Optimal Mechanical PulpingProcesses for Eucalyptus, Acacia and Birch

Tässä diplomityössä tutkittiin ja vertailtiin eukalyptuksen, akaasian ja koivun kemimekaanista kuiduttamista ja valkaisua. Yleensä näitä puulajeja käytetään sellun keittoon. Puulajit eroavat toisistaan kasvupaikan ja kuiturakenteen osalta. Eukalyptus ja akaasia ovat niin sanottuja trooppisia lehtipuita, kun taas koivu kasvaa pohjoisilla vyöhykkeillä. Koivulla on kookkaimmat kuidut ja akaasialla pienimmät kuidut. Myös näiden lajien putkilot eroavat toisistaan. Koivun putkilot ovat pitkiä ja kapeita, kun taas eukalyptuksen ja akaasian putkilot ovat lyhyitä ja leveitä. Prosessiksi valittiin kaksivaiheinen APMP-prosessi. Koeajot tehtiinKeskuslaboratorio Oy:ssä. Massoille asetettiin seuraavat tavoitteet: freeness 150-200 ml ja vaaleus 80 %ISO. Eukalyptukselle ja koivulle tehtiin kaksi erilaista impregnointisarjaa, mutta akaasialle vain yksi. Jauhatuksen viimeisessä vaiheessa kokeiltiin myös jauhinvalkaisua. Jauhatuksen energiankulutus oli korkea varsinkin eukalyptuksella ja akaasialla. Jotta energiankulutus saataisiin pienemmäksi, tulisi käyttää enemmän lipeää, mutta se johtaa alkalitummumiseen. Lopuksi massat valkaistiin laboratoriossa. Eukalyptus ja koivu pystyttiin valkaisemaan vaaleuteen 80 %ISO, mutta eukalyptuksen valkaisu vaati enemmän peroksidia kuin koivun valkaisu. Akaasian lähtövaaleus oli niin alhainen, ettei siinä päästy tavoitevaaleuteen. Eukalyptuksella on parempi valonsironta ja paremmat lujuusominaisuudet kuin koivulla. Kemimekaanista massaa voidaan käyttää hienopaperissa parantamassa jäykkyyttä, bulkkia ja valonsirontaa, mutta usein ongelmana on alhainen vaaleus ja huono vaaleuden pysyvyys. Kemimekaanista massaa voidaankäyttää missä tahansa mekaanisissa painopapereissa. Mekaanisissa painopapereissa kemimekaanisella lehtipuumassalla voidaan korvata mekaanista havupuumassaa. Akaasia on niin tummaa, ettei sitä voida käyttää korkeavaaleuksisiin papereihin. Eukalyptus ja koivu ovat vaaleampia ja helpompia valkaista kuin akaasia, mutta myös niillä on niin huono vaaleudenpysyvyys että käyttö hienopapereissa on rajoittunutta. Mekaanisille eukalyptus ja koivumassoille hienopaperia parempi käyttökohde on mekaaniset painopaperit, kuten MWC-paperi.

Hienopaperimassojen lujuusominaisuudet nopeassa vetokuormituksessa

Työssä verrattiin koivu-, akaasia- ja eucalyptussellujen käyttökelpoisuutta hienopapereiden kuituraaka-aineena. Kirjallisuusosassa todettiin radan hallinnan paperikoneiden avoimissa vienneissä riippuvan käytetyn geometrian lisäksi lujuus- ja relaksaatio-ominaisuuksista. Kuituverkoston käyttäytymiseen jännityksen alaisena vaikuttavat kuitudimensiot, kosteus ja lämpötila sekä kuituverkostoon kohdistetun jännityksen nopeus ja määrä. Relaksaationopeus ja vetolujuus kasvavat kuivilla papereilla vetonopeuden lisääntyessä. Kosteuspitoisuuden kasvattaminen alentaa puukuiduissa olevien polymeerien lasisiirtymälämpötilaa, jonka seurauksena vetolujuus ja relaksaatiokireys laskevat voimakkaasti. Kosteuspitoisuuden kasvaessa murtovenymä kasvaa lähes lineaarisesti ja repäisylujuus sekä murtotyö saavuttavat maksiminsa tietyssä kosteuspitoisuudessa. Kokeellisessa osassa keskityttiin hienopaperimassojen lujuus- ja relaksaatiokäyttäytymisen selvittämiseen nopeassa vetokuormituksessa. Lisäksi määritettiin laatu-, massa- ja rakenneominaisuuksia valituille koepisteille. Muuttujina kokeissa olivat massojen kuiva-ainepitoisuudet ja jauhatusolosuhteet sekä havusellun osuus hienopaperimassoissa.CSF-tasoon 350 ml jauhetuista näytteistä parhaat lujuus ja relaksaatio-ominaisuudet olivat koivulla ja heikoimmat akaasialla. Erot koepisteiden välillä korostuivat pienellä havusellun määrällä, mutta kaventuivat huomattavasti havusellun määrää lisättäessä. Samaan vetolujuuteen jauhettaessa massojen erot poistuvat kokonaan. Kuivilla näytteillä löydettiin erinomainen korrelaatio myötölujuuden ja relaksaatiokireyden välille. Puristinkuivien näytteiden relaksaatiokireyksiä voidaan kokeiden valossa ennustaa parhaiten kuivien näytteiden vetolujuuksista. Myös elastisten venymien osuuksille ja kuituseinämien paksuuksille löydettiin selvä yhteys.Eucalyptus- ja akaasiamassojen erinomaisuus hienopapereiden raaka-aineena korostui niiden optisissa ominaisuuksissa, erityisesti korkeana valonsirontana. Verrattaessa samassa vetolujuudessa ja relaksaatiokireydessä valonsirontakertoimien arvoja havaittiin akaasian olevan paras koivun jäädessä heikoimmaksi. Lisäksi akaasian ja eucalyptuksen kapeat kuitujakaumat ovat edullisia painokoneessa värin tasaisen imeytymisen kannalta. Akaasian pienet ja taipuisat kuidut antavat paperille tasaisen pinnan ja siten painatuksessa tasaisen painoalustan.

Characterization of fiber and vessel elements in pulp suspension images

The thesis is related to the topic of image-based characterization of fibers in pulp suspension during the papermaking process. Papermaking industry is focusing on process control optimization and automatization, which makes it possible to manufacture highquality products in a resource-efficient way. Being a part of the process control, pulp suspension analysis allows to predict and modify properties of the end product. This work is a part of the tree species identification task and focuses on analysis of fiber parameters in the pulp suspension at the wet stage of paper production. The existing machine vision methods for pulp characterization were investigated, and a method exploiting direction sensitive filtering, non-maximum suppression, hysteresis thresholding, tensor voting, and curve extraction from tensor maps was developed. Application of the method to the microscopic grayscale pulp images made it possible to detect curves corresponding to fibers in the pulp image and to compute their morphological characteristics. Performance of the method was evaluated based on the manually produced ground truth data. An accuracy of fiber characteristics estimation, including length, width, and curvature, for the acacia pulp images was found to be 84, 85, and 60% correspondingly.

Wood species identification by visual characterization of fibers

Kandidaatintyö tehtiin osana PulpVision-tutkimusprojektia, jonka tarkoituksena on kehittää kuvapohjaisia laskenta- ja luokittelumetodeja sellun laaduntarkkailuun paperin valmistuksessa. Tämän tutkimusprojektin osana on aiemmin kehitetty metodi, jolla etsittiin kaarevia rakenteita kuvista, ja tätä metodia hyödynnettiin kuitujen etsintään kuvista. Tätä metodia käytettiin lähtökohtana kandidaatintyölle. Työn tarkoituksena oli tutkia, voidaanko erilaisista kuitukuvista laskettujen piirteiden avulla tunnistaa kuvassa olevien kuitujen laji. Näissä kuitukuvissa oli kuituja neljästä eri puulajista ja yhdestä kasvista. Nämä lajit olivat akasia, koivu, mänty, eukalyptus ja vehnä. Jokaisesta lajista valittiin 100 kuitukuvaa ja nämä kuvat jaettiin kahteen ryhmään, joista ensimmäistä käytettiin opetusryhmänä ja toista testausryhmänä. Opetusryhmän avulla jokaiselle kuitulajille laskettiin näitä kuvaavia piirteitä, joiden avulla pyrittiin tunnistamaan testausryhmän kuvissa olevat kuitulajit. Nämä kuvat oli tuottanut CEMIS-Oulu (Center for Measurement and Information Systems), joka on mittaustekniikkaan keskittynyt yksikkö Oulun yliopistossa. Yksittäiselle opetusryhmän kuitukuvalle laskettiin keskiarvot ja keskihajonnat kolmesta eri piirteestä, jotka olivat pituus, leveys ja kaarevuus. Lisäksi laskettiin, kuinka monta kuitua kuvasta löydettiin. Näiden piirteiden eri yhdistelmien avulla testattiin tunnistamisen tarkkuutta käyttämällä k:n lähimmän naapurin menetelmää ja Naiivi Bayes -luokitinta testausryhmän kuville. Testeistä saatiin lupaavia tuloksia muun muassa pituuden ja leveyden keskiarvoja käytettäessä saavutettiin jopa noin 98 %:n tarkkuus molemmilla algoritmeilla. Tunnistuksessa kuitujen keskimäärinen pituus vaikutti olevan kuitukuvia parhaiten kuvaava piirre. Käytettyjen algoritmien välillä ei ollut suurta vaihtelua tarkkuudessa. Testeissä saatujen tulosten perusteella voidaan todeta, että kuitukuvien tunnistaminen on mahdollista. Testien perusteella kuitukuvista tarvitsee laskea vain kaksi piirrettä, joilla kuidut voidaan tunnistaa tarkasti. Käytetyt lajittelualgoritmit olivat hyvin yksinkertaisia, mutta ne toimivat testeissä hyvin.