For Cross-cut first simulations, results were more variable, for Maple No. 1C lumber, ROMI-CROSS was better than BorealScan while for Cherry, BorealScan was better than ROMI-CROSS for No. 1C and No. 3C lumber although differences were small. When optimizing by area, BorealScan (rip-first) achieved higher yield for all simulations realized. Crosscut-first achieved higher yield than Rip-first for both simulators, these differences were significant. 38

47 3.3 Introduction Because of the rising cost of hardwood, the decreasing quality and diameter of logs, rough mills have to address several issues to remain competitive, these are cutting bill composition, lumber grade dimension and cut-up process. Moreover, the many factors affecting yield are heavily interrelated (Buehlmann 1998). It is difficult to evaluate the effect of each factor individually. For this reason, many rough mill analysts use simulation software. It allows users to simulate the process in a realistic manner, on a computer, without having to carry out the process in reality (Thomas and Buehlmann 2002). Users can analyze different ways to solve problems and assist decision making. Today, several cut-up simulation software are available such as RIP-X (Steele and Harding 1991), CORY (Brunner 1989), ROMI-RIP (Thomas 1999) and ROMI-CROSS (Thomas 1997). ROMI-RIP is probably the most widely used. Several authors (Buehlmann 1998, Buehlmann et al. 1999, Clément 2004a, 2004b, Gatchell and Thomas, 1997, 1999, Hamner et al. 2002, Kline et al. 1998, Thomas 1996b, Thomas and Buehlmann 2002, Widoyoko 1996 and Wiedenbeck 1992a, 1995b) realized studies using it. Kline et al. (1998) compared the yield obtained in a state-of-the-art Rip-first rough mill and the maximum yield achievable for the same lumber using ROMI-RIP. They found that ROMI-RIP produced higher yield (3,5 %) than the state-of-the-art rough mill. Thomas and Buehlmann (2002) validated ROMI-RIP 2.0. The validation study indicated that ROMI-RIP closely simulates overall rough mill yield (Hamner et al. 2002) and demonstrated that RR2 simulates satisfactorily the real world system and can be used with confidence for analytical purposes (Thomas and Buehlmann 2002). This latter validation trial was successful although the authors had to develop analysis tools beyond what is readily available in ROMI-RIP. Recently the Centre de Recherche Industrielle du Québec (CRIQ) has developed a simulator named BorealScan to Rip-first, Crosscut-first as well as to perform both processes simultaneously (two-axis optimization enabled by a flexible cell). This simulator has never so far been compared with existing simulation software. 39

48 3.4 Objectives The objective of the research was to compare BorealScan with other existing software. The BorealScan simulator developed by the CRIQ was compared with USDA simulators ROMI- RIP (Thomas 1999) and ROMI-CROSS (Thomas 1997). 3.5 Material and Methods Lumber Sample To compare the simulators, a sample of 4/4 inch-thick, kiln-dried Black Cherry and Sugar Maple was obtained from a rough mill, located South of the Saint-Lawrence river, between Montreal and Quebec City, in the province of Quebec. Table 3.1 shows the characteristics of the lumber used to create the database Database The database is constituted of board digitized by the BorealScan scanner (CRIQ 2001). All boards were marked on both faces by a rough mill operator. The operator used three fluorescent markers to identify the defects. Each color represented a group of defects: red for unacceptable defects, blue for wood coloration and green for defects acceptable on the flooring components. Afterwards, the boards were digitized and a file was created for the image processing software. To produce a more flexible database, some defect groups were manually edited using an image processing software. Coloration was split to create light coloration and dark coloration groups. Pin knots were also digitized manually on those same files. Table 3.2 shows the various resulting defect groups. 40

49 Table 3.1: Database description Species Average Length (in) Average Width (in) Number of board Total volume (BF) Maple No 1 Common Maple No 2A Common Maple No 3A Common Cherry No 1 Common Cherry No 2A Common Cherry No 3A Common Table 3.2: Definition of defect groups Defect group Void Unacceptable Light coloration Dark coloration Acceptable defects in flooring components Pin Knot Definition Void around the board such as wane, crook, taper and width variation Defects to cut out in any case (hole, unsound knot, wane, decay, shake) Light difference of coloration Strong difference of coloration Group of defects acceptable on flooring component (mineral streak, sound knot, small shake and small hole) Knots inferior to 1/16 inch For digitizing, the marks read were made into polygons through image processing and the polygons were then automatically processed into rectangles. Because optimization time was not limited, a large number of rectangles were used to define each defect surface. Figure 3.1 presents an example of the treatment applied on a board. On this board, an unacceptable defect (red) can be seen, with two pin knots (green), dark coloration (blue) and void defects around the board (white). Normally, for the purpose of estimating yield from optimization, BorealScan removes the voids from the input surface calculation. To comply with the USDA software board definition; the total surface of the outer rectangle was used for yield assessment. 41

50 Figure 3.1: Example of defect marks, transformed into polygons and then into rectangles on a Black Cherry board. It is important to note that the proportions on the images shown are not 1 for 1. The camera resolution was 1 mm/pixel lengthwise and 0.2 mm/pixel widthwise Cutting bill To realize this study, several cutting bills were supplied by the same Quebec rough mill that supplied the lumber. The cutting bills were grouped and standardized to form only one resulting cutting bill. The standardization method was in accordance with the principles described in Buehlmann (1998) to reduce the overall number of lengths and widths without introducing a bias. All components were of fixed dimensions and requested in infinite quantities. The resulting cutting bill contained some combinations of 8 widths (from 1 ¾ in to 5 in) and 15 lengths (from 11 ½ to 71 in) for a total of 44 different components. All components were Clear 1 Face, light and dark coloration on the back side and pin knots were accepted on both side. 42

51 BorealScan can optimize only by area or by price priority. Thereby a coefficient between 0 and 1 was applied to each component in the cutting bill to create a priority and mimic the CDE prioritization strategy of ROMI-RIP. Because the prioritization was never updated and the requested quantities are infinite (fixed at 999), the following formula calculating the length and width weighting factor was used. WF L = ( ln( ) x MF L ) + 1 with MF L = (Thomas 1996b) WF W = ( ln( ) x MF W ) + 1 with MF W = (Thomas 1996b) WF L = WF W = C wl = Component of width w and length l C w = 1 ¾, 2 ¼, 2 ½, 2 ¾, 3, 3 ¾, 4 C l = 11 ½, 13 ¾, 15 ¾, 17 ¾, 19 ¾, 21 ¾, 25 ½, 29 ½, 33 ½, 41 ¼, 49 ¼, 59, 63, 71 NC wl = Number of part produced of component WF L = Length weighting factor WF W = Width weighting factor MF L = Length multiplication factor MF W = Width multiplication factor CF wl = Coefficient of prioritization associated to each component The coefficient applied to each component was calculated with the following equation. CF wl = C WF l L x C WF w W (Thomas 1996) To obtain coefficients (CF wl ) between 0 and 1, we divided all coefficient by the highest one. This method allows BorealScan to produce in priority wide and long components similarly to the CDE optimization. Table 3.3 presents the resulting coefficients applied to each component to mimic the Complex Dynamic Exponent part prioritization used in ROMI-RIP. 43

52 Table 3.3 : Cutting bill with CDE coefficient associated with each component. Width 1 ¾ 2 ¼ 2 ½ 2 ¾ 3 3 ¼ 4 5 (inches) Length (inches) 11 ½ - - 0,06-0,07 0, ¾ - - 0,07 0,08 0, ¾ - - 0, ¾ 0, ,11 0,13 0,14 0,23-19 ¾ - - 0,12 0,13 0,14 0, ¾ ,23-23 ½ - - 0, , ½ - 0,15 0, ,23 0,29-29 ½ - - 0, ,28-0,46 33 ½ - - 0, ¼ 0,21-0, ,44 0,56-49 ¼ - - 0, , ,52-0,65 0, ,57-0,71 0,78 1, ,59 0,67-0,84 0, Software To simulate Rip-first and Crosscut-first processes, three simulators were used, ROMI-RIP, ROMI-CROSS and BorealScan. The database created using BorealScan was converted to be used by the USDA software. Conversion from the BorealScan board file format into the ROMI-RIP format was provided by CRIQ, the supplier of the scanning and database generator software. ROMI-RIP files were converted into ROMI-CROSS using the Vector converter supplied by the USDA. Table 3.4 presents correspondences between defect types for the three 44

53 software and figure 3.2 presents an example of board representation in ROMI-RIP, ROMI- CROSS and BorealScan formats. Table 3.4: List of corresponding defect types Defect type Database and BorealScan ROMI correspondance ROMI-RIP Defect number ROMI-CROSS Defect number Void Void 2 N/A Light coloration Callus Wood Dark coloration Sapstain/Mineral Streak Defects accepted on back All Sound Knots Pin knots Pin Worm Hole (1/16) Unacceptable defects All Unsound Knots a) b) c) Figure 3.2: Board representation in a) ROMI-RIP, b) ROMI-CROSS and c) BorealScan formats. 45

54 3.5.5 Simulation parameters Simulations were performed by area and using Complex Dynamic Exponent part prioritization on No. 1 Common, No. 2A Common and No. 3A Common (NHLA 1998) Black Cherry and Sugar Maple boards. Yield, number of component obtained and part distribution were compared. The same configuration was used for all simulators. Arbor type: all blades movable. Rip saw kerf: 3/16 inch. Cross cut saw kerf: 3/16 inch. Salvage cut: made to primary components dimension only. Components prioritization: never updated. Prioritization strategy: Area and CDE (complex dynamic exponent) for USDA software and BorealScan Statistical analysis The number of replicates (n) was based on standard deviation (S) estimates of yield, determined by 15 preliminary simulations using the equation (Devore 1987): n = (t /2, n-1 + t β, n-1 ) 2 x S 2 α = level of significance for a bilateral test, set at β = Probability to do a type II error for a unilateral test, set at δ = difference to be detected between averages, set at 1%. δ 2 For lots of 65 boards by simulation, it was calculated that 15 replicates were needed to be able to determine a difference of 1% between averages. This represents a total of 135 simulations for each cut-up simulation and both species (3 grades x 15 repetitions x 3 software). 46

55 The statistical analyses were conducted with SAS. A four-factor factorial experimental design model was used to analyze the results. The factors were the following: Process (Rip-first, Crosscut-first) Software (ROMI-RIP, ROMI-CROSS, BorealScan) Species (Maple, Cherry) Quality (No.1 C, No.2A C, No.3A C) When significant effects were detected by the ANOVA, a paired comparison (Student-T test) was performed on the differences between specific treatments. 47

56 3.6 Results and Discussion Yield and parts distribution comparison between ROMI-RIP and BorealScan by area prioritization The simulations were realized on Rip-first only because ROMI-CROSS did not allow for optimization by area. The results for Rip-first cut-up simulations are shown in Table 3.5. For all qualities and species, BorealScan resulted in higher yield and these differences were highly significant. The BorealScan area optimization produced short and narrow components. In this case, the shortest component generated most of the yield (Wengert and Lamb 1994). Contrarily, ROMI-RIP produced longer and wider components. Table 3.5: Yield comparison between ROMI-RIP and BorealScan for Rip-first area optimization Species Grade BorealScan ROMI RIP Maple Cherry Average (%) Std (%) Average (%) Std (%) Difference (%) No.1 C ** No. 2A C ** No. 3A C ** No.1 C ** No. 2A C ** No. 3A C ** ** = Highly significant difference (α < 0.01) 48

57 BorealScan produced more components and sometimes doubled the number of components when compared to ROMI-RIP (Table 3.6). Table 3.6: Average number of components produced in Rip-first using the area part prioritization Species Grade BorealScan (Rip first) ROMI RIP No 1 Common Cherry No 2A Common No 3A Common No 1 Common Maple No 2A Common No 3A Common These differences in numbers are confirmed when looking at the important discrepancy in the distribution of parts obtained, especially with the highest grade (figure 3.3). ROMI-RIP produced longer components and BorealScan produced more than 60% of the components under 17 ¾ inches long. The distribution pattern is more similar between grades with BorealScan and more different with ROMI-RIP. When the quality decreased, ROMI-RIP produced shorter components. From the observation of these parts distributions, it can be assumed that ROMI-RIP is not optimizing purely for area yield when set into the pure area optimization mode. In fact, ROMI-RIP appears to force the production of larger and longer components, even when parts prioritization strategies intended to force the production of longer and larger components are not selected, contrarily to BorealScan which produces short and narrow components when set in pure area optimization mode. 49

58 ROMI-RIP BorealScan No. 1C Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" Length (in) 23 1/2" 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1, No. 2AC Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" Length (in) 23 1/2" 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 Relative Frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" Length (in) 23 1/2" 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1, No. 3AC Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" Length (in) 23 1/2" 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 Relative Frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 Width (in) 2,5 2,25 1,75 Figure 3.3: ROMI-RIP and BorealScan Rip-first parts distribution for Sugar Maple by area optimization. 50

59 3.6.2 Yield and parts distribution comparison between USDA software and BorealScan by CDE optimization For Rip-first, BorealScan achieved significantly higher yield for all simulations (Table 3.7). Differences ranged from 2.94% to 5.79%. The differences were lower when using the highest grade for both species. For Crosscut-first, ROMI-CROSS achieved significantly higher yield for Maple No.1 Common while no significant difference was observed for the other grades (Table 3.8). For Cherry boards, BorealScan achieved significantly better yield for No. 1 and No. 3 Common while no difference was observed for No. 2 Common. In all cases, differences observed were smaller in Crosscut-first when compared to those in Rip-first. The algorithm used by each software and the prioritization strategy do not appear to be exactly the same. This might explain some of the yield differences. For the USDA software, the better face is on top and component clear face was always on the top face of the board. For BorealScan, the clear face for a component can be on the top or backside according to defect positions and cutting bill requirement. This allows for the production of longer and/or wider cuttings. Table 3.7: Yield comparison between ROMI-RIP and BorealScan by CDE optimization Species Grade BorealScan ROMI-RIP Average (%) Std. (%) Average (%) Std. (%) Difference (%) No 1 C ** Maple No 2A C ** No 3A C ** No 1 C ** Cherry No 2A C ** No 3A C ** ** = Highly significant difference (α < 0.001) 51

60 Table 3.8: Yield comparison between ROMI-CROSS and BorealScan by CDE optimization Species Grade BorealScan ROMI-CROSS Average (%) Std. (%) Average (%) Std. (%) Difference (%) No 1 C ** Maple No 2A C n.s No 3A C n.s No 1 C * Cherry No 2A C n.s No 3A C ** ** = Highly significant difference (α < 0.001) * = Significant difference (α < 0.05) n.s. = Non-significant difference Another possible source of difference may reside in the defect size definition and positioning. Several defects on the side (voids) are 1/16 and 1/8 inch sizes in BorealScan. During the conversion process, these defects are automatically majored at ¼ inch in the ROMI s. The other defects (colorations, pin knots, defects accepted on back and unacceptable defects) are also majored in a similar manner in the USDA software. Larger yield difference in Rip-first can be explained by the fact that defect size has more impact in regard to the board width than board length. Figures 3.4 and 3.5 present an example of cut-up solutions generated by ROMI-RIP, BorealScan and ROMI-CROSS with the CDE parts prioritization strategy. In Figure 3.4, the cut-up boards have somehow similar patterns, but BorealScan obtained a yield of 16% higher. The first reason is that ROMI-RIP produced one small salvage cutting while it should have produced on that location the same primary cutting as BorealScan. The coloration defect was only on one face, so ROMI-RIP should not have produced only a salvage cutting. The second reason is that ROMI-RIP used only 5 ¾ inches of width compared to 6 ¼ inches for BorealScan maybe because the increment size used by ROMI-RIP to put the components is higher than the BorealScan increment. The optimal solution rearched by BorealScan is realized using an exhaustive graph search on each cutting possibility. The primary cutting is realized following the primary cutting axis and secondly by filling the remaining clear areas on the board. 52

61 Figure 3.4: a) ROMI-RIP and b) BorealScan cut-up solutions with CDE optimization. Figure 3.5: a) ROMI-CROSS and b) BorealScan cut-up solutions with CDE optimization. 53

62 For Figure 3.5, the pattern is very similar between software, with the CDE part prioritization strategy. ROMI-CROSS produced extra salvage cuts and its yield was 4% higher. This extra cutting should not have been produced because it included a coloration defect on both sides and coloration was acceptable only on the back side. These errors, where parts were produced that did not correspond to the requested grades, were observed to occur on 5% to 6% of boards and they result in a bias in favor of ROMI-CROSS. We realized some simulations using the Red Oak database (Gatchell et al. 1998) to validate if these problems were found with another database, but we could not find the same behavior in that case. Edge defects can have a major impact on Rip-first yield. Moreover, the edge defect may explain some of the differences observed between ROMI-RIP and BorealScan because of the difference in size when converting from BorealScan file format to ROMI-RIP. Several studies carried out on Red Oak in the USA revealed higher yield for Rip-first than for Crosscut-first (Buehlmann 1998, Buehlmann et al. 1999, Wiedenbeck and Thomas 1995a, 1995b, Gatchell 1987). On the other hand, some simulations in the study conducted by Buehlmann et al. (1999), shown higher yield obtained in Crosscut-first with No 2A Common Red Oak. This result is caused in part by the cutting bill geometry. In this latter result, three of the seven components in the cutting bills were narrower than 3.50 inches while the four others were larger than 5.75 inches. The first three performed better in a Rip-first and the others simulations, in Crosscut-first. In our study, the cutting bill geometry probably had an impact on the higher yield obtained in crosscut-first because our cutting bill contained a large variety of components with a wide range of widths and lengths and the CDE optimization mode favors the wide and long component first. The board width distribution also has an impact on the yield difference between the two processes. The board width is known to have a significant effect on yield particularly for fixed dimension components (Wiedenbeck 2001b). The effect of board width and the relationships with lumber grade have not been thoroughly researched (Weidhaas 1996). It is well known that a wide board causes more waste when Crosscutting-first. Gatchell (1987) suggests 4.5 inches as a minimum board width for Ripping-first No. 2 Common and better grade. For boards narrower than 4.5 inches Crosscut-first offers a better yield. Studies in the 54

63 USA have mostly been preformed on the Red Oak database (Gatchell et al. 1998). Those Red Oak boards are wider than the Sugar Maple and Black Cherry boards used in the present study. Table 3.9 compares the average board width and percent of boards narrower than 5 inches between the red oak and the present database. Table 3.9 : Average width and percent of boards narrower than 5 inches for Red Oak, Black Cherry and Sugar Maple boards Width average (inches) Red Oak* Cherry Maple Percentage < 5 in Width average (inches) Percentage < 5 in Width average (inches) Percentage < 5 in No 1 C % % % No 2A C % % % No 3A C % % % * = Gatchell et al The No. 1 Common Maple and Cherry board width was on average more than ¾ inch narrower than the Red Oak. It was more than 1 inch narrower for the No. 2A Common, 2/3 inch for the Maple No. 3A Common and 1 1/3 inches for Cherry No. 3A Common. The proportion of Red Oak boards, narrower than 5 inches, was very low compared to the two species in the present trial. The board width in the Red Oak database explains in part why a higher yield was obtained with Rip-first. For the Cherry and Maple boards, the proportion of boards narrower than 5 inches was more important among lower grades. This explains the higher yield differences between Rip-first and Crosscut-first, for lower quality wood. The largest yield difference observed is with the No. 3A Common Black Cherry. This group presents the narrowest board and contains the highest percentage of boards narrower than 5 inches. Clément (2004a) obtained similar results with a White Birch database. Presence of narrower boards was invoked as a reason to explain the results. Besides width, board geometry also has an impact on yield. Tapered boards, crook and width variation on board have a negative impact on the yield when Ripping-first. Lower grade boards from the present study had more void (taper, variation, crook) and the yield was directly affected. Crook has an important effect on yield when ripping first (Gatchell 1990 and 1991). 55

64 According to figure 3.6, crook has a real impact on yield when Ripping-first. Red Oak boards in the USDA database were treated to have a maximum of ¼ inch crook on the sideband (Gatchell et al. 1998). The combination of wide and straight boards contributes to obtaining a better yield in Rip-first. Face a) Back Face b) Back Figure 3.6: Example of a) Rip-first and b) Crosscut-first cut-up operation on a crooked board using the BorealScan software. When comparing the results obtained with both simulators in area, it was observed that BorealScan produced a yield around 6 % higher and the components produced were twice as many. For ROMI-RIP, the yield by area was lower than the CDE yield and the number of components produced was similar in both cases. These observations make us believe that so called area optimization is not a real one with ROMI-RIP. It is not realistic to use pure area optimization mode in an industrial operation. For research purpose though, in order to obtain the maximum yield upper boundary on yield, with a specific cutting bill, it is probably worth doing, although we realize that when requesting infinite number of parts, pure area optimization should be expected to produce vast amounts of the shortest and narrowest parts. According to what can be seen from Figure 3.3, BorealScan appears to meet this assumption 56

65 while ROMI-RIP does not. The latter clearly uses a prioritization mechanism to favour longer and wider parts even when set in pure area optimization mode. The average number of components produced with both simulation tools was similar when the Complex Dynamic Exponent optimization mode was selected (Table 3.10). The number of components with CDE is largely reduced when compared with the BorealScan area optimization results (Table 3.6). The USDA software produced from the same number to 18% more components than BorealScan. The number of components produced in Rip-first was similar with both simulators but yields were significantly higher with BorealScan (Table 3.7). The differences in the number of components produced were more important when Crosscutting-first. For the No. 3A Common Black Cherry, ROMI-CROSS produced 19% more components than BorealScan and yield was 1.9 % less. Table 3.10: Average number of components obtained in Rip-first and Crosscut-first (CDE) Rip-first Crosscut-first Species Grade BorealScan ROMI-RIP Difference BorealScan ROMI-CROSS Difference No 1 C Maple No 2A C No 3A C No 1 C Cherry No 2A C No 3A C The general pattern of components distribution by simulator was similar but BorealScan produced generally more wide components. BorealScan in Crosscut-first produced more of wider components (5 inches) especially with the No. 1 Common. ROMI-CROSS produced more of longer components especially higher than 3¼ inches wide components (Figure 3.7). Shorter and wider components are produced when using No. 2A Common and No. 3A Common (11 ½ x 3 ¼) with BorealScan and ROMI-CROSS produced more of narrow components under 2½ inches wide, specially the 1 ¾ x 17 ¾ component. 57

66 ROMI-CROSS BorealScan No. 1C Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1,75 No. 2AC Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1, No. 3AC Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1,75 Figure 3.7: Crosscut-first parts distribution (ROMI-CROSS and BorealScan) for Sugar Maple 58

67 BorealScan (Rip-first) produced wider components (> 31/4 in) and ROMI-RIP generally narrower component ( 2½ in) with the No. 1 Common (Figure 3.8). For the No. 2A Common, BorealScan produce wider components so ROMI-RIP produces more of longer components especially in the narrow part. Using the No. 3A Common, ROMI-RIP produced more of narrow components while with BorealScan more of short and wide components were observed. ROMI-RIP BorealScan No 1C Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" 29 1/2" Length (in) 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1,75 No 2AC No 3AC Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" 29 1/2" Length (in) 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" 29 1/2" Length (in) 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1,75 Figure 3.8: Rip-first parts distribution (ROMI-RIP and BorealScan) for Black Cherry. 59

68 3.7 Conclusion When optimizing by area, BorealScan achieved around 6% higher yield than optimization by coefficient. The components produced by BorealScan were shorter and narrower, more than 60% of the components were under 17 ¾ inches long. By area, ROMI-RIP produced longer and wider components similar to those produced by CDE optimization but the yield was lower. For this reason, we believe ROMI-RIP does not perform true area optimization, when set in area optimization, but rather uses some form of coefficients to favor long and wide components. BorealScan obtained higher yield than ROMI-RIP when Ripping-first and all differences were highly significant (α < 0.01). The increment value in defect size is likely to explain these differences. When Crosscutting-first, for three out of six simulations, the yield differences were significant but in all cases, these differences were rather small. BorealScan obtained a higher yield with the No 1 Common and No 3A Common Black Cherry and ROMI- CROSS was better when using the No 1 Common Sugar Maple. The average number of components produced was up to 18% higher with the USDA software and the component distributions were similar but BorealScan produced wider components. It would be interesting in the future to repeat this exercise using more realistic value of components, based on a survey of components manufacturer s values. 60

69 CHAPTER IV A COMPARISON BETWEEN ROMI-RIP, ROMI-CROSS AND BOREALSCAN USING VALUE PRIORITIZATION 4.1 Résumé La comparaison entre BorealScan, ROMI-RIP et ROMI-CROSS, pour le délignage en tête et le tronçonnage en tête a été réalisée selon une optimisation en valeur monétaire. Le logiciel BorealScan propose également un mode d optimisation 2 axes (cellule flexible) qui permet de considérer simultanément les solutions en délignage en en tronçonnage en tête. Une comparaison de ce mode d optimisation avec la ligne traditionnelle de délignage et de tronçonnage en tête a été réalisée pour évaluer la performance de cette approche. La base de données d érable à sucre et de cerisier a été utilisée. Les résultats montrent que BorealScan (délignage) permet d obtenir une plus grande valeur et un meilleur rendement que ROMI-RIP. Les différences en valeur varient entre 24.52$ et 56.80$ et elles ont été obtenues avec le cerisier No. 3A Commun et l érable No. 2A Commun. En rendement matière, la différence varient entre 4.85% et 8.66% et ces différences furent obtenues avec l érable No. 1 Commun et le No. 3A Commun. Le nombre de composants produits avec BorealScan est également plus élevé. BorealScan (tronçonnage) obtient de meilleurs rendements matières variant entre 1.89% et 3.94%, mais en valeur, ROMI-CROSS est supérieur. ROMI-CROSS obtient des différences variant entre 4.82$ et 80.97$, mais certaines solutions étant erronées favorisent de meilleurs gains. La comparaison avec la cellule de débitage flexible a permis d obtenir de meilleurs résultats en valeur dans quatre des six simulations produites. Considérant notre carnet de commande et la base de données utilisés, le gain potentiel en valeur en utilisant 61

70 l approche de débitage flexible pourrait être important. La plus grande différence a été obtenue avec l érable à sucre No. 2A Commun (17$) et le cerisier No. 2A Commun (16$). 4.2 Abstract The comparison between BorealScan, ROMI-RIP and ROMI-CROSS, for Rip-first and Crosscut-first, was done using a value prioritization strategy. BorealScan allows to model two-axis optimization (flexible cell), which is a mode allowing for the simultaneous consideration of either Rip-first and Crosscut-first solutions. A comparison of this mode with the pure Rip-first and Crosscut-first modes was also performed to demonstrate the potential of this cut-up optimization approach. A Sugar Maple and Black Cherry database was used. Results showed that BorealScan (Rip-first) achieved higher yield and value than ROMI-RIP. The difference in value were between 24,52$ and 56,80$ and had been obtained with the No.3A Common Cherry et No.2A Common Maple. By yield, the difference were between 4,85% and 8,66% obtained with No.1 Common Maple and No.3A Common Maple. The number of components produced was also higher. BorealScan (Crosscut-first) achieved higher yield generally between 1,89% and 3,94%, but in value ROMI-CROSS was better with difference between 4,82$ and 80,97$. The components produced by BorealScan while crosscutting first were shorter. The flexible cell cut-up operation was also evaluated and it allowed obtaining significantly higher value in four out of six simulations. Considering our cutting bill and database, the potential gain when using the flexible cell approach could be important. The higher difference were obtained with the No, 2AC. Sugar Maple (17 $) and with the Cherry board the higher difference was 16 $ with the No. 2A Common boards. 62

71 4.3 Introduction Since R.J Thomas (1962), several rough mill simulators have been developed. These simulators become more and more efficient and are increasingly being used to solve industry problems. Among recent simulation tools, probably the most popular originated from the USDA. ROMI-RIP (Thomas 1999) is very much used by scientists and was validated by Thomas and Buehlmann (2002). In a previous article, we compared BorealScan (CRIQ 2001) with ROMI-RIP and ROMI-CROSS (Thomas 1997) for area and CDE optimization (Bouffard et al. 2004). The comparison was limited because ROMI-CROSS does not really allow for area optimization and also since CDE optimization is a construct from the ROMI s, surrogate values of CDE optimization factors had to be generated in BorealScan. In order to generate truly comparable results, it was decided to compare optimization results by value priority. This is the object of the present paper. Yield is generally used in the literature to do comparisons, although yield alone is not necessarily a good predictor of profitability in the rough mill (Mitchell 2001). Some manufacturers prefer generated value instead of yield to evaluate industry performance. Except for Caron et al. (2004) no study could be found in the literature using a value prioritization strategy. To compare BorealScan with ROMI-RIP, the authors (Bouffard et al. 2004) applied a Complex Dynamic Exponent coefficient to each component in order to be able to compare with the actual rough mill, hence yield differences were evaluated and not value. With the rising price of lumber and the complexity to match the cutting bill with the best board quality and dimension in such a way as to maintain high yield or value recovery, many manufacturer would like to be able to consider the utilization in parallel of both cut-up options (Crosscut-first and Rip-first). This solution has been evoked by Hall et al. (1980), although no software allowed at the time for appropriate simulation of this cut-up strategy. With the development of BorealScan at the Quebec Industrial Research Center (CRIQ) it is now possible to evaluate the potential of this rough mill cut-up option. 63

72 4.4 Objectives The first objective of the research was to compare BorealScan CRIQ (2001) with the USDA simulators ROMI-RIP (Thomas 1999) and ROMI-CROSS (Thomas 1997) using a value based prioritization strategy. The second objective was to evaluate the advantage of the flexible cell, allowing for simultaneous consideration of Crosscut-first and Rip-first options, compared with a single Rip-first and Crosscut-first line. The comparisons in this case were realized using BorealScan with a price prioritization strategy. 4.5 Methods Lumber Sample To compare the simulators, a sample of 4/4 inch-thick, kiln-dried Black Cherry and Sugar Maple was obtained from a rough mill, located south oh the Saint-Lawrence river, between Montreal and Quebec City, in the province of Quebec. Table 4.1 shows the characteristics of the lumber from the database. Table 4.1: Database description Species/Grade Average Length (in) Average Width (in) Number of board Total BF Maple No 1 Common Maple No 2A Common Maple No 3A Common Cherry No 1 Common Cherry No 2A Common Cherry No 3A Common

73 4.5.2 Database The database is constituted of boards digitized by the BorealScan scanner (CRIQ 2001). All boards were marked on both faces by a rough mill operator. The operator used three fluorescent markers to identify the defects. Each colour represented a group of defects: red for unacceptable defects, blue for wood coloration and green for defects acceptable on the flooring components. Afterwards, the boards were digitized and a file was created for the image processing software. To produce a more thorough database, some defect groups were manually edited with the image processing software. Coloration was split to create a light coloration and a dark coloration group. Pin knots were also digitized manually on those same files. For digitizing, marks read were made into polygons through image processing and the polygons were then automatically processed into rectangles. Because optimization time was not limited, a maximum number of rectangles was used to define each defect surface. Depending on the defect geometry, the number of rectangle varied. In the input surface measurement used for optimization with BorealScan, normally the voids are removed. In order to be comparable with the USDA software; the total surface of the rectangle was used as the input surface measurement for the yield measure. The detailed procedure used to build the database is described in Bouffard et al Cutting bill To realize this study, several cutting bills were supplied by the same Quebec rough mill that supplied the lumber. The cutting bills were grouped and standardized to constitute one cutting bill. The standardization method was in accordance with the principles described in Buehlmann (1998) to reduce the overall number of lengths and widths without introducing a bias, all components were of fixed dimensions and requested in infinite quantities. The cutting bill contained combinations of 8 widths (from 1 ¾ in to 5 in) and 15 lengths (from 11 ½ to 71 in) for a total of 44 different components. All components were Clear 1 Face, light and dark coloration on the backside and pin knots were accepted on both sides. The price for each component was sourced from rough mills and adjusted according to how the NHLA grading rule and NHLA lumber acknowledge the value of longer and larger parts. The detail of the 65

74 method to determine the price of components in the list is described in Caron et al. (2004). The cutting bill is displayed in Table 4.2. Table 4.2: Cutting bill with parts value in $ per board feet. Width 1 ¾ 2 ¼ 2 ½ 2 ¾ 3 3 ¼ 4 5 (inches) Length (inches) 11 ½ ¾ ¾ ¾ ¾ ¾ ½ ½ ½ ½ ¼ ¼ Software To simulate Rip-first and Crosscut-first processes, three simulators were used, ROMI-RIP, ROMI-CROSS and BorealScan. To simulate the flexible cell, only BorealScan was used. The database created using BorealScan tools was converted to be used by ROMI-RIP. Conversion was provided by CRIQ, the supplier of the scanning and database generator software. ROMI- 66

75 RIP files were converted into ROMI-CROSS using the Vector converter supplied by the USDA Simulation parameters Simulations were performed by area and Complex Dynamic Exponent part prioritization on No. 1 Common, No. 2A Common and No. 3A Common (NHLA 1998) Black Cherry and Sugar Maple boards. Yield, number of component obtained and part distribution were compared. The same configuration was used for all simulators: Arbor type: all blades movable; Rip saw kerf: 3/16 inch; Cross cut saw kerf: 3/16 inch; Salvage cut: made to primary components dimension only; Components prioritization: never updated; Prioritization strategy: Value ($) priority Statistical analysis The number of replicates (n) was based on standard deviation (S) estimates obtained from an initial yield, determined by preliminary simulation. The following equation was used (Devore 1987): n = (t /2, n-1 + t β, n-1 ) 2 x S 2 α =level of significance for a bilateral test, set at 0.05 β = Probability to do a type II error for a bilateral test, set at 0.10 δ = difference to be detected between averages, set at 1% δ 2 67

76 For a group of 65 boards by simulation, it was determined that 15 repetitions were needed to be able to determine a difference of 1% between averages. These represent a total of 135 simulations for each cut-up simulation and both species (3 grades x 15 repetitions x 3 software). The statistical analyses were conducted with SAS. A factorial experimental design model was used to analyze the results. When significant effects were detected by the ANOVA, paired comparisons were performed to identify differences between specific treatments. Two ANOVAs were obtained, one for the comparison in Rip-first and Crosscut-first with the USDA software and BorealScan and the second for the comparison between Rip-first, Crosscut-first and the flexible cell with BorealScan. 68

77 4.6 Results and Discussion Comparison between ROMI-RIP and BorealScan for Rip-first In a previous article (Bouffard et al. 2004), comparisons were realized using the area and Complex Dynamic Exponent prioritization strategies. For the present study, we used value priorities. The advantage of this method is to avoid all types of artefact in the simulation, which could affect the components distribution. In all cases in this study, BorealScan was found to achieve a higher value than ROMI-RIP and the differences were highly significant. The lowest difference (7,86 %) was obtained with No.3A Common Cherry board and the highest difference (16,2 %) was obtained with No.2A Common Maple board. The value difference decreased generally with decreasing board quality (Table 4.3). Table 4.3: Value comparison between BorealScan and ROMI-RIP in Rip-first when using a value prioritization strategy Species Grade BorealScan ROMI-RIP Average value ($) Std ($) Average value ($) Std ($) Difference ($) No 1 C ** Maple No 2A C ** No 3A C ** No 1 C ** Cherry No 2A C ** No 3A C ** ** = highly significant difference (α < 0.001) The number of parts produced by BorealScan was higher in all cases (Table 4.4). 69

78 Table 4.4: Average number of components produced by BorealScan and ROMI-RIP in Ripfirst when using a value prioritization strategy Species Grade BorealScan ROMI-RIP No. 1 C Maple No. 2AC No. 3AC No. 1 C Cherry No. 2AC No. 3AC BorealScan, when optimizing for value, also obtained higher yield in all simulations (Table 4.5) and the differences were highly significant. It appears that BorealScan was able to perform the placement of a larger number of smaller area components which overall resulted in higher yield but also in far higher value. Table 4.5: Yield comparison between ROMI-RIP and BorealScan in Rip-first when using a value prioritization strategy Species Grade BorealScan ROMI-RIP Difference Average yield (%) Std. (%) Average yield (%) Std. (%) (%) No 1 C ** Maple No 2A C ** No 3A C ** No 1 C ** Cherry No 2A C ** No 3A C ** ** = highly significant difference (α < 0.001) The component distributions produced by ROMI-RIP and BorealScan appear to be somewhat similar (Figure 4.1 and 4.2), but what these figures show is that BorealScan often produced wider and longer components and these parts were of higher value, while it simultaneously produced a lot of small components, which explains the higher yield and number of parts. The 70

79 differences are especially perceptible with the No. 1 Common boards. For Black Cherry, the patterns look similar, but BorealScan produced wider components. The defect size definition between the two software is one reason explaining the difference in the production of wider components. After converting the database, several 1/16 inch defects from BorealScan are automatically majored at ¼ inch in the ROMI-RIP format (Bouffard et al. 2004). Because the defects size has more impact in width than in length, Rip-first is directly affected. This explains why ROMI-RIP produced narrower components, especially when using narrow boards. Another possibility is that BorealScan fills better the board by using shorter and narrower parts than ROMI-RIP. 71

80 BorealScan ROMI-RIP No 1C Relative Frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1,75 No 2AC Relative Frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 No 3AC Relative Frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 Figure 4.1: BorealScan and ROMI-RIP components distribution when optimizing for value in Sugar Maple 72

81 BorealScan ROMI-RIP No 1C Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" Length (in) 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,50 Width (in) 2,25 1, No 2AC Relative Frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 No 3AC Relative Frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 Width (in) 2,5 2,25 1,75 Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" 5,00 4,00 3,25 3,00 2,75 2,5 Width (in) 2,25 1,75 Figure 4.2: BorealScan and ROMI-RIP components distribution when optimizing for value in Black Cherry 73

82 4.6.2 Comparison between ROMI-CROSS and BorealScan for Crosscut-first The comparison of the total value shows that ROMI-CROSS achieved a higher total value over BorealScan on five out of six simulations (Table 4.6). No significant difference could be observed for No. 3A Common Black Cherry. BorealScan and ROMI-CROSS achieved the highest average value with the No.1 Common Maple and a difference of 57 $ in favor of ROMI-CROSS was obtained in this case. Logically, the lowest average value were obtained with the No.3A Common boards but it represent the lowest value difference for each species. When comparing only the value difference, it is with the utilization of No 1Common Cherry boards that the difference was the highest with a value of 81 $. Table 4.6: Value comparison between ROMI-CROSS and BorealScan in Crosscut-first Species Grade BorealScan ROMI-CROSS Avg. value ($) Std. ($) Avg. value ($) Std. ($) Difference ($) No 1 C ** Maple No 2A C ** No 3A C * No 1 C ** Cherry No 2A C * No 3A C n.s ** = highly significant difference (α < 0.001) * = significant difference (α < 0.05) n.s. = non-significant difference As shown in Bouffard et al. 2004, some ROMI-CROSS solutions were found to be incorrect. Some components produced by ROMI-CROSS were found to include unacceptable defects and no explanation could be found for this behavior. It was observed in this previous trial that these errors occur on 5% to 6% of boards and could have an important impact on yield and total value. The ROMI-CROSS results are hence considered biased and hardly reliable. It is important to understand that the area of the parts is not a function of the value. A component can lead to higher yield but lower value. The value and yield comparison obtained with the No.3A Common boards explain why yield is not the best comparison to do when optimizing by value. In value the difference is not significant while by yield the difference is significant. 74

83 The same behavior can be found with the No. 1 Common Maple. BorealScan produced between 3% to 21% more component and these were often shorter, which explains the higher yield (Table 4.7). Table 4.7: Average number of components produced by BorealScan and ROMI-CROSS in Crosscut-first when using a value prioritization strategy Species Grade BorealScan ROMI-CROSS No. 1 C Maple No. 2AC No. 3AC No. 1 C Cherry No. 2AC No. 3AC BorealScan achieved higher a yield generally (Table 4.8) except for the No. 1 Common Sugar Maple where no significant difference was observed. More importantly, the results show that yield is not necessarily the best comparison to do especially when optimizing by other mode than area. The yield comparison for Crosscut-first indicate that BorealScan is superior to ROMI-CROSS but it is not the case when regarding the obtained value. Five out of six yield difference are significant and in favor of BorealScan. The difference varied between 1.91 % and 3.94 %. But by value comparison five out of six difference are in favor of ROMI-CROSS. Table 4.8: Yield comparison between ROMI-CROSS and BorealScan when optimizing for value in Crosscut-first Species Grade BorealScan ROMI-CROSS Average yield (%) Std (%) Average yield (%) Std (%) Difference (%) No 1 C n.s Maple No 2A C ** No 3A C ** No 1 C ** Cherry No 2A C ** No 3A C ** ** = highly significant difference (α < 0.001) n.s. = non-significant difference 75

84 Contrarily to Rip-first, the Crosscut-first distributions are more dissimilar (Figures 4.3 and 4.4). In these figures, the differences between the distributions obtained by both simulators can easily be seen. The differences are more pronounced with the boards of better quality. ROMI-CROSS produced more components longer than 49 inches long and larger than 3,25 inches. BorealScan produced more short components of 3,25 inches and wide components of 5 inches which ROMI-CROSS produced rarely. When the board quality was decreasing, the distribution became more similar and also did the differences in total value. The components produced by ROMI-CROSS were longer and wider and represented a higher value. The following figures show the components distribution. Again, the results obtained with ROMI- CROSS in this trial are subject to caution since it was observed that many (around 5%) of the obtained components did not respect the quality specifications. 76

85 BorealScan ROMI-CROSS No 1C Relative Frequency (%) Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" Length (in) 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" Length (in) 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) No 2A C Relative Frequency (%) Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" Length (in) 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) No 3A C Relative Frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" 29 1/2" Length (in) 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" Length (in) 25 1/2" 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) Figure 4.3: BorealScan and ROMI-CROSS Crosscut-first components distribution when optimizing for value in Sugar Maple 77

86 BorealScan ROMI-CROSS No 1C Relative Frequency (%) Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" 29 1/2" Length (in) 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" Length (in) 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) No 2A C Relative Frequency (%) Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" Length (in) 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" Length (in) 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) No 3A C Relative Frequency (%) Relative frequency (%) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" Length (in) 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) /2" 13 3/4" 15 3/4" 17 3/4" 19 3/4" 21 3/4" 23 1/2" 25 1/2" Length (in) 29 1/2" 33 1/2" 41 1/4" 49 1/4" 59" 63" 71" Width (in) Figure 4.4: BorealScan and ROMI-CROSS Crosscut-first components distribution when optimizing for value in Black Cherry 78

87 4.6.3 Rip-first and Crosscut-first comparison ROMI-CROSS achieved higher yield and value than ROMI-RIP for all simulations and these results are significative. These results follow the same pattern observed when simulating with CDE (Bouffard et al. 2004). The No. 2A Common and No. 3A Common boards allowed obtaining higher yield in Crosscut-first and Rip-first was better with the No. 1 Common boards when using BorealScan. The difference is of 78$ for Sugar Maple and of 78$ for Black Cherry. For the total value, BorealScan Rip-first is largely favoured even when the board quality decreased. Rip-first produced longer components thus producing a better value. Although, Crosscut-first produced more wide components, these have a lower value than narrow but longer components. The price structure advantages the longer over the wider parts which is why Rip-first obtained better results. These results are consistent with the results obtained with the application in BorealScan of coefficients to mimic the CDE optimization (Bouffard et al. 2004). The main difference is that coefficient had been calculated with the CDE formula (Thomas 1996b) and these coefficients represented arbitrary value. The utilization of price allows obtaining results more representative of the actual rough mill situation Value comparison between Rip-first, Crosscut-first and the flexible cell Generally, the rough mills are constituted by Rip-first or Crosscut-first lines. Rip-first is always chosen in the flooring industry. Crosscut-first is best designed to obtain panel parts. In a rough mill producing fixed dimension parts both approaches can be found. Depending on the cutting order, board quality and board dimensions, one of the two will show a better performance. The flexible cell allows obtaining the optimum value of both from every board. It becomes then less important to set the perfect arrangement between the cutting bill, the board quality and dimension. The flexible cell represents an alternative potentially advantageous to improve the yield and value of the rough mill. Hall et al. (1980) showed the advantage of this rough mill layout, 79

88 although no suitable software existed at the time enabling to simulate or enable this cut-up operation (Figure 4.5). CrossCut First Rip Flexible Cell Optimisation Salvage Cut Parts Rip First CrossCut Figure 4.5: Schematic representation of the Flexible Cell process Table 4.9 shows the value comparison between simulations with BorealScan of the flexible cell versus the single line cut-up operations. The differences observed were calculated between the flexible cell value and the highest value between Rip-first and Crosscut-first. For No. 1 Common Black Cherry and No. 3A Common Sugar Maple no significant difference was observed. The utilization of the flexible cell for No. 1 Common Maple boards allows a gain of 15$ and represent an increase in value of 2,8%. For the No. 2A Common, the gain is of 4,6% with the Maple board and 5,1% with Cherry board and it is of 4,8% and 6,4% when using the No. 3A Common for Maple and Cherry. The gain appears to increase with decreasing board quality. The percentage of boards ripped and crosscut first gets close to 50-50% when using the No. 3A Common (Table 4.10), that is why the difference increases with the lower grade. When using the No. 1 Common boards, 84,6% of boards were Ripped-first. In this case the flexible cell has a lesser impact since a Rip-first line would achieve the same performance most of the time. 80

89 Table 4.9: Value comparison using BorealScan between Rip-first, Crosscut-first and the Flexible Cell Species Grade Rip-first value Average (std) ($) No 1 C 522 (25) Maple No 2A C 352 (27) No 3A C 204 (10) No 1 C 402 (18) Cherry No 2A C 302 (13) No 3A C 179 (8) Crosscut-first value Average (std) ($) 444 (16) 315 (18) 181 (8) 324 (11) 282 (11) 184 (8) ** = difference highly significant (α < 0.001) * = difference significant (α < 0.05) n.s. = non-significant difference Flexible cell value Average (std) ($) 537 (24) 369 (25) 214 (10) 410 (18) 318 (12) 197 (9) Minimum Difference. Minimum Difference. ($) (%) 15 ** ** n.s n.s ** * 6.4 Table 4.10: Percentage of boards cut in Rip-first and Crosscut-first when using the Flexible Cell cut-up process Flexible Cell Species Grades Rip-first (%) Crosscut-first (%) No 1 C Maple No 2AC No 3AC No 1 C Cherry No 2AC No 3AC The flexible cell is an advantageous alternative for a manufacturer producing fixed dimension parts. The advantage has also been shown by Caron et al. (2004) for a cutting bill containing panel parts, flooring parts and multiple part grades. 81

90 4.7 Conclusion The aim of the first part of this study was to compare BorealScan with the USDA simulator using a value based prioritization strategy and the second part was to demonstrate the advantage of the flexible cell. The result for the first part demonstrate that when Ripping-first, BorealScan achieved higher value. The most important value difference (57$) was observed when using the No. 2A Common Sugar Maple boards. The highest simulation value have been obtained with the No 1Common Maple and the lowest with the No. 3ACommon Cherry. BorealScan produced more components and these had a higher value than the ROMI-RIP parts production. BorealScan achieved higher yield for all simulations and the yield difference varied between 4,85% and 8,66%. When optimizing for value in Crosscutting first, ROMI- CROSS achieved higher value five time out of six simulations, but BorealScan achieved higher yield and the difference varied between 1,89% and 3,94%. The yield difference increased with the decreasing board quality. Higher yield corresponds to a production of short and narrow components and generally these components have less value than the long and wide components. It is important to note that some solutions produced by ROMI-CROSS included components of incorrect grade. These errors occurred in 5% to 6% of the boards and generally the incorrect components produced were long and wide. Shorter components were produced by BorealScan, which explains the higher yield and the lesser value. The inter simulator comparisons show that BorealScan Rip-first achieved higher value 5 times out of six and the higher difference was obtained with the No.1 Common boards. The difference is of 78$ for the Sugar Maple and of 78$ too for the Black Cherry. In terms of yield when optimizing for value, BorealScan Crosscut-first obtained higher yield when using the No. 2A Common and No. 3A Common boards. For whatever board species, dimension and quality, the flexible cell obtained the optimum value four times out of six. The maximum advantage of using the Flexible Cell was obtained when producing batches where 50% of boards have their optimum value in Rip-first and the other 50% in Crosscut-first. In our case, the higher difference is 17$ when using the 2AC Maple and 16$ for the 2AC Cherry, but, in percentage, better gain were obtained with the 3A Common boards (6,4% and 4,8%) for Cherry and Maple boards respectively. 82

91 CONCLUSION GÉNÉRALE Les industries de la seconde transformation sont de plus en plus conscientes de l importance d instaurer des systèmes d optimisation afin de maintenir des rendements en valeur élevés, surtout compte tenu des prix élevés de la matière première. L arrivée des systèmes d optimisation leur permet donc de gérer plus efficacement la production et d obtenir des gains substantiels en valeur ou en rendement. Les diverses études réalisées le démontrent, des gains pouvant aller jusqu à 7% ont été obtenus avec ROMI-RIP, le logiciel d optimisation de débitage secondaire le plus souvent répertorié dans la littérature. ROMI-RIP étant en quelque sorte une référence dans la littérature, il était naturel d utiliser ce logiciel comme base comparative pour l étude de la performance du logiciel d optimisation BorealScan du CRIQ. Ainsi, l objectif premier de cette étude était de comparer les gains en rendement matière et en valeur en délignage en tête ainsi qu en tronçonnage en tête avec les logiciels du USDA et BorealScan du CRIQ. Les résultats démontrent qu en optimisant en rendement matière (surface), BorealScan (délignage) obtient des rendements supérieurs à ROMI-RIP. Les composants produits sont plus courts (60% sous les 17 ¾ pouces) ce qui est tout à fait logique quant on optimise purement pour le rendement matière, il est normal de produire plus de composants courts et étroits. ROMI-RIP produit des composants longs et larges, ce qui pénalise le rendement matière et qui laisse à penser que l optimisation en surface avec ROMI- RIP n en est pas réellement une. En mode d optimisation en surface, ROMI-RIP semble toujours appliquer des coefficients favorisant la production de composants longs et larges. La comparaison en mode d optimisation par coefficients d exposants dynamiques (CDE) montre que BorealScan (délignage) obtient des rendements matière supérieurs à ROMI-RIP pour toutes les essais réalisés. En tronçonnage en tête comparant BorealScan et ROMI- CROSS, trois des six simulations réalisées permettrent d obtenir des différences significatives. Dans deux cas, BorealScan donne de meilleurs résultats tandis que dans l autre, c est ROMI- CROSS. Il faut faire attention à l interprétation des résultats avec ROMI-CROSS car il a été établi que certaines solutions étaient erronées. Ces erreurs permettent d obtenir des 83

92 rendements supérieurs à la réalité puisque les composants produits de façon erronée sont longs et larges. Ces erreurs se produisent sur 5% à 6% des planches lors du tronçonnage en tête. Le nombre de composants produits est semblable en délignage en tête et légèrement supérieur en tronçonnage en tête avec ROMI-CROSS. L optimisation en valeur devrait être la comparaison à effectuer et la plus significative pour l industrie car dans le contexte de la présente étude, elle est celle correspondant le mieux aux objectifs réels de l entreprise, soit de générer le maximum de valeur à partir de la ressource. En délignage en tête, il a été observé que les rendements ainsi que la valeur totale générée est plus élevée avec BorealScan. Le nombre de composants produits était également plus élevé. En tronçonnage en tête, BorealScan a obtenu dans la majorité des simulations un meilleur rendement matière mais ROMI-CROSS a produit une plus grande valeur. BorealScan a généré plus de composants et ces derniers étaient plus courts, ce qui leur conférait une moins grande valeur. Il faut encore une fois faire attention à l interprétation des résultats avec ROMI-CROSS, des solutions erronées y ayant été détectées. Lorsque l on compare le délignage et le tronçonnage de BorealScan, nous observons qu en rendement, le tronçonnage est supérieur mais en valeur le délignage domine. Ces résultats montrent qu il est important de comparer sur la bonne base selon l optimisation effectuée, sinon les conclusions peuvent être incorrectes. Le second objectif de cette étude était d établir la performance de la cellule de débitage flexible en comparaison aux lignes de débitage simple. Les valeurs obtenues par la cellule flexible ont été supérieures dans quatre des six simulations. La différence entre les résultats de la cellule flexible et les lignes de production simple semble plus importante à mesure que les sciages de qualité inférieure étaient utilisés. Ainsi, peu importe le mode d optimisation utilisé, la cellule de débitage flexible semble générer de meilleures solutions. Le cas où la cellule flexible donne les meilleurs résultats est celui où 50% des débits ont une meilleure solution en délignage en tête alors que 50% présentent une meilleure solution avec éboutage en tête. En terminant, BorealScan a démontré sa grande versatilité en terme de mode de simulation et d optimisation comparativement aux logiciels du USDA. Sa convivialité et ses performances en font un logiciel d optimisation intéressant pour la recherche sur le débitage secondaire. Suite à cette étude, bien des avenues de recherche devraient être envisagées. Il serait pertinent 84

93 comme projet futur d évaluer l effet de la largeur des planches sur le rendement matière car, selon cette étude, il semble que la largeur ait une influence majeure et peu d études ont été réalisées sur le sujet à l exception de celle de Wiedenbeck (2001a). Il serait également intéressant de vérifier le comportement de la cellule de débitage flexible en relation avec l utilisation de différents carnets de commande à quantité fixe. Finalement, il serait approprié de faire une étude de validation du logiciel BorealScan dans un contexte industriel, de manière similaire à ce qui a été réalisé pour les logiciels du USDA (Thomas et Buehlmann 2002). L arrivée de ce nouvel outil de simulation ouvre la porte à la réalisation de bien des projets de recherche dans le domaine. 85

94 RÉFÉRENCES BIBLIOGRAPHIQUES Anderson, J.D., Brunner, et A.G. Maristany Effect of sawing stages on fixed-width, fixed length dimension yield. Forest Products Journal 42 (11/12) :74-78 Anonyme The rough mill improving yield. Furniture Design & Manufacturing, 57 (12) Araman, P.A., Rough-part sizes needed from lumber of manufacturing furniture and kitchen cabinets. Research paper NE-503. USDA forest Service. 8 pages Araman, P.A. C.J. Gatchell et H.W. Reynolds Meeting the solid wood needs of the furniture and cabinet industries : standard-size hardwood blanks. Research paper NE-494. USDA Forest Service. 28 pages Beauregard, R L importance du rendement matière pour la rentabilité financière. Minutes du séminaire sur l optimisation du débitage secondaire tenu le 13 mars 2001 à Québec. Éd. Québec Wood Export Bureau. 15 p. Bergstrom, R.P Portrait of a profession in change. Manufacturing Engineering. Decembre 1988, vol 101, No. 6 pp Bouffard, J-F., Beauregard. R., Lihra, T Hardwood rough mill optimization: Yield comparison according to various parts prioritization strategies. Article soumis au Forest Products Journal. 22 pages. Brunner, C.C., D.A. Butler, A.G. Maristany, D. VanLeeuwen Optimal clear-area sawing patterns for furniture and millwork blanks. Forest Products Journal 40 (3) :

95 Brunner, C.C CORY : a computer program for determining dimension stock yields. Forest Products journal 39(2) :23-24 Buehlmann,U Understanding the relationship of lumber yield and cutting bill requirements : a statistical approach. PhD dissertation. Virginia Polytechnics and State University. 7 octobre 1998, 208 pages. Buehlmann,U., J.K. Wiedenbeck, et D.E. Kline Character-marked furniture :potential for lumber yield increase in Rip-first rough mills. Forest Products Journal 48(4) :43-50 Buehlmann,U., J.K. Wiedenbeck, et D.E. Kline Character-marked furniture :potential for lumber yield increase in cross-cut first rough mills. Forest Products Journal 49(2) : Caron, M., Beauregard, R., Bouchard, M.R Comparing a value based and a surface based part prioritization in the hardwood rough mill. Accepted for publication in the forest products journal, 37 pages. Clément C., Beauregard R., R. Gazo. et T. Lihra, 2004a. Rough mill yield comparison between conventional and short length white birch lumber. Accepté pour publication au Forest Products Journal. 35 p. Clément C., Beauregard R., R. Gazo. et T. Lihra, 2004b. Correspondence analysis as a tool towards optimizing the use of white birch in the panel industry. Wood and Fiber Science 36(4) : Conners, R.W., D.E. Kline et P.A. Araman Machine vision technology for the forest products industry. IEEE Computer Innovative Technology for computer Professionals 30(7) : CRIQ Guide de l usager du logiciel Optimiseur 2 axes. Centre de Recherche Industrielle du Québec, Québec 2002, 53 pages. 87

96 Devore, J.L Probability and Statistics for engineering and the sciences, Second Edition, Monterey, California: Brooks 1987, 672 pages. Englerth, G.H et D.R. Schumann Charts for calculating dimension yields from hard maple lumber. Research Paper FPL 118. USDA Forest Service. École Forestière de Duchesnay Guide d apprentissage des règles du classement de la NHLA. Commission scolaire de la Jeune-Lorette, ville, 85 pages. Gatchell, C.J Impact of Rough mill practices on yields. Proceeding of symposium, Forest Products Research Society, Gatchell, C.J., Rethinking the design of the furniture rough mill. FPJ 37(3):8-14. Gatchell, C.J., The effect of crook on yields when processing narrow lumber with a fixed arbor gang ripsaw. FPJ 40(5):9-17. Gatchell, C.J., Yield comparisons from floating blade and fixed arbor gang ripsaws when processing boards before and after crook removal. FPJ 41(5): Gatchell, C.J., R.E. Thomas Within-grade quality difference for 1 and 2A Common lumber affect processing and yields when gang-ripping red oak lumber. Forest Products Journal 47(10) : Gatchell, C.J., J.K. Wiedenbeck et E.S. Walker The effects of crosscutting before gangripping on dimension part yields from No. 1 and 2A Common Red Oak lumber. Forest Products Journal 46(2):

97 Gatchell, C.J., R.E. Thomas, E.S. Walker 1998 Data Bank for Kiln-Dried Red Oak Lumber. Research paper NE-245. USDA Forest Service, Northeastern Forest Experiment Station, Radnor, PA. Gatchell, C.J. et R.E. Thomas Effects of preprocessing 1 Common and 2A Common red oak Lumber on gang-rip-first rough-mill dimension part yields. Forest Products Journal 49(3) : Giese, P.J et K.A. McDonald OPTYLD : a multiple Rip-first computer program to maximize cutting yield. Research Paper FPL-412. USDA Forest Service. 32 p. Giguère, M L approvisionnement en bois d apparence présent et futur. Textes des conférences dans le cadre du séminaire sur l optimisation du débitage secondaire tenu le 13 mars 2001 à Québec. Éd. Québec Wood Export Bureau. 15 pages. Hall, S.P, R.A. Wysk, E.M. Wengert, et M.H. Agee Yield distribution and cost comparisons of a cross-cut and gang Rip-first mill producing hardwood dimension stair parts. Forest Products Journal 30(5) : Hamner, P.C., Bond, B.H. et Wiedenbeck, J.K The effects of lumber length on part yields in gang-rip-first rough mills. Forest Products Journal 52(5):71-76 Harding, O.V Development of a decision software system to compare Rip-first and cross-cut first yields. Ph.D. dissertation. Mississippi State, MS: Mississippi State University. Hoff, K., N. Fisher, S. Miller, and A. Webb GR-1ST. General Technical Report NE USDA Forest Service. 16p. Kline, D.E., A. Widoyoko, J.K. Wiedenbeck, et P.A. Araman Performance of color camera-based machine vision system in automated furniture rough mill systems. Forest Products Journal 48(3) :

98 Manalan, B.A., G.R. Wells, et H.A Core Yield deviations in hardwood dimension stock cutting bills. Forest Products Journal 40(1) : Mitchell, P., Modern Lumber Rough Mill Operations. Draft document for NC State Workshop, North Carolina State University. 40 pages. Mitchell, P., Lumber Processing Efficiency, Yield and Value. Wood and Wood Products 106(7) Mullin, S Why switch to Rip-first? Furniture design and Manufacturing, 62(9) :36-42 National Hardwood Lumber Association (NHLA) Rules for the measurement and inspection of hardwood and cypress. NHLA, Memphis, Tennessee. 90 pages. Pepke, E Analysis of rough mill practices. Unpublished doctoral dissertation. Michigan State University, East Lansing, MI. Pepke, E. et M. Kroon Rough mill operator guide to better cutting practice. NA-TP-4 USDA Forest Service. Northeastern Area, State and Private Forestry. Broomall, PA. SAS Institute SAS/Stat users guide, release 6.03 Ed. SAS Institute, Inc., Cary, N.C. St-Pierre, R., Importations des produits du bois, Québec et Canada 1998 à Ministère des Ressources Naturelles du Québec, Compilations de statistiques Canada, 21 p. Steele, P.H. et O.V. Harding RIP-X user s manual. Decision software series 3. Mississipi Forest Prod. Utilization Lab. Mississippi State University. 17 pages. Steele, P.H., Perera, A., Harding, O.V. et Shmulsky, R The potential for straight-line ripping prior to crosscutting hardwood lumber. Forest Products Journal 49(3) :

99 Stern, A.R. et K.A. McDonald Computer optimization of cutting yield from multipleripped boards. Research Paper FPL-318. USDA Forest Service. 13 p. Thomas, R.E., C.J. Gatchell et E.S. Walker User s guide to AGARIS: Advanced Gang Rip Simulator. General Technical Report NE-192. USDA Forest Service, Northeastern Forest Experimental Station, Radnor, PA. Thomas, R.E. 1996a. ROMI-RIP : an analysis tool for Rip-first rough mill operations. Forest Products Journal 46(2) :57-60 Thomas, R.E. 1996b. Prioritizing parts from cutting bills when gang-ripping first. Forest Products Journal 46(10) :61-66 Thomas, R.E ROMI-CROSS :ROugh Mill Crosscut-first simulator. General Technical Report NE-229. Thomas, R.E ROMI-CROSS : an analysis tool for Crosscut-first rough mill operations. Forest Products Journal 48(2) : Thomas, R.E ROMI-RIP :ROugh Mill Rip-first simulator user s guide. General Technical report NE-202. USDA Forest Service. Thomas, RE. et U. Buehlmann Validation and performance comparison : The ROMI- RIP Rough Mill Simulator Versus an Actual Rough Mill. Submitted for the Forest Products Journal. Thomas, R.J The rough end yield research program. Forest Products Journal 12(11) :

100 Turcotte, Portrait de la production québécoise de bois d apparence. Textes des conférences dans le cadre du séminaire sur l optimisation du débitage secondaire tenu le 13 mars Éd. Québec Wood Export Bureau. 12 pages. Weidhaas, N.C., The establishment of a program of applied research and technology transfer for rough mills which process hardwood lumber (FAS ) Department of wood & paper science, NC State University, Raleigh. 28 juin pages. Wengert, E.M. et F.M. Lamb A handbook for improving quality and efficiency in rough mill operations : practical guidelines, examples and ideas. Virginia Polytechnic institute and State University. Blacksburg, VA. Widoyoko, A Evaluation of color-based machine vision for lumber processing in furniture rough mills. Unpublished Master s thesis, Virginia Polytechnic and State University. Blacksburg, VA. 87 pages. Wiedenbeck, J.K., 1992a. The potential for short length lumber in the furniture and cabinet industries. PhD dissertation. Virginia Tech. Wiedenbeck, J.K., 1992b. Simulation for rough mill options. Wood and Wood Products November Wiedenbeck, J.K., et E. Thomas 1995a. Rough mill study identifies yield improvement opportunities. Millwork Manufacturing, Volume 12 number 3 Wiedenbeck, J.K. et E. Thomas. 1995b. Don t gamble your fortunes focus on rough mill yield. Wood and Wood Products 100(7) : Wiedenbeck, J.K. 2001a. Factors that impact rough mill yield and value. Furniture design and Manufacturing 73(3):

101 Wiedenbeck, J.K. 2001b. Deciding between Crosscut and Rip-first Processing. Wood and Wood Products 106 (9) Wodzinski, C. et E.Hahm A computer program to determine yields of lumber. US Forest Service. Forest Products Lab Rep. Madisson, WI. 33 pages. Yun, L.Y The margin for yield improvement for No 1 Common 5/4 Red Oak in a conventional Rough Mill, Master s thesis, Virginia Polytechnic and State University. Blacksburg, VA. 93

102 ANNEXE I COMPOSANTS DU CARNET DE COMMANDE 94

103 longueur (po) largeur (po) Prix ($) Coefficients

104 ANNEXE II HISTOGRAMMES DES DISTRIBUTIONS DE LARGEUR DES PLANCHES CONSTITUANT LA BASE DE DONNÉES 96

105 18 16 Fréquence (%) Moyenne = 6,20 Écart-type = 1, Classes de largeurs (po) ou plus... Histogramme de fréquence des largeurs pour le Cerisier Noir No 1 Commun Fréquence (%) Moyenne = 5,45 Écart-type = ou plus... Classes de largeurs (po) Histogramme de fréquence des largeurs pour le Cerisier Noir No 2A Commun 97

106 Moyenne = 4,67 Écart-type = 0, Fréquence (%) ou plus... Classes de largeurs (po) Histogramme de fréquence des largeurs pour le Cerisier Noir No 3A Commun 98

107 Fréquence (%) Moyenne = 6,29 Écart-type = 1, ou plus... Classes de largeurs (po) Histogramme de fréquence des largeurs pour l Érable à Sucre No 1 Commun 99

108 Fréquence (%) Moyenne = 5,38 Écart-type = 1, ou plus... Classes de largeurs (po) Histogramme de fréquence des largeurs pour l Érable à Sucre No 2A Commun Fréquence (%) Moyenne = 5,38 Écart-type = 1, ou plus... Classes de largeurs (po) Histogramme de fréquence des largeurs pour l Érable à Sucre No 2A Commun 100

109 Fréquence (%) Moyenne No 1 Com. = 6,20 po Moyenne No 2A Com. = 5,46 po Moyenne No 3A Com.= 4,67 po Cerisier No 1 Com Cerisier No 2A Com Cerisier No 3A Com Intervalles de largeurs (po) Histogramme de distribution des fréquences des largeurs pour les trois qualités de sciage de Cerisier Noir (Prunus serotina) Moyenne No 1 Com. = 6,29 po Moyenne No 2A Com. = 5,38 po Moyenne No 3A Com. = 5,38 po Fréquence (%) Érable No 1 Com Érable No 2A Com Érable No 3A Com Intervalles de largeurs (po) Histogramme de distribution des fréquences des largeurs pour les trois qualités de sciage d Érable à Sucre (Acer saccharum) 101

110 ANNEXE III TABLEAUX DES DONNÉES BRUTES DU RENDEMENT OBTENU EN OPTIMISATION 102

111 ROMI-RIP (optimisation en surface) Rendement Rendement Rendement BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC Moyenne Moyenne Moyenne Ecart-type 0.96 Ecart-type 0.75 Ecart-type 1.11 Rendement Rendement Rendement HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM Moyenne Moyenne Moyenne Ecart-type 0.74 Ecart-type 1.09 Ecart-type 0.89 BC = Cerisier Tardif HM = Érable à Sucre 05 = No. 1 Commun 08 = No. 2A Commun 09 = No. 3A Commun 103

112 ROMI-RIP (optimisation avec coefficients CDE) Rendement Rendement Rendement BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC Moyenne Moyenne Moyenne Ecart-type 0.84 Ecart-type 0.94 Ecart-type 1.12 Rendement Rendement Rendement HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM Moyenne Moyenne Moyenne Ecart-type 0.77 Ecart-type 1.10 Ecart-type

113 ROMI-RIP (optimisation par prix %) Rendement Rendement Rendement BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC Moyenne Moyenne Moyenne Ecart-type 0.88 Ecart-type 0.89 Ecart-type 1.12 Rendement Rendement Rendement HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM Moyenne Moyenne Moyenne Ecart-type 0.80 Ecart-type 1.10 Ecart-type

114 ROMI-RIP (optimisation par prix $) Valeur Valeur Valeur BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC Moyenne Moyenne Moyenne Ecart-type Ecart-type Ecart-type 9.09 Valeur Valeur Valeur HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM Moyenne Moyenne Moyenne Ecart-type Ecart-type Ecart-type

115 ROMI-CROSS (optimisation avec coefficient CDE) Rendement Rendement Rendement BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC Moyenne Moyenne Moyenne Ecart-type 0.91 Ecart-type 1.11 Ecart-type 0.77 Rendement Rendement Rendement HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM Moyenne Moyenne Moyenne Ecart-type 0.51 Ecart-type 1.12 Ecart-type

116 ROMI-CROSS (optimisation par prix %) Rendement Rendement Rendement BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC Moyenne Moyenne Moyenne Ecart-type 1.09 Ecart-type 1.13 Ecart-type 0.81 Rendement Rendement Rendement HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM Moyenne Moyenne Moyenne Ecart-type 0.63 Ecart-type 1.03 Ecart-type

117 ROMI-CROSS (optimisation par prix $) Rendement Rendement Rendement BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC BC Moyenne Moyenne Moyenne Ecart-type Ecart-type Ecart-type 8.70 Rendement Rendement Rendement HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM HM Moyenne Moyenne Moyenne Ecart-type Ecart-type Ecart-type

118 BorealScan en délignage (optimisation en surface) Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type Écart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type Écart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type Écart-type

119 BorealScan en délignage (optimisation avec coefficient CDE) Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type Écart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type Écart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type Écart-type

120 BorealScan en délignage (optimisation en prix %) Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type Écart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type Écart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type Écart-type

121 BorealScan en délignage (optimisation en prix $) Valeur Valeur BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type Écart-type Valeur Valeur BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type Écart-type Valeur Valeur BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Écart-type 8.70 Écart-type

122 BorealScan en tronçonnage (optimisation en surface) Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type

123 BorealScan en tronçonnage (optimisation avec coefficients CDE) Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type

124 BorealScan en tronçonnage (optimisation par prix %) Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type

125 BorealScan en tronçonnage (optimisation par prix $) Valeur Valeur BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Valeur Valeur BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Valeur Valeur BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type 8.34 Ecart-type

126 BorealScan cellule de débitage flexible (optimisation en surface) Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Rendement Rendement surf Rendement Rendement surf BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type

127 BorealScan cellule de débitage flexible (optimisation par prix $) Valeur Valeur BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Valeur Valeur BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type Ecart-type Valeur Valeur BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM BC HM Moyenne Moyenne Ecart-type 8.68 Ecart-type