Формирование пиломатериалов на основе исследования макроскопического строения древесины методом компьютерной томографии Бахшиева Мария Абидовна

Содержание к диссертации

Введение

1. Анализ состояния вопроса. Цель и задачи исследования 10

1.1 Систематизация факторов, влияющих на выбор схемы раскроя пиловочных брёвен и качество пиломатериалов 10

1.2 Влияние строения древесины на качественные характеристики пиломатериалов 16

1.3 Классификация методов неразрушающего контроля и оценки качества древесины 25

1.4 Выводы. Цель и задачи исследования. 37

2. Методика проведения исследований 39

2.1 Исходное сырье и материалы 39

2.2 Оборудование, приборы и программное обеспечение для проведения эксперимента. 42

2.3 Методика экспериментальных исследований

2.3.1 Методика исследования макроструктуры древесины 45

2.3.2 Методика исследования древесины для разработки метода идентификации древесных пород 50

2.3.3 Методика исследования строения и свойств ювенильной древесины 53

2.4 Методика математико-статистической обработки результатов исследования макроскопической структуры древесины 55

3. Исследование макроскопического строения древесины сосны и ели компьютерной томографией 60

3.1 Обоснование выбора измеряемых признаков макроструктуры древесины 60

3.2 Результаты исследований макроскопических характеристик древесины 64

3.3 Метод идентификации пород древесины на основе компьютерной томографии 74

3.4 Выводы и рекомендации 95

4. Исследование строения и свойств ювенильной древесины сосны и ели 97

4.1 Результаты исследования строения ювенильной древесины 97

4.2 Исследование усушки ювенильной древесины 102

4.3 Выводы 104

5. Обоснование целесообразности внедрения результатов исследования 107

5.1 Обоснование целесообразности удаления ювенильной древесины и учета выделенных признаков макроструктуры 107

5.2 Обоснование целесообразности поворота пиловочника относительно пил и учета угла наклона сучка при разработке схем раскроя 113

Общие выводы и рекомендации 130

Список литературы 132

• Классификация методов неразрушающего контроля и оценки качества древесины
• Методика экспериментальных исследований
• Методика математико-статистической обработки результатов исследования макроскопической структуры древесины
• Исследование усушки ювенильной древесины

Введение к работе

Актуальность темы исследования. Учет природных особенностей древесины и контроль качества конечной продукции при производстве пиломатериалов требуют дополнительных капиталовложений, тем не менее, эти затраты оправдываются за счет рационального использования древесины, а также возможности получения пиломатериалов высокого качества, способных обеспечить требуемые свойства готовой продукции и увеличить их срок эксплуатации.

Одним из наиболее эффективных методов повышения качественного выхода и точности оценки качества бревен является применение компьютерной томографии. Ее использование позволяет исследовать макроскопическое строение древесины, определять плотность древесины, прогнозировать качество пиломатериалов, снижать влияние пороков и особенностей строения ствола дерева на сортность пиломатериалов путем ориентирования бревна относительно пил. В связи с отсутствием технической возможности, эта технология не была детально изучена и не получила должного распространения в лесопромышленной индустрии России. В этой связи, исследование свойств и строения древесины в процессе изготовления древесных материалов компьютерной томографией и разработка методик ее применения является актуальной проблемой.

Степень разработанности темы исследования. Влияние строения и свойств древесины на качество пиломатериалов, методы неразрушающего контроля и оценки качества древесины исследовали: Батин Н.А., Боровиков А.М., Исаев С.П., Калитеевский Р.Е., Кармадонов А.Н., Лакатош Б.К., Мелехов В.И., Огурцов В.В., Песоцкий А.Н., Пижурин А.А., Полубояринов О.И., Рыкунин С.Н., Тамби А.А., Уголев Б.Н., Чубинский А.Н., Zobel B. и другие. Вместе с этим, до сего времени отсутствуют научно-обоснованные рекомендации по учету макроскопического строения древесины и ювенильной зоны ствола дерева методом компьютерной томографии при изготовлении пиломатериалов.

Цель и задачи исследований. Целью работы является повышение качества пиломатериалов за счет учета особенностей макроскопического строения круглых лесоматериалов компьютерной томографией. Для достижения поставленной цели необходимо решить следующие задачи:

1. Исследовать строение сосны и ели методом компьютерной томографии.

2. Обосновать характеристики макростроения древесины пиловочника, оказывающие влияние на сортность пиломатериалов.

3. Разработать методику идентификации пород древесины методом компьютерной томографии.

4. Исследовать строение и свойства ювенильной древесины сосны и ели.

5. Математически описать размерные характеристики макроскопических элементов строения древесины, определенные методом компьютерной томографии.

6. Разработать рекомендации по использованию результатов исследований свойств древесины методом компьютерной томографии в технологии лесопиления.

Объектом исследования являются пиловочные бревна ели и сосны.

Предметом исследования являются макроскопические характеристики древесины.

Научной новизной обладают:

6. Теоретическое обоснование и экспериментальное подтверждение возможности повышения качества пиломатериалов посредством учета анатомических особенностей строения древесины при помощи компьютерной томографии.

7. Результаты исследований методом компьютерной томографии характеристик макрокомпонентов (ювенильная древесина, сучки, годичные слои) строения древесины.

8. Признаки макроструктуры древесины, которые необходимо учитывать при составлении индивидуальных схем раскроя бревен: количество и длина годовых приростов по высоте ствола, количество сучков в годовом приросте и сучков состоящих в мутовке, угол наклона сучка, степень его изогнутости, относительные длина и диаметр сучка, размеры ювенильной древесины.

9. Методика раскроя сырья с учетом анатомических особенностей отдельных пород, которые могут быть учтены с помощью компьютерной томографии.

10. Методика сортировки пиловочника по породам на основе результатов полученных методом компьютерной томографии.

Теоретическая значимость работы.

1. Обоснование новых признаков строения древесины: количество и длина
годовых приростов по высоте ствола, количество сучков в годовом приросте и
сучков состоящих в мутовке, угол наклона сучка, степень его изогнутости,
относительные длина и диаметр сучка в объеме ствола.

2. Обоснование возможности оценки визуальных признаков и строения древесины методом компьютерной томографии.

3. Обоснование метода идентификации породы древесины с помощью компьютерной томографии.

Практическая значимость работы. Полученные результаты

исследований могут быть использованы на лесопильных и лесопильно-деревообрабатывающих предприятиях и позволят:

1. Обосновывать индивидуальные схемы раскроя пиловочных бревен с учетом их макроскопического строения при возможности поворота бревна относительно постава пил поворотным устройством;

2. Снизить влияние ювенильной древесины на сорт пиломатериалов за счет разделения зрелой и ювенильной зон ствола в процессе раскроя пиловочника;

3. Снизить влияние сучков на сорт пиломатериалов за счет поворота бревна относительно постава пил;

4. Прогнозировать качество пиломатериалов.

Методология и методы исследования. Методологическую основу исследований составили базовые положения науки о древесине и

неразрушающих методах исследования ее свойств, результаты исследований процесса лесопиления, качественных характеристик пиломатериалов. Использование компьютерной томографии и современных способов обработки экспериментальных данных, позволили детально изучить строение древесины на макроуровне, разработать методику идентификации пород и рекомендаций по обоснованию индивидуальной корректировки схем раскроя пиловочных бревен в процессе производства. Исследования проводились в лабораториях СПбГЛТУ, Institut National de la Recherche Agronomique, Nancy (Франция).

Положения, выносимые на защиту:

5. Математико-статистические модели элементов внутреннего строения древесины сосны и ели;

6. Методика исследования строения и новых признаков макроструктуры древесины с помощью компьютерной томографии;

3. Методика разделения ювенильной и зрелой зон ствола;

4. Методика идентификации древесных пород ели и сосны на основе
результатов компьютерной томографии.

Степень достоверности. Достоверность научных положений, выводов и рекомендаций обеспечивается обоснованными упрощениями, корректными допущениями при замене реальных процессов расчетными схемами и разработке регрессионных моделей; современными средствами научного поиска; результатами испытаний, проведенных в промышленных условиях, приемлемыми совпадениями результатов теоретических исследований с экспериментальными данными.

Апробация. Результаты работы доложены на научно-технической
конференции «Актуальные проблемы и перспективы развития

лесопромышленного комплекса» в Костроме в 2012 г., на международных научно-практических конференциях «Sprungbrett» в 2013 г., проходивших в Черногории и Швейцарии, на научно-практической конференции молодых ученых в СПбГЛТУ имени С.М. Кирова в 2015 г., на международной научно-практической конференции «Современные проблемы биологического и технического древесиноведения» в Йошкар-Оле в 2016. Производственная апробация работы проводилась на лесозаготовительном предприятии ООО «Кириши Леспром» в поселке Будогощь Ленинградской области, а также на ЗАО «Крона». Результаты исследований использованы при выполнении хоздоговорной НИР № 1.3.01.16 «Формирование пиломатериалов методом индивидуального раскроя на круглопильных станках «KARA». По результатам исследований опубликовано 10 статей, в том числе в ведущих рецензируемых изданиях ВАК 4 статьи, одна из них в журнале «Russian Journal of Nondestructive Testing», входящем в базу данных Scopus.

Объем и структура работы. Диссертация состоит из введения, пяти разделов, заключения, списка литературы и приложений, стр. 165, рис. 65, табл. 21.

Классификация методов неразрушающего контроля и оценки качества древесины

Назначение и вид продукции оказывает значительное влияние на способ раскроя бревен, поскольку эффективность раскроя в большей мере зависит от количественного и качественного выхода пиломатериалов заданной спецификации [51]. При производстве продукции на заказ, лесопильные предприятия выпиливают пиломатериалы определенных размеров и сортов по заданной заказчиком спецификации. В этом случае разрабатывается схема распиловки так, чтобы получить максимально приближенную фактически получаемую пилопродукцию к заданной спецификации.

Выбор схемы раскроя бревен в общем случае зависит от вида и количества оборудования, определяющего мощность производства. В зависимости от оборудования может осуществляться два вида раскроя: групповой и индивидуальный [26, 27, 28, 29]. На крупных предприятиях лесопильной отрасли, где простои и неэффективное использование оборудования приводят к значительным экономическим потерям, как правило, производится групповая распиловка. Таким образом, сортированные по качеству и диаметрам, бревна распиливаются за один или два прохода через головное оборудование, и вся партия бревен определенной группы диаметров при этом, распиливается по единой выбранной схеме. Групповой раскрой, как правило, осуществляется вразвал либо с брусовкой. При раскрое вразвал плоскости всех пропилов параллельны между собой и в результате такой распиловки на выходе получаются необрезные доски и два горбыля или двухкантный брус и необрезные доски. Однако данный способ представляет собой сложность, вследствие необходимости обрезки досок различной ширины, поэтому не используется на крупных предприятиях. Раскрой бревен с брусовкой позволяет увеличить процент выхода спецификационных пиломатериалов и на выходе дает обрезные доски одной ширины, что исключает необходимость их дальнейшей сортировки по ширинам при формировании сушильных пакетов. Распиловка с брусовкой также может производиться при индивидуальном раскрое: сначала выпиливается брус, затем он поворачивается на 90 для отпиливания следующей группы досок (круговой способ). Данный способ хорош, когда бревна имеют сердцевинный дефект (гниль, ложное ядро), который впоследствии исключается из сортиментов. Кроме перечисленных, к индивидуальному раскрою относятся следующие способы: сегментный, развально-сегментный и секторный.

Все перечисленные предпосылки выбора схемы раскроя бревен обеспечивают объемный, спецификационный и в меньшей степени качественный выход. Связано это с тем, что сортировка бревен по сортам качества осуществляется лишь с учетом внешних видимых характеристик сырья. В результате такой сортировки бревна делятся на 3 сорта (рис. 3), затем делятся на группы в соответствии с диаметром и для каждой из таких групп подбирается схема распиловки. Для повышения качественного выхода необходимо улучшить контроль качества на этапе сортировки бревен по сортам качества, учитывать не только внешние, но и внутренние характеристики сырья, и осуществлять подбор индивидуальных схем раскроя для каждого бревна.

Форма поперечного сечения: - круглая овальная Размеры пиловочника, м ГОСТ 9463-88: от 3,0 до 8,0 с градацией: 0,25; 0,30; 0,50 Сорт пиловочника: I; II; III Факторы Вид пиломатериалов: доска радиальная; доска тангенциальная; доска полурадиальная; брус двухкантный; брус четырехкантный; шпала; брусок. Назначение пиломатериалов Для несущих конструкций: деревянные клееные конструкции; клееный стеновой брус; клееный брусок; несущие элементы мебели.

Для ограждающих конструкций: транспортное машиностроение; тара; мебель; стеновые панели. Общего назначения: расходные материалы в строительстве и других производствах; розничная продажа.

Классификация факторов, влияющих на выбор схемы раскроя пиловочных бревен Оптимизация процесса посредством подбора индивидуальной схемы раскроя пиловочника с учетом скрытых дефектов древесины имеет существенный экономический эффект и позволяет получать больше пиломатериалов высшего качества для конструкционных нужд. В связи с этим, одним из современных направлений развития науки о лесопилении является раскрой пиловочника по индивидуальным схемам, полученным с помощью технологий сканирования, позволяющим учитывать особенности внутренней структуры каждого бревна. С этой целью разрабатываются и совершенствуются различные средства и методики неразрушающего контроля качества, которые позволяют получать информацию о внутренних пороках строения древесины, таких как: наклон волокон, свилеватая древесина, сердцевина, прорость, ювенильная древесина, заросшие сучки, смоляные кармашки и др. К древесине для деревянных конструкций кроме требований ГОСТ 8486-86 на пиломатериалы хвойных пород, ГОСТ 9463-88 на круглые лесоматериалы и СП 64.13330.2011 предъявляются дополнительные требования: ширина годичных слоев в древесине должна быть не более 5 мм, а содержание в них поздней древесины – не менее 20%; в заготовках из пиломатериалов 1-го и 2-го сорта для крайней растянутой зоны (на 0,15 высоты сечения) клееных изгибаемых элементов и в досках 1 –3-го сорта толщиной 60 мм и менее, работающих на ребро при изгибе или на растяжение, не допускается сердцевина.

Разработка систем машинного видения и прогресс технологий сканирования позволили на более точном уровне производить обнаружение скрытых дефектов древесины и объемную графическую реконструкцию бревен. Появилась возможность осуществления виртуальной распиловки бревен в специализированных прикладных программах, которая была использована для сравнения объемно-качественного выхода пиломатериалов при применении разных схем распиловки, и сравнения объемно-качественного выхода пиломатериалов, полученных в программе с фактическим – при реальной распиловке этих бревен.

Методика экспериментальных исследований

Индекс Хаунсфилда возрастает с увеличением количества влаги в древесине. Это связано с тем, что влага, попадая в древесину, замещает воздух в ее полостях, индекс Хаунсфилда для которого значительно меньше чем для воды. Поскольку индекс Хаунсфилда меняется по мере удаления влаги из древесины, данная технология применима к проведению контроля процесса сушки и в исследованиях, связанных с разработкой сушильных камер, режимов сушки и прогнозированием растрескивания в процессе сушки из-за неоднородности распределения плотности и влажности.

Разные компьютерные томографы могут давать отличные значения индекса Хаунсфилда для одного и того же образца, поэтому для того, чтобы этот индекс мог быть соотнесен с реальной плотностью древесины, перед встраиванием в производственную линию сканеры должны подвергаться процедуре калибровки. В процессе калибровки томограф настраивается так, чтобы индекс Хаунсфилда для воды составлял Н=0 (соответствует белому цвету на снимках), а для воздуха Н=-1000 (соответствует черному цвету на снимках). После этого работа устройства выверяется путем сканирования образцов с заданными плотностями и сопоставления результатов.

Компьютерная томография является эффективной технологией в решении задачи автоматизированной локализации сердцевины в стволе. Поскольку сердцевина имеет более рыхлую структуру сравнительно с окружающей ее древесиной, то на КТ снимках она может быть распознана по более темному оттенку серого цвета (индекс Хаунсфилда для сердцевины имеет более низкое значение, чем для окружающей ее древесины). Точность определения местоположения сердцевины в стволе играет важную роль в оптимизации раскроя круглых лесоматериалов, так как она снижает прочность пиломатериалов, и в лущильном производстве, поскольку от правильной центровки (базирование относительно центра) бревен относительно сердцевины зависит количественный выход и качество шпона.

Наряду с сердцевиной, компьютерная томография позволяет разграничивать зону ядра и заболони в стволе. В связи с тем, что древесина ядра имеет более высокую влажность и содержит в себе большее количество неорганических веществ, на снимках полученных компьютерной томографией она проявляется как более светлая зона и, соответственно, имеет более высокий индекс Хаунсфилда.

Неразрушающий контроль качества древесины главным образом направлен на обнаружение и оценку размеров и формы сучков [137, 138]. Древесина сучков отличается от окружающей ее древесины ствола направленностью трахеид и более мелким их размером, что определяет их повышенную плотность. Это позволяет идентифицировать светлую зону древесины сучка на фоне более темной зоны ядровой древесины, которая уступает ей по плотности и характеризуется относительно невысоким значением влажности.

Кроме сучков и окрашенного ядра древесина может содержать в себе такие пороки, как гнили, смоляные кармашки, повреждения вызванные атаками насекомых (червоточины). Гнили на КТ снимках могут иметь различные спектральные значения градации серого цвета в зависимости от их типа и стадии поражения. В стандартном случае, из-за повышенного содержания влаги, гниль на КТ снимках видна в виде светлых областей, по интенсивности тона серого цвета близкого к тону воды. Применение различных математико-статистических методов обработки данных, полученных компьютерной томографией, гнили обнаруживаются с высокой точностью.

Компьютерная томография позволяет выявлять смоляные кармашки, которые являются скрытым дефектом древесины, усложняющим технологический процесс ее обработки и значительно снижающим сортность пиломатериалов. Данный порок отличен тем, что может привести к серьезным экономическим потерям, так как зачастую обнаруживается лишь на последних этапах обработки пиломатериалов. Имея плотность выше плотности древесины, смоляные кармашки проявляются на КТ снимках в виде светлых областей, имеющих на поперечном виде серповидную форму, на продольном – форму узких полос, направленных параллельно продольной оси бревна. Тем не менее, маленькие по размеру смоляные кармашки также представляют сложность в обнаружении методом компьютерной томографии.

Точность результатов обнаружения, идентификации и оценки скрытых дефектов древесины во многом зависят от математико-статистических методов обработки и анализа данных. Скорость работы компьютерного томографа зависит от скорости обработки информации программным комплексом, скорости сканирования при заданном разрешении и подбора оптимальной схемы раскроя. Обнаружение и оценка скрытых дефектов в бревнах, позволяет подбирать индивидуальную схему распиловки для каждого сортимента с учетом возможности его поворота относительно постава пил.

Экономическая выгода от оптимизации раскроя бревен с помощью компьютерной томографии может варьировать от 15% до 18% в зависимости от породы [89, 90, 91]. В настоящее время системы машинного видения, основанные на компьютерной томографии, внедряются на лесопильных предприятиях в производственные потоки для повышения объемно-качественных показателей за счет учета макроскопической структуры ствола.

Поскольку повышение качественного выхода пилопродукции может быть достигнуто за счет контроля качества сырья, то компьютерная томография, как наиболее эффективная технология, используемая для этой цели, имеет перспективный характер и представляет собой интерес для дальнейшего изучения.

Методика математико-статистической обработки результатов исследования макроскопической структуры древесины

Для математико-статистической обработки результатов исследования макроскопических признаков и ювенильной древесины сосны и ели использована программа «Microsoft Excel 2010» с использованием пакета «Анализ данных», а также язык и среда для программирования R, позволяющие строить математические модели и графические представления по имеющимся табличным данным. Полученные обработкой математические модели показателей, характеризующих внутреннюю структуру, и графики зависимости позволяют прогнозировать качество пиломатериалов до распиловки бревен и выбирать наиболее оптимальные схемы раскроя.

В соответствии с выбранными показателями макроструктуры рассматриваемых пород и результатами измерений разработан метод идентификации пород с помощью анализа снимков компьютерной томографии. Для разработки метода идентификации пород по признакам макроскопического строения древесины использованы диаграммы разброса, отображающие следующие статистические показатели: линия в середине боксплота – медиана, границы боксплота – первый и третий квартили (квантили порядка p=0,25 и 0,75), концы усов – минимальное и максимальное значения выборки, наблюдения, выходящие за пределы усов, являются выбросами и показываются на графике в виде отдельных точек.

Медиана – то есть значение признака, которое лежит в основе ранжированного ряда и делит этот ряд на две равные по численности части, таким образом, в одной половине все значения меньше медианы, а в другой половине – больше. Для ранжированного ряда с нечетным числом индивидуальных величин медианой будет величина, которая расположена в центре ряда. А для ранжированного ряда с четным числом величин, как в нашем случае, медианой будет средняя арифметическая величина, которая рассчитывается из двух смежных центральных величин ранжированного ряда.

Квартили – это значения признака, делящие ранжированную совокупность на четыре равновеликие по числу наблюдений части. Для определения квартилей выборка предварительно разбивается на интервалы – значения варьирующего признака, лежащие в определенных границах, а затем рассчитывается с помощью формулы: -1 і—I 1 4-і () vQ () Qt() =XQ() +h (12) где Qн(в) - нижняя граница интервала, содержащего нижнюю (верхнюю) квартиль (интервал определяется по накопленной частоте, первой, превышающей 1/4 (3/4) выборки); h - длина интервала; (d) l - накопленная частота интервала, предшествующего интервалу, и содержащему нижнюю (верхнюю) квартиль; w - частота интервала, содержащего нижнюю и верхнюю квартили, соответственно.

Усы боксплота обозначают максимальное и минимальное значения выборки, однако, в некоторых случаях границами усов также могут быть обозначены 9 и 91 процентили, 2 и 98 процентили, среднее арифметическое выборки ± стандартное отклонение, разность первого квартиля и интерквартильного размаха умноженного на 1.5 и сумма третьего квартиля и интерквартильного размаха умноженного на 1.5.

Кроме визуализации данных боксплот методом, в работе был применен метод главных компонент, который позволил выделить наиболее информативные признаки макроскопического строения древесины, наиболее эффективные для решения задачи идентификации пород. Метод главных компонент позволяет уменьшить размерность данных, с целью извлечения только нужной информации. Это достигается преобразованием исходной базы данных для получения новых переменных величин, главных компонент, которые не коррелируют между собой и упорядочены так, что первые несколько компонент описывают максимальные вариации. Главные компоненты вычисляются посредством определения собственных векторов и собственных значений ковариационной матрицы. Как правило, любая база данных имеет нежелательную часть, которая не содержит в себе искомой информации и называется шумом. А наличие шума и избыточности в данных могут привести к возникновению случайных связей между переменными. Метод главных компонент позволяет избавиться от нежелательного шума, поскольку отбор первых компонент преобразования гарантирует выделение только основной полезной информации.

В данной работе метод главных компонент был реализован с помощью языка программирования и свободной среды R для статистической обработки. Отобранные в результате обработки данных методом главных компонент признаки были использованы для проведения классификации характеристик методом «дерево решений».

Конструкция дерева решений состоит из «корня», «листьев», «веток» и «промежуточных узлов» (Рис. 29). Корень является исходным множеством. Листья представляют собой значения целевой функции, а промежуточные узлы -пункты принятия решения о выборе или выполнении тестирующих процедур с атрибутами элементов данных, которые служат для дальнейшего разделения данных в этом узле. Для осуществления классификации, объект многократно проходит процедуру проверки выполнения условия в каждом промежуточном узле, в результате которой происходит ветвление. В процессе ветвления исходное множество делится на подмножества.

Исследование усушки ювенильной древесины

Диаграммы размаха наглядно показывают, что в большей степени породы разнятся по количеству сучков в годовом приросте, и количеству сучков в 1 м длины бревна. Из диаграммы (Рис. 41, д) видно, что сосна не имеет экстремальных значений, и количество сучков в годовом приросте по высоте ствола для этой породы находится в пределах от 4 до 5, в то время как у ели их число изменятся от 11 до 26. Боксплот ели практически симметричен, медиана равна 18, межквартильный размах находится в диапазоне от 14 до 22. Ель является более сучковатой породой, по сравнению с сосной. Близким по физическому смыслу показателем является количество сучков в 1 м длины бревна. Области значений этого показателя для двух пород не накладываются. Минимальное число сучков в метре длины бревна сосны равно 7, а максимальное число – 20. На середину выборки приходится значение 11 сучков и межквартальный размах составляет от 8 до 16 сучков. Максимум и минимум сучков в метре длины бревна ели составляет 58 и 26, соответственно, при медиане равной 33 и верхнем и нижнем квартилях – 8 и 16 сучков. Таким образом, все статистические оценки показателя количества сучков древесины ели примерно в три раза превышают статистические оценки для сосны.

По количеству крупных сучков, состоящих в мутовке ель превосходит сосну. Количество сучков в мутовке сосны не превышает 5, что равно максимальному количеству сучков в годовом приросте по высоте. Сосна характеризуется небольшим количеством сучков большого диаметра, в большинстве случаев выходящих на поверхность ствола, сконцентрированных в мутовках, и практически не имеет мелких заросших сучков между мутовками. Ель имеет множество мелких сучков, рассредоточенных между мутовками, отмершими и заросшими на ранней стадии развития. Этот показатель внутренней макроструктуры имеет высокую информативность и представляет собой один из принципиальных признаков, отличающих представленные породы. Диаграммы размаха, характеризующие средний угол наклона сучков и начальный угол наклона сучков, представляют различный интерес применительно к задаче идентификации пород. Боксплоты показателя среднего угла наклона сучков не имеют совпадающих значений. У сосновых сучков больший угол наклона к горизонту, чем у еловых. Его значение варьирует в пределах от 20 до 35 при медиане равной 33. Угол наклона еловых сучков относительно горизонта находится в пределах от -3 (направлены вниз) до 9 при медиане равной 7. И у сосны и у ели максимальное значение совпадает с верхним квартилем (35 и 9), нижние квартили равны 26 и 1, соответственно. При сильном отличии статистических показателей переменной величины по этому признаку, боксплоты начального угла наклона сучков во многом схожи: имеют равные медианы (8) , приблизительно равные верхние квартили (у сосны - 15 и у ели - 14) и максимальные значения (у сосны - 17 и у ели - 16). В начальный момент роста сучки сосны имеют малые и, иногда, отрицательные значения угла наклона (нижний квартиль 0, минимум -3), тогда как угол наклона сучков ели к горизонту по мере их роста уменьшается, и в некоторых случаях достигает отрицательных значений (-3).

То, что угол наклона сучков ели к горизонту меньше, чем у сосны, и то, что по показателю относительной длины сучков ель уступает сосне, определяет разность значений показателя степень изогнутости сучков этих пород. Этот показатель характеризуется небольшим разбросом в пределах каждой породы и не имеет даже частичного совпадения интервалов варьирования. Степень изогнутости сучков сосны варьирует в пределах от 1,041 до 1,053 при медиане равной 1,05, а ели – от 1,01 до 1,027 при медиане равной 1,017; межквартильный размах составляет: у сосны – 1,044…1,052, а у ели – 1,013…1,02.

Боксплоты, характеризующие относительную толщину коры, отличаются значительно по величине разброса значений, а также значительным различием статистических показателей. Интервал изменения относительной толщины коры сосны ограничен минимальным и максимальным экстремальными значениями равными 0,011 и 0,058, соответственно, тогда как интервал варьирования относительной толщины коры ели меньше приблизительно в три раза и полностью укладывается в пределы интервала варьирования сосны (от 0,017 до 0,028). Несмотря на большую область наложения интервалов варьирования, сосна имеет сравнительно большой межквартильный размах между медианой и верхним квартилем, а также длинный верхний ус боксплота, что делает ее идентифицируемой по этому признаку. Полученные результаты (табл. 19) показывают, что все показатели представляют собой интерес в решении задачи идентификации древесных пород.