Yrd. Doç. Dr. Süleyman KORKUT
Abant İzzet Baysal Üniversitesi,
Düzce Orman Fakültesi, 81620 Düzce

Ülkemizde ve yurt dışında kereste üretiminde optimizasyon konusunda doğrusal programlama, Monte-Carlo Tekniği ile simülasyon tekniğinden yararlanılarak yapılan önemli bazı çalışmalar aşağıda kısa kısa özetlenmiştir.

Henley ve Hoopes (1967), her bir tomruk için kereste randımanını düşük maliyetle hızlı ve doğru olarak belirlemek üzere LR-1 ve LR-2 kısımlarından oluşan ve FORTRAN 4 programlama diliyle yazılmış bir bilgisayar programı geliştirmişlerdir.

Bu program sayesinde kullanıcı; her bir tomruktan üretilebilecek kereste kalınlığını, genişliğini, uzunluğunu ve kalite sınıfını tespit edebilmekte, kereste fiyatını, tomruk sınıfına göre kereste hacmini, talaş ve yongalanabilir artıkların hacmini m3 olarak hesaplayabilmekte, veri girişlerinde ve birbirini takip eden işlemlerde oluşabilecek hataları kontrol etmekte, iki veya daha fazla sayıda tomruktan elde edilen kereste randıman bilgilerini kombine edebilmekte, kereste randıman bilgilerini ağaçtan elde edilen tüm tomruklar için hesaplama yanında ağacın bütünü olarak ta sunma olanağına sahip olmakta, her bir çap ve kalite sınıfı için ortalama tomruk fiyatını belirleyebilmekte ve tüm hesaplamaların çıktısını alabilmektedir. Yazılarında programın geniş bir tanıtımını yapmışlar ve programın ormancılık uygulamalarının geniş bir varyasyonu için faydalı bir araç olacağını ifade etmişlerdir [1].

Tsolakides (1969), nihai randımanı üzerine biçme metodu ve tomruk karakteristikleri arasındaki değişen ilişkilerin etkilerini karşılaştırmak maksadıyla tomruk randımanın simülasyon analizi (Simulation Analysis of Log Yield (SALY)) adında iki aşamadan oluşan bir model geliştirmiştir. Birinci aşama; boyut, biçim ve kusur yerleri gibi tomruk iç ve dış karakteristiklerinin değerlendirilmesi olup bu aşamada tomruktan kusurları göstermek içinyeterli büyüklükte seksiyon alınır. Farklı kalınlıktaki seksiyonların yüzeylerindeki kusurlar ölçülür ve kaydedilir. Bu ölçümler girdi verisinin bir basamağını oluştur. İkinci aşamada, biçme tekniği seçilir ve uygulanır. Biçme tekniklerinden biri tomruğun döndürülmesine olanak sağlar, diğer ikisi ise keskin kesiş ve katrakta prizma kesiş metotlarıdır.

Bu biçme metotları girdi verisinin diğer basamağını oluştururlar. Tomruk işleme operasyonlarının simülasyonu için 6 adet kırmızı meşe tomruğu kullanılmıştır. Tomruk çapları 28-38 cm ve boyları 3-4 m’dir. Seksiyonlardan elde edilen tüm veriler veri işlem kartlarına işlemiş ve biçme işleminin simülasyonu için FORTRAN dili kullanılarak bir bilgisayar programı yazmıştır. Programın uygulamasını bir CDC 3600 bilgisayarı ile yapmıştır. Sonuç olarak, bu programın kullanılması ile tomruğun en iyi nsıl biçilebileceği hakkında kolaylıkla karar verilebileceğini belirtmiştir [2].
Pnevmaticos vd. (1970), Sarı Huş kerestesi üreten özel bir kereste fabrikasında tomruk çapı, uzunluğu, tomruğun ağaçtan alındığı yer ve ölçülen kusurlarının kalite ve kantite randımanı, kereste fiyatı, biçme süresini ve verimlilik üzerine etkilerini araştırmışlardır. Bu amaçla çapları 20-64 cm ve uzunlukları 2.5-5 m olan 287 adet tomruğu, 9/64 inch’lik testere biçme hattına sahip çift şerit testere makinesinde, üretilen kerestelerin % 66’sı 1.91 cm, % 31’i 3.18 cm ve geri kanlı 2.54 - 4.45 cm kalınlıkta olacak şekilde biçmişlerdir. İlişkilerin oranını saptamak için Henley ve Hoopes (1967) [1] tarafından geliştirilen yumuşak ağaç kereste randımanı bilgisayar programının regresyon denklemler içeren geliştirilmiş bir versiyonunu kullanmışlardır.

Araştırma sonunda; bir tomruk sınıfı içinde kantite randımanını ve fiyatın tomruk çapı arttıkça arttığını, fiyattaki artışın daha fazla olduğunu, bir tomruk sınıfı içerisinde tomruk uzunluğunun randıman üzerine etkisinin istatistiksel manada anlamlı olmadığını, aynı sınıf ve çapta dip tomruklarının tepe tomruklarına nazaran daha yüksek fiyat verdiğini, düşük kalitedeki tomruk sınıflarında her bir tomruk hacim ünitesi için daha yüksek biçme süresi gerektiğini, tomruk çapı ve uzunluğunun artması ile biçme süresinin azalacağını, aynı çap ve sınıf için dip tomruklarının tepe tomruklarına göre daha yüksek fiyat verdiğini, uzun ve yüksek kaliteli tomrukların biçilmesi ile dakikadaki biçme verimliliğinin daha fazla olduğunu, tomruk sınıfının tek başına kereste fiyatı ve biçme süresi üzerine önemli bir etkiye sahip olduğunu ancak; tomruk çapı, uzunluğu, tomruğun gövdeden alındığı yer, kusurlar ve biçme sresinin de verimlilik ve randıman üzerine etkili olduğunu belirlemişlerdir [3].

Sampson ve Fasick (1970), sarıçam biçen bir kereste fabrikasının operasyonlarını analiz etmek için yöneylem araştırma yöntemini kullanmışlardır. Çalışmalarında; fabrikanın mevcut imalathane yapısı, mevcut tomruk girdisi, pazar şartları ve fabrika sahibi tarafından belirlenen sınırlamalar altında her bir tomruk sınıfı için net gelirini nasıl maksimize edeceğini ve hammadde kaynaklarındaki ve ürün fiyatlarındaki değişmeler ile imalathane verimliliğinin artmasının etkilerini belirlemeyi amaçlamışlardır. Sonuç olarak; yöneylem araştırmalarının kullanılması ile mevcut veya düşünülen üretim alternatifleri ve girdi olasılıkları konularında tam bir bilgi sağlanacağını belirtmişlerdir [4].

Cummins ve Culbertson (1972), testere biçme hattı, kereste kalınlığı ve kereste genişliği gibi parametrelerin fiyat üzerine etkisini saptamak için bir model geliştirmişlerdir. Geliştirdikleri metodu, maksimum fiyatı elde etmek için 30 cm çapındaki Douglas Göknarı (Pseudotsuga menziesii) tomruklarının ana biçme makinesinde nasıl biçileceğini göstermek amacıyla denemişlerdir. Sonuç olarak; bu modelin mevcut ve yeni biçme metotlarını simüle etmek amacıyla kullanılabileceğini belirtmişlerdir [5].

Richards (1973), 5832 adet tomruğu bilgisayarda simüle ederek kereste randımanını faktörsel analiz formunda sunmuştur.
Kereste randımanı üzerine etkili olan faktörlerden gövde çapı, uzunluğu, çap düşüşü, kereste kalınlığı, testere biçme hattı, kenar alma metodu ve biçme tekniği gibi faktörlerin etkilerini araştırmıştır. Biçme tekniği olarak; testere oyuğunun tomruk gövde eksenine paralel olduğu normal keskin kesiş ile biçme, tüm kerestelerin tomruk gövde ekseni yerine bir taraftaki yanal yüzeye paralel olacak şekilde biçme, prizma kesiş tekniğinin diğer bir şekli olan iki taraflı konik biçme, optimize edilmiş kesim pozisyonunda keskin kesiş, prizma kesiş, dört yüzeyli konik prizmadan biçme tekniklerini kullanmıştır.

Sonuç olarak; testere biçme hattının 3/16 inch’ten 7/16 inch’e yükselmesi ile kereste randımanının tomruk hacminin yüzdesi olarak % 66.9’dan % 53.6’ya düştüğünü, kereste kalınlığının _ inch’ten 1_ inch’e çıkarılması ile kereste randımanının % 53.9’dan % 63.7’e çıkacağını, tek tarafı sulamalı kerestede randıman % 64.4 iken sulamasız kerestede % 54.7 olduğunu, konik biçme ile daha düşük randımanın elde edildiğini, tüm kerestelerin tomruk gövde ekseni yerine bir taraftaki yanal yüzeye paralel olacak şekilde biçmede en yüksek randımanın (%62) elde edildiğini, biçme metodu, çap düşüşü ve tomruk uzunluğunun randıman üzerine etkisinin diğerlerine göre daha az öneme sahip olduğunu belirtmiştir [6].

Lewis ve Hallock (1974), sınırlı sürede en iyi biçme şeklinin seçilmesini ve kereste randımanı maksimizasyonunu sağlayan en iyi açılma yüzeyi (Best Opening Face (BOF)) adında bir program geliştirmişlerdir. Çalışmalarında; 1960 yılında ilk defa oluşturdukları BOF simülasyon modeli ile bu modelin geliştirilmiş versiyonunu karşılaştırmışlar, programın nasıl çalışacağı ve nasıl kullanılacağı hakkında bilgi vermişler ve programın kullanılabilirliğini kanıtlamak için yumuşak ağaç biçen kereste fabrikasında uygulama yapmışlardır.

Yeni model; çap düşüşü, sulamalı kereste, yarma testeresi oyuğu, en kısa parça, en dar parça, kereste boyutları ve kereste fiyatları gibi ilave özelliklere sahiptir. Sonuç olarak, BOF programının kullanılması ile kereste hacim maksimizasyonu söz konusu olduğunda en az % 10’luk bir iyileşme, fiyat maksimizasyonu söz konusu olduğunda ise daha yüksek iyileşme olacağını belirtmişlerdir [7].

Richards (1977), sert ağaç tomruklarının bir bilgisayarda simulasyonu ile ucu kesilmiş koni şekline benzetilmesini sağlamış ve sonra biçmiştir. Öz kusurları ve değişik budak dağılımlarını içeren tomruklardan elde edilen keresteler bilgisayar yardımı ile sınıflandırılmış ve fiyatlandırılmıştır. Simüle edilen tomruğun biçilme işlemi ve fiyatı üzerine başlangıç pozisyonlarının etkisini incelemek amacıyla, sulamasız kereste üretmek için keskin kesiş, prizma kesiş ve aynalı kesiş yöntemlerinin tümünde 15 derecelik dönme açılarında tekrarlanmıştır. Sonuçlar tomrukların biçmeden önce döndürülerek uygun pozisyona getirilmesi işleminin tüm biçme metotları için önemli ve sulamasız kereste üretiminde fiyatın keskin kesişte daha yüksek olduğunu göstermiştir [8].

Adams ve Dunmire (1978), sert ağaç kereste fabrikalarında problemleri çözmek ve randımanı arttırmak için SOLVE II adında kereste fabrikası analiz tekniğini geliştirmişlerdir. Teknik; analiz tasarımı, veri toplama ve bilgisayar kartı hazırlama ve kullanımı konularını kapsar. Analiz tekniği; tek bir tür, bir türe ait beş tomruk sınıfını kapsayan tomruk sınıflandırma sistemi, bir türe ait 500 adet tomruk ile çalışma, tomruk ölçümlerinin uluslar arası _ inch Doyle, Scribner Decimal C, veya Vermont tomruk ölçme kurallarına göre yapılması, on kereste sınıfı, kereste kalınlıkları 2/4 – 8/4 inch (daha büyük kalınlıklar kereste yüzey ölçümlerinin ayarlanması koşuluyla kabul edilebilir) ve 8 inch’e kadar olan özel ürünleri tasarım kriteri olarak ele almıştır [9].
Kersavage (1978), sert ağaç kereste fabrikası temel üretim verilerini elde etmek için devamlı kayıt yapan bir sistem geliştirmiştir. Bu sistemde elektronik sensörler kabuk soyma makinesi, ana biçme makinesi, tomruk arabası, yan al ma ve baş kesme makineleri gibi stratejik öneme sahip makinelere yerleştirilmiştir.

Üretim izleme sistemi sıfırın altındaki sıcaklık şartlarında ve üç günlük bir zaman periyodunda sert ağaç işleyen bir kereste fabrikasında test edilmiştir.

İzlenen tomrukların her birinin biçme işleminin panaromik ve sürekli temsili için biçme eğrileri 400 adet tomruktan elde edilmiştir. Araştırma sonucunda; üretim siteminin devamlı izlenmesi sonucunda, çeşitli tür, boyut, biçim ve şartlarda sarf edilen güç, farklı kesim metotlarının değerlendirilmesi ve değer biçilmesi, testere levhası performansı, operatör yeterliliği, kabuk soyma, yan alma ve baş kesme işlemlerinin değerlendirilmesi gibi konularda elde edilen veriler ile tomruk verileri sayesinde üretim yönetimine faydalı bir analiz olanağı verileceğini ifade etmiştir [10].

Pnevmaticos ve Mouland (1978), sert ağaç tomruklarını simüle ederek bilgisayarda kerestelere biçilmesini incelemişlerdir. Biçme işlemi; tomruk ucu kesilmiş koni şeklinde, tomruk içerisindeki çürük ve budak gibi kusurlar ise dikdörtgen solidler şeklinde simüle edilerek, tomruk özellikleri ve tomruk kusurları ile kesme planları birlikte kullanılarak gerçekleştirilmiştir.

Çalışmalarında; bir çok kesme modelini simüle etmek için lineer programlama (doğrusal programlama) problemlerinde geniş bir oranda kullanılan simplex tekniğini, birçok biçme şablonu oluşturarak farklı kesim planları arasındaki kesişme noktalarını tespit etmek amacıyla kullanmışlardır.

Simülatör, Amerika ve Kanada’da yılda yaklaşık 113232 m3 kereste üretimi yapılan Akçaağaç (Acer saccharum Marrsh.) tomruklarının biçilmesinde kullanılan biçme şablonlarını karşılaştırmak maksadıyla kullanılmış; biçme şablonları ile elde edilen sonuçlar arasındaki farkların, gerçek denemelerde elde edilen sonuçlara uygun olduğu görülmüştür. Ayrıca aynı tomrukların biçme şablonları ile gerçek olarak biçilmesi ve simülatörde biçilmesi arasında kusurların yerleştirilmesindeki farklılıkların son derece küçük olduğunu belirlemişlerdir [11].

Hallock vd. (1979), kısa tomruk olarak adlandırılan çapları 0.5 cm’lik basamaklarla 14.2 cm’den 52 cm’ye kadar değişen, uzunlukları 61 cm’lik basamaklarla 2.44 m’den 7.32 m’ye kadar değişen ve çap düşüşü 4.88 m’de 2.54 cm’den 12.7 cm’ye kadar 2.54 cm’lik kademelerle değişen 3330 adet yumuşak ağaç tomruğunun biçme işlemini matematiksel olarak modelleyen BOF (Best Opening Face) bilgisayar programı kullanarak biçmişler ve tomruk hacmini hesaplamada tomruk ince uç çapı ve tomruk uzunluğunu esas alan board-foot ölçüm sistemi ile tomruk hacmini hesaplamada her iki uç çapı dolayısıyla çap düşüşünü esas alan cubic-foot ölçüm sistemini kullanarak randımanı hesaplamışlardır.

Sonuç olarak; board-foot ölçüm sisteminin kullanılması ile elde edilen randımanın cubic-foot ölçüm sisteminin kullanılmasıyla elde edilen randımandan daha fazla olduğunu belirtmişlerdir [12].

Adkins vd. (1980), sert ağaç kerestelerinin matematik modeller kullanarak simüle edilmesini sağlayan CANT, QUAD, LIVE ve DECID adında 4 adet bilgisayar programını FORTRAN G dili kullanılarak yazmışlardır. Tüm programlar; tomruklardan kerestenin biçilmesini ve biçilen kerestenin matematiksel olarak tanımlanması için KERF, sulama kusurlarının tespiti için WANE, budak kusurlarının tespiti için KNOT, öz kusurlarının tespiti için CORE, kereste fiyatlarını saptamak için PRICE, kalitenin belirlenmesi için GRADE gibi alt programları kapsamaktadır. Simülasyon modellerini aynalı kesiş, prizma kesiş, keskin kesiş ve karar biçme (decision sawing) metotları için oluşturmuşlardır. Çalışmalarında; biçme metotlarının detaylarını, model varsayımlarını, programın yapısını, kullanılan değişkenleri, genel depolama alanlarını ve programların listesini ayrıntılı olarak açıklamışlardır [13].

Savsar ve Kersavage (1982), ucu kesik koni biçiminde farz edilen sert ağaç kerestelik tomruklarından keskin kesiş yöntemiyle üretilen yanları alınmamış kereste, testere talaşı ve kapakların hacimlerinin tam olarak belirlenebilmesi için bir matematiksel model geliştirmişler ve bu modeli sert ağaç biçen kereste fabrikaları için, FORTRAN programlama dili kullanarak yazılan bir bilgisayar simülasyon programıyla birleştirmişlerdir. Program kullanıcısı gerçekte tomrukları biçmeden, çeşitli hammaddelerin ve işlem değişkenlerinin kereste fabrikası randımanına etkileri ile yanları alınmamış keresteler, kapaklar, kırıntılar, takozlar, kapak artıkları ve ana biçme makinesi ile yan alma ve baş kesme makinelerinde açığa çıkan testere talaşı miktarlarını inceleyebilmektedir. Tomrukların simülatörde bilgisayarla kesilmesi ile elde edilen kereste ve artık ürünler, deneysel olarak belirlenen verilere yakın sonuçlar vermiştir [14].

Risbrudt ve Kaiser (1982), yan alma, baş kesme ve imalat toleranslarını azaltarak tomruktan daha fazla kereste elde etmelerini sağlamak için devlet ve özel kereste fabrikası sahipleri ve operatörleri ile işbirliğine giderek ve ulusun hammadde kaynaklarından faydalanmayı geliştirmek, optimum ekipman, kaynak ve yönetim kararlarını kullanarak maksimum kereste randıman faktörü olasılıkları ve fabrikanın mevcut ekipmanlarının iyileştirilmesi ile potansiyel kereste randıman faktörünü nasıl sağlayacakları konularında fabrika sahiplerine bilgi vermek için U.S. Ormancılık Servisi tarafından tasarlanan Kereste Fabrikası Geliştirme Programını (Sawmill Improvement Program (SIP)) kullanarak bir analiz çalışması yapmışlardır. SIP programının ülke çapındaki etkinliğini ve programın kereste fiyatı üzerine etkisini saptamak amacıyla, ülkenin yumuşak ağaç kerestesi üretiminin % 53’ünü karşılayan 850 adet fabrika ile çalışılmıştır.

Yapılan analiz sonucunda; kereste randımanında ortalama % 2.8’lik bir gelişme ve bu gelişmelerin maliyet üzerindeki faydasının yaklaşık 1/6 olduğunu, her 2.59 m3’te yaklaşık 3.67 $ daha düşük yumuşak ağaç kereste fiyatı elde edildiğini, azalan kereste fiyatları sonucu tüketicilere yıllık 147 milyon $ tasarruf olanağı sağlandığını, randıman iyileşmesi sonucu tomruk hacminde 12 374 m3’lük bir azalma olduğunu ve SIP programının kullanılması ile fabrika operatörlerinin hammaddelerini keresteye yüksek randımanla nasıl dönüştürecekleri konusunda bilgi edineceklerini ve bu bilgi ışığında daha iyi yönetim kararları alabileceklerini belirtmişlerdir [15].

Wang (1983), nihai kereste boyutlarında veya testere biçme hattındaki azalma sebebiyle kereste randımanındaki artmayı tespit etmek için analitik bir yaklaşımla matematiksel denklemler geliştirmiş ve denklemlerin uygulamasını örneklerle göstermiştir. Kereste randımanındaki artmanın tahmin edilmesinde kullanılan fabrika testi yöntemini, tomruklar arası farklılıklar nedeniyle çok dikkatli bir tasarıma ve uygulamaya ihtiyaç duyması, simülasyon uygulama yöntemini, şirket için faydalı olabilmesi için en az bir mikrobilgisayara ve uzmana ihtiyaç duyması nedeniyle ufak şirketlerin kullanımı için pratik olmaması sebebiyle tercih etmemiştir.

Elde ettiği sonuçları White (1978) ve Allen (1981) tarafından elde edilen sonuçlarla karşılaştırmıştır. Çalışmasında tomrukları, bilgisayar kullanmadan kolay uygulanamayan ucu kesilmiş koni yerine silindir olarak tanımlamıştır.
Sonuç olarak; kendi denklemlerinin kullanılması ile, kereste randımanındaki artmanın tahminini % 11.2’lik bir oranla yapılabileceğini ki bu oran White (1978) ve Allen (1981) tarafından elde edilen denklemlerle % 8.2 olarak saptanmış, bu denklemlerin daha önce geliştirilen denklemlerin yapamadığı potansiyel kereste randımanı üzerine tomruk ebat dağılımlarının etkilerini belirleme özelliğine sahip olduğunu ifade etmiştir [16].

Geerts (1984), boyutları belli olan ve öz kusuru içeren tomrukların maksimum randımanı sağlayacak optimum biçme yöntemini saptamak amacıyla, iki boyutlu dinamik programlama algoritması kullanan kereste fabrikaları için, dinamik optimizasyon sistemi (Dynamic Optimisation System for Sawmill (DOSS)) adı verilen bir program geliştirmiştir. Tomruk ve kusurlar programda daire olarak temsil edilmiştir.

Algoritma iki düzensiz şekli, poligon biçiminde tanımlar. Çalışmasında geliştirmiş olduğu program hakkında bilgi vermiş ve programın kereste endüstrisinde kullanılmasıyla önemli oranda fayda sağlanılacağını ifade etmiştir [17].

Adams (1984), sert ağaç kereste fabrikası yerleşimini simüle etmek ve tasarımlamak için fabrika yöneticilerin ve tasarımcıların kullanabileceği kapsamlı ve analitik bir araç olan ve tasarım simülatörü (Desing SIMulator (DESIM)) adı verilen bir sistem geliştirmiştir. DESIM fabrikayı inşa etmeden önce; konveyörler ve taşıma sistemleri yeterli mi?, darboğaz var mı?, hammadde boyutları ve/veya sınıf dağılımları değişirse ne olacak?, üretim zamanındaki artma nasıl? ve üretim ekipmanlarının fiyatı nasıl eklenecek? gibi önemli sorulara cevap olanağı sağlar.

Sistem IBM 370/158 uyumlu bir bilgisayarda çalışır ve GASP IV FORTRAN esaslı bir simülasyon dili kullanır. Ayrıca konuşan monitör sistem (CMS) bilgisayar terminali gerektirir. Sistem; 1) FORMS programı, 2) DESING programı, 3) SIMULATION programı, 4) iki destek veri dosyası ve 5) çeşitli toplanmış veri dosyaları gibi kısımlara ayrılmıştır.

Sonuç olarak; DESIM ile geniş kompleks kereste fabrikası düzenleri oluşturulabileceğini, birçok biçme kararının operatör tarafından simüle edilebileceğini, materyal işleme ve rutin kararların diğer makine merkezleri tarafından yapılabileceğini ve fabrikanın simüle edilerek tasarımlanmasında kullanılabileceğini belirtmiştir [18].

Carino (1986), kereste üretim süresini azaltmak amacıyla, geleneksel Kereste Fabrikası Geliştirme Programı (Sawmill Improvement Program (SIP)) ile doğrusal programlama (Linear Programming (LP)) tekniğini kullanarak matematiksel bir model geliştirmiş ve 8 saatlik vardiyada 283-307 m3 sarıçam işleyen bir kereste fabrikasında uygulama yapmıştır. Fabrikayı ortalama çalışma saatinde maksimum kâr sağlayacak şekilde yapılandırmıştır.

Doğrusal programlama analizinin girdileri olarak; rasgele seçilmiş tomrukların çap ve uzunluk ölçümlerini, çeşitli makinelerdeki giren tomruğun her bir boyut sınıfı için biçilme süresini, makinanın verimli kullanıldığı süre, tomruk maliyetleri, ürün fiyatları, her bir boyut sınıfı için kantite randımanı ve kerestenin boyut ve sınıfını kullanmıştır. Kereste üretim süresindeki potansiyel azalmayı değerlendirmek için; ana biçme makinesi girdisi olarak az kârlı ve kârsız tomruk ebat sınıflarını hariç tutmuş, gereksiz tomruk uzunluk paylarını elimine etmiş ve kerestenin nihai boyutlarını azaltmıştır.
Araştırma sonunda; girdi olarak 18 cm ve daha büyük çaplı tomrukların kullanılması durumunda kârlılığın % 9 oranında artırılabileceğini ve kereste nihai boyutlarında bir azalma ile gereksiz tomruk uzunluk paylarını elimine etmesiyle fabrika kârında önemli bir artmanın sağlanacağını ifade etmiştir [19].

Howard ve Yaussy (1986), Sarı Huş (Betula alleghaniensis Britton) tomruklarından şerit testere ve daire testere makinesi ile üretilen keresteleri esas alarak kalite randımanını tahmin etmek için çok değişkenli regresyon modelini geliştirmişlerdir. Çalışmalarını Maine, Michigan, Wisconsin, West Virginia ve Vermont eyaletlerindeki kereste fabrikalarında yapmışlar ve USDA Ormancılık Servisi Kuzey Doğu Orman Uygulama İstasyonu (Northeastern Forest Experiment Station (NEFES)) tarafından geliştirilen Kereste Fabrikası İyileştirme Programını (Sawmill Improvement Program) kullanmışlardır. Fabrikaların 5 tanesi ana biçme makinesi olarak şerit testere makinesini ve 3 tanesi ana biçme makinesi olarak daire testere makinesi kullanmakta olup şerit testere makinesi kullanan fabrikaların biri de ilaveten yarma makinesi kullanmaktadır. Elde ettikleri verileri rasgele, tomrukların % 70’ini ve % 30’unu oluşturacak biçimde iki basamağa ayırmışlardır.

Birinci basamak verileri modelin saptadığı amaçlar için, ikinci basamak verileri son model verilerinden elde edilen katsayıların geçerliliğini belirlemek amacıyla kullanmışlardır. Tomruklardan biçilen keresteleri Ulusal Sert ağaç Kereste Birliği (National Hardwood Lumber Association (NHLA)) kurallarına göre sınıflandırmışlardır.

Çalışmalarında 1. sınıf tomruk (114 adet), 2. sınıf tomruk (316 adet) ve 3. sınıf tomruk (248 adet) olmak üzere üç tomruk sınıfı kullanmışlardır.
Araştırmalarının sonunda; 1. sınıf tomruklardan % 65, 2. sınıf tomruklardan % 40-64 ve 3. sınıf tomruklardan % 13-39 kalite randıman ile kereste elde ettiklerini ve modelle elde edilen katsayıların biçme simülasyonu, ekonomik analiz ve tomruk deposu envanter sistemleri için geliştirilen bilgisayar programlarında kullanılabileceğini belirtmişlerdir [20].

Occeña ve Tanchoco (1988), üç boyutlu model kavramına dayandırılan bir grafik biçme simulatörünü (Graphic Sawing Simulator (GSS)), sert ağaç tomruğunu otomatik işleme plan modeli için analitik bir araç olarak geliştirmişlerdir. Grafik simülatörü sert ağaç tomruğunu ve onun çok yüzeyli düzensiz kusurlarını temsil eder ve Boolean operasyonlarını kullanarak biçme işlemini ve tomruk boylama işlemini simule eder.

Sonuç olarak, sert ağaç tomruklarının boylanması ve biçme işlemlerinde bu simülatörün kullanılması ile daha yüksek kereste randımanı elde edilebileceğini belirtmişlerdir [21].
Mendoza ve Gertner (1988), hammaddenin keresteye dönüştürülmesinde geliri arttırmada kullanılan, aynı zamanda yeni ve hızlı gelişen bir teknik olan, prototip kereste üretim uzman sistemini (Lumber Production Expert System (LES)) kavramsal çerçevede ele alan bir çalışma yapmışlardır. Önerilen bu çerçeve çalışması; 1) optimizayon modeli ile uzman sistem ara yüzeyi, özellikle doğrusal programlama, 2) pazar veya ürün envanter veri tabanı ile uzman sistem halkası, 3) doğrusal programlama modelinin sonucuna dayalı biçme stratejilerini değerlendirmek için ileri optimizasyon modeli oluşturmaya hizmet etmektedir. Çalışma üç bölüme ayrılmıştır.

Birinci bölümde uzman sistemlerin (Experts Systems (ES)) tanımı yapılmış, ikinci bölümde uzman sistemler ile yöneylem araştırma (Operations Research (OR)) modeli arasındaki ara yüzey tanımlanmış, üçüncü bölümde bir orman ürünleri firmasında ara yüzey birimlerinin nasıl tanımlanabileceğini formüle eden prototip bir problem oluşturulmuştur. Sonuçta; fiyat ve tüketici talepleri gibi pazar faktörlerinin ve zamana bağlı olarak değişen ürün envanterinin saptanarak üretimin planlamasında uzman sitemlerin kullanılabileceğini belirtmişlerdir [22].

heng vd. (1989), tomruktan maksimum kereste randımanı elde etmek için biçme hattı konumunu direk hesaplayan ve hesaplama zamanını azaltan iki boyutlu geometrik teoriyi geliştirmişlerdir. Çalışmalarında daire ve elips şeklindeki tomruklar için merkezileştirilmiş prizma kesiş çözümleri geliştirmişlerdir. Maksimum randıman için biçme hattının konumu, daire veya elips şeklindeki tomruğun çapına bağlıdır. Enine kesiti daire şeklinde olan tomruklardan maksimum randıman elde etmek için bir kare prizma ve enine kesiti elips şeklinde olan tomruklardan maksimum randıman elde etmek için de dikdörtgen şeklinde prizma elde etmişlerdir.

Çalışmalarının sonunda; kare şeklindeki prizmanın her bir kenarının uzunluğunu tomruk ince uç çapında veya tomruk uzunluğu boyunca bazı ölçüm noktalarında 0.707 x tomruk çapı, kapakların kalınlığını 0.147 x tomruk çapı, her bir kapakdan biçilen en geniş tahtanın genişliğini 0.426 x tomruk çapı ve aynı tahtanın kalınlığını 0. 099 x tomruk çapı formülleri ile, dikdörtgen şeklindeki prizmanın kenarlarının uzunluğunu 0.707 x elipsin yatay ekseni uzunluğu, prizma üretirken elde edilen kapakların kalınlığı 0.147 x elipsin dikey ekseninin uzunluğu, her bir kapakdan biçilen en geniş tahtanın genişliğini 0.426 x elipsin yatay ekseninin uzunluğu ve kalınlığını 0.099 x elipsin dikey eksenin uzunluğu formülleri ile hesapladıklarında elips ve daire şeklindeki tomruklardan maksimum randıman elde edileceğini ve bu metodun kullanılması ile bilgisayarlı tomruk işleme kararlarının uygulanması durumunda hesaplama zamanının tatmin edici düzeyde azalacağını ifade etmişlerdir [23].

Steele vd. (1989), yumuşak ağaç tomruklarının prizma kesişi ile biçilmesinde en iyi açılma yüzeyi (Best Opening Face (BOF)) pozisyonlarını saptamak ve çözüm zamanını azaltmak maksadıyla kullanılan ve tomruğun geometrik olarak merkezileştirilerek biçilmesi olarak adlandırılan merkezileştirilmiş çözüm metodunu geliştirmişlerdir.

Mevcut bilgisayar optimizasyonu yazılımları biçme kararlarını çözüm tablosundan aldığı için randıman kayıplarına yol açmaktadır. 12-52 cm çapında ve 5 m boyunda (bu boydaki çap düşüşü 5cm) 80 adet tomruğu bilgisayar programı (BOF) kullanılarak biçmeleri sonucunda; BOF çözüm zamanında % 99.6’lık bir azalma, tomruk için ortalama randıman kaybının % 0.112 ve prizma için ortalama randıman kaybının % 0.0005 olacağını ve merkezileştirilmiş çözüm metodunun kullanılması ile, kereste randımanında çok az bir kayıp ile gerekli olan BOF pozisyonlarını saptamak için bilgisayar işlem zamanının önemli oranda azalacağı yargısına varmışlardır [24].

Reinders ve Hendriks (1989), nümerik kontrollü ana biçme makinesi ile biçme esaslı bir teknik kullanılarak tomrukların keresteye dönüştürülmesi işleminin optimizasyonu için dinamik programlama alt algoritmasına dayalı hızlı ve etkili bir algoritma geliştirmişlerdir. Simetrik görünüşler içeren algoritmanın kodlarını FORTRAN 77 dilinde yazmışlardır. Yazılımda, biçme yöntemini etkileyen kereste ve tomruk boyutları, ürün fiyatları, testere biçme hattı, tomruk kalitesi ve boyutlama toleransı gibi faktörler dikkate alınmamıştır.
Kendi algoritmalarını Gilmore ve Gomary (1969) tarafından geliştirilen algoritma ile karşılaştırmışlar ve daha az hesaplamaya gereksinim duymasından dolayı kendi algoritmalarının daha verimli olduğunu belirtmişlerdir. Ayrıca bu algoritmanın, minimum işlem zamanının maksimum fiyata göre daha önemli olduğu durumda kesim stok problemlerini tanımlamak için de kullanılabileceğini ifade etmişlerdir [25].

Steele vd. (1989), sert ağaç tomruklarından maksimum kereste randımanı elde etmek için en iyi açılma yüzey (Best Opening Face (BOF)) pozisyonunu tahmin etme üzerine keskin kesiş tekniğinin etkilerini araştırmışlardır. Biçmede optimal açılma yüzey pozisyonunun yer değişimini saptamak için doğrusal regresyon denklemi geliştirmişlerdir. Çalışmalarında 3.65 m uzunluğunda, 3.81 cm çap düşüşüne sahip, 19-53 cm çap arası 0.5 cm çap artımıyla her bir en ince kereste için 70 adet ve toplamda 8 en ince kereste için 560 adet tomruğu keskin kesiş tekniği kullanarak bilgisayar ortamında biçmişlerdir.

Araştırmalarında; bu yer değişimini elde etmek için gerekli değişkenin önemli olduğunu, yer değişim mesafesinin nispi olarak büyük olduğunu, yer değişimin randıman üzerine etkisinin ufak olduğunu ve tomruk çapının merkezileştirilmiş çözüm teknikleri tarafından optimum açılma yüzey pozisyonunun yeri üzerine olan etkisinin göz ardı edilebileceğini belirtmişlerdir [26].

Todoroki (1990), AUTOSET, AUTOSAW ve SAWNOUT (Sawn Outturn) adında üç programı kapsayan ve budanmış tomrukların biçilmesini simüle eden bilgisayar esaslı sistem hakkında geniş bir bilgi vermiştir. Bu sistem ile; her bir tomruğun ve tomruk sayısında sınırlama olmayan tomruk partilerinin gövde odunu sınıfları, biçilmeleri ve fiyatı hakkında bilgiler elde edilebilir.
Simülasyonlar birbirini etkileyecek biçimde veya otomasyon işleminin bir parçası olarak biçimlendirilebilir. Simülasyonun her bir aşamasında her bir tomruktan grafik görüntüler elde etmek için 8 ile 16 saniye süre gereklidir. AUTOSET programı biçme stratejisi ve biçme metodu hakkında ayrıntıları içeren komut dosyalarının oluşturulmasını yarar. Bu komut dosyaları bir veya daha fazla tomruk veri dosyaları ile birlikte AUTOSAW programında girdi olarak kullanılır.

AUTOSAW programı tomruğun otomatik biçme simülasyonunu sağlar. SAWNOUT programı ile biçme çalışmasının sonuçlarını analiz etmeye yarar. Üç program da IBM uyumlu bir bilgisayarda MS-DOS işletim sistemi altında çalışabilir. Program paskal dili ile yazılmış olup, Microsoft derleyicisi kullanılarak derlenmiştir. AUTOSAW programı HALO grafik kütüphanesiyle linklendirildiğinden grafik kartına ihtiyaç vardır [27].

Shi vd. (1990), merkezi çözüm metodunu kullanarak sert ağaç kerestesi üretiminde en iyi açılma pozisyonu (Best Opening Face (BOF)) üzerine tomruk uzunluğunun ve çap düşüşünün etkisini araştırmışlardır. Bu amaçla; tomruk uzunluğu, çap düşüşü, T2 ve T1 kalınlıklarındaki fark gibi değişkenleri açıklayan fonksiyon olarak tanımladıkları açılma yüzey pozisyonunu tahmin etmek için bir regresyon denklemi geliştirmişlerdir.

Çalışmalarında 5 tomruk uzunluk sınıfı (2.43cm, 3m, 3.65m, 4.26m ve 4.87m) ve 5 çap düşüşü sınıfı (0, 2.54cm, 5cm, 7.62cm ve 10.16cm) kullanılmışlar, her bir tomruk uzunluğu ve çap düşüşü için tomruk çaplarını 19 cm’den 54.35 cm’ye kadar 0.5 cm aralıklarla 70 çap grubu şeklinde belirlemişler, kereste kalınlığını 5.39 cm ve testere biçme hattını 0.63 cm almışlar, ve toplam 14 000 tomruğu 25 biçme hattı pozisyonunda test etmişlerdir. Araştırma sonunda; en iyi açılma yüzeylerinin tahmini için merkezi çözüm pozisyonlarının yeterli ve randımandaki ortalama kayıpların % 1.5’den daha az olduğunu, ayrıca değişken merkezi çözüm pozisyonlarına dayalı tek bir denklem ile tüm tomruk uzunlukları ve çap düşüşü için en iyi açılma yüzeyi pozisyonlarının doğru biçimde tahmin edilebileceğini ifade etmişlerdir [28].

Yaussy ve Brisbin (1990), kereste kantite randımanının hesaplanmasına ve sert ağaç kerestesi verilerinin veya ölçülen tomruk verilerinin değerlendirilmesine imkan veren STUMP adında entegre bir yazılım paketi geliştirmişlerdir.

Bu yazılım paketi; 1) orman envanteri ve değerlendirilmesi, 2) sert ağacın tomruğa dönüştürülmesi, 3) tomruk envanteri ve değerlendirilmesi ile 4) kereste fabrikasındaki işlemler şeklindeki dört modül ile tomruk ve kereste sınıfına göre randıman değerini hesaplamak için, standart kereste hedefleri veya tomruk öçlüleri yanında, sert ağaç ölçülerini veya tomruk sınıfı girdilerini kullanan veri giriş yordamından oluşmaktadır. Kereste randımanını tahmin etmek için mevcut ağaç ve tomruk kalitesinden yararlanan sistemin yeni geliştirilen modelleri, sert ağaç verilerini dikkate alarak satılabilir tomruk verimini ve potansiyel kaplama verimini hesaplayabilme özelliği kazanmıştır. MS-FORTRAN’da yazılan STUMP programı, en az 384 K. RAM ve iki sürücülü MS-DOS makineleri için düzenlenmiştir [29].

Mendoza vd. (1991), matematik programlama bilgisi olmayan veya çok az bilgisi olan sert ağaç kereste fabrikası yöneticisine ve kullanıcılara tomruk envanterini takip etmek kadar keresteye dönüşüm optimizasyonu sağlayan ve tablolama yazılımı içeren CEASAW (Computer Environment Analysis for the Sawmill) adında bir program geliştirmişlerdir. Tablolama modelinin daha iyi ara yüzey kabiliyeti tablolama sistemi ile optimizasyon modelinin kombinasyonuna olanak sağlamıştır. Karar verme sistemlerine sahip bir simülator ile Quatro-pro kullanan bir optimizasyon programı ilişkilendirilmiştir.
Sonuç olarak; tablolama modeli kullanan optimizasyon programının kereste üretimi ve tomruk sınıflandırma işlemlerini çok etkili bir tarzda tasarımlamaya olanak sağladığını ifade etmişlerdir [30]. Maness ve Adams (1991), kârı maksimize etmek amacıyla optimum tomruklama ve biçme politikalarını saptamak için tomruklama, biçme ve tahsis etme modellerini kapsayan bir model oluşturmuşlardır. Bu model özdeş çözümler elde edene kadar tekrarlanarak biçimlenmiş üç aşamalı çözüm yöntemi kullanır.
Doğrusal programı, Dantzig-Wolfe ayrışma prensiplerine ilave iki yenilik katarak oluşturulmuştur. Tomruk biçme algoritması, çözüm alanında olası tüm biçme yöntemlerini elde etmek için doğrusal programlamanın (Linear Program (LP)) üç alt modelini içermektedir.

Bunlar; 1) biçme yöntemi optimizeri (Cutting Pattern Optimizer) olup verilen çap, çap düşüşü ve uzunluktaki tomruğun prizma kesiş yöntemi ile biçilmesini simüle etmek ve boyutları ve fiyatı belli olan kerestenin optimum biçme yöntemini saptamak, 2) optimum tomruklama politikasını elde etmek için gövde tomruklama modeli (Stem Bucking Model) ve 3) tomruk tahsis etme modeli (Log Allocation)’dir. Sistem göknar biçen bir kereste fabrikasında denenmiştir.

Sonuç olarak; entegre edilen model tarafından önerilen politikaların kullanılması ile elde edilen gelirin tomruklama ve biçme programlarının bağımsız olarak kullanılmasına göre % 26-36 oranında daha fazla olduğunu saptamışlardır [31].

Mendoza vd. (1991), tomruk envanter modelini ve SIMAN kullanılarak modellenmiş gerçek zamanlı sert ağaç işleme simülasyon modelini geliştirmişler ve bu modelleri sert ağaç kereste fabrikalarında kullanmak için entegre edilmiş üretim planlama ve kontrol sistemleriyle birleştirmişledir. Tomruk envanter modeli tomruk deposundaki tomruğun durumunu periyodik olarak güncellemek ve izlemek için, işlem simülasyon modeli ise kereste fabrikasının farklı statik ve dinamik özelliklerini göz önüne alarak çeşitli kereste fabrikası performans parametrelerini tahmin etmek amacıyla tasarımlanmıştır.

Sistem ayrıca optimum tomruk girdi karışımını saptamak için tablolama programı esaslı optimizere sahiptir.
Sonuç olarak; entegre edilmiş sistemin, optimum kereste üretim planlarını saptayabileceğini ve operasyonel olarak gerçek zamanlı kullanılabileceğini belirtmişlerdir.

Şekil 1’de kereste imalatında safhalar, faaliyet alanı ve görevler, Şekil 2’de kereste imalatı için kombine edilmiş simülasyon ve optimizasyon modellerinin ara yüzü gösterilmiştir [32].

Wade vd. (1992), sert ağaç kereste fabrikalarında kullanılmak üzere biçme makinelerinin karakteristiğine ve tomruk kaynağına dayalı kereste randıman faktörünü (Lumber Recovery Factor (LRF)) tahmin etmek için bir çoklu-doğrusal regresyon modelini geliştirmişlerdir. Değişkenler olarak ana biçme makinesi tipini, testere biçme hattını, ortalama tomruk çapı ve uzunluğunu, aşırı/eksik boyut ve kaba yaş boyutu ele almışlardır.

Verileri 15 eyaletteki 35 adet sert ağaç işleyen kereste fabrikasından Fabrika Geliştirme Programını (Sawmill Improvement Program (SIP)) kullanarak elde etmişlerdir. Çalışmalarında kereste randıman faktörünü belirlemek amacıyla 3 tane model oluşturmuşlardır. Araştırma sonunda; bu yöntemin politika belirleyicilerine, planlamacılara ve fabrika sahiplerine bölgesel hammadde kaynakları üzerine teknolojik değişimlerin etkilerini tahmin etmede ve kereste randıman faktörünün saptanmasında yararlı olacağını belirtmişlerdir Ayrıca model 3’de ana biçme makinesinin testere biçme hattının 0.25 mm azalması ve tomruk çapının 2.54 cm artması ile LRF’nin arttığını, tomruk uzunluğunda 30.48 cm’lik artma ve biçme değişkeni sebebiyle parça kaybı sayısındaki artma ile LRF’nin azaldığını saptamışlardır [33].

Steele vd. (1992), çalışmalarında kereste hacim ve kereste kalite maksimizasyonu arasındaki çatışma, mevcut durum ve konunun potansiyel önemini amaç olarak saptamışlardır. Bu amaç için, tomruk iç kusurlarını belirlenen 40 cm çapında ve 4 m boyunda 24 adet kırmızı meşe tomruğunu _ inch kalınlıktaki kerestelere, tomruk kendi etrafında 240’lik bir dönme açısıyla döndürülerek keskin kesiş yöntemiyle biçilmiştir. Her döngüde biçilen kerestenin fiyatı öncekilerle karşılaştırılmış ve en yüksek fiyatın saptandığı pozisyonda, maksimum hacim randıman pozisyonunu saptamak için tomruk merkezine doğru _ inch kalınlıkta tahtalar elde edilmiştir.

Çalışma sonucunda; kalite ve hacim maksimizasyonu arasındaki çatışmanın geometrik çözümler ile ortadan kaldırılamayacağını, fiyat randımanının eldesi için tomruk iç kusurlarının taranarak belirlenmesi gerektiğini, maksimum fiyat pozisyonlarının maksimum hacim randıman pozisyonlarından % 5.8 daha fazla öneme sahip olduğunu ve hacim maksimizasyonu biçme çözümlerinin uygulanması ile ortalama kereste randımanının % 6.3 artacağını ifade etmişlerdir [34].

Cassens vd. (1993), kereste imalatında kârlılığı ve randımanı arttırmak için Monte-Carlo simülasyon tekniğini kullanmışlar ve bu teknik ile hedeflenen kereste hacmini hesaplayan mevcut metotlardaki son ürün hacmi, planyalama payı ve daralma arasındaki etkileşime olanak vermeme gibi dezavantajları ortadan kaldırmışlardır.

Monte-Carlo Tekniği kullanan ve imalat boyunca kereste boyutlarının kontrolü ve gözlemini sağlayan bilgisayar simülasyon modelini test etmek için, sarıçam işleyen bir kereste fabrikasında farklı işlem kontrol merkezlerindeki ölçümlerin veya verilerin beş farklı basamağını kullanmışlardır. Monte-Carlo Tekniği yöneticiye, artan hammadde fiyatları ve işleme maliyetleri sebebiyle gittikçe önem kazanan kritik makine

merkezlerini ve fabrika performansını saptamada yardımcı olmaktadır [35].
Steele vd. (1993), keskin kesiş metodu kullanılarak sert ağaç tomrukların biçilmesinde kereste hacim ve fiyat maksimizasyonu arasındaki potansiyel ihtilafın önemini saptamışlardır. Bu amaçla 3.7 m uzunluğunda ve 40.64 cm çapında, enine kesiti yuvarlak 24 adet Kırmızı Meşe (Quercus spp.) tomruğu en yüksek fiyat elde edilecek tomruk pozisyonunda 2.54 cm kalınlıktaki kerestelere 0.63 cm testere biçme hattı ile biçilmiştir.

Çalışmada her biçmeden sonra tomruk merkezine doğru 0.63 cm artımlar şeklinde en iyi açılma yüzeyi verecek şekilde 5 adet biçme işlemi uygulanmış ve her biçme ile elde dilen kerestelerin yanları alınmış ve hacimleri, sınıfları ve fiyatları saptanmıştır. Hacimler, dolar fiyatı ve minimum açılma pozisyonuna olan mesafe, ortalama hacim, minimum açılma pozisyonu, minimum ve maksimum hacim ile ilgili olarak çeşitli biçme pozisyonlarında hesaplanmıştır.

alışma sonunda; operatörün BOF (Best Opening Face) metodunu kullanarak maksimum hacim randımanı elde edecek şekilde biçme işlemini gerçekleştirmesi durumunda, hacim randımanında yaklaşık 7.077 dm3’lük bir artma olmasına rağmen, her tomruk için ortalama 2$ fiyat kaybının söz konusu olacağını, maksimum fiyat pozisyonu için her bir tomruğun 7.6 cm ve 15.2 cm minimum açılma pozisyonlarında (Minimum Opening Position (MOP)) aynı hacim randımanı elde ettiklerini, minimum ve maksimum fiyat pozisyonlarının iki minimum açılma pozisyonu için de aynı olduğunu, toplam kereste fiyatının tomruğa özgü kusurların her birinin derinliği ve konumuna bağlı olduğunu diğer bir deyişle maksimum fiyat elde etmek için her bir tomruktaki iç kusur yerlerinin tam olarak bilinmesinin gerektiğini ve bunun iç kusur tarama sistemlerinin kullanılması ile sağlanabileceğini belirtmişlerdir [36].

Loehnertz vd. (1993), 40 cm çapında ve 2.5 m uzunluğunda 24 adet Pasifik Porsuğu (Taxus brevifolia Nutt.) tomruğundan 1-3/16 inch kalınlığında 130 adet kereste biçmişler ve kantite randımanını belirlemişlerdir. Çap düşüşü belirtilmeyen bu araştırmanın sonucu olarak, tomruk çapının artmasıyla üretilen kereste hacminin arttığını, fakat iç çürüklük oranının randıman yüzdesini etkilediğini ve 28 cm’den daha çaplı tomruklarda randımanın iç çürüklük oranının artmasına bağlı olarak azaldığını belirtmişlerdir [37].

Steele vd. (1994), sert ağaç kereste fabrikalarında biçmek için tomruk pozisyonlarının iç kusurlar dikkate alınarak belirlenmesi ile kereste fiyatında artma olup olmadığını araştırmışlardır. Çalışmalarında kullanmak üzere tomruk iç kusurlarını belirlenen, silindirik formda, 40 cm çapında ve 4 m boyunda 24 adet kırmızı meşe tomruğunu _ inch kalınlıktaki kerestelere sert ağaç biçme işlemlerini simüle eden bilgisayar programları kullanılarak keskin kesiş ve prizma kesiş yöntemi ile biçilmiştir. Tomruklar, USDA Ormancılık Servisi Sert Ağaç Tomruk Sınıflandırma Kuralları dikkate alınarak iç kusurları belirlenmiş ve her grupta 8’er adet tomruk olacak şekilde F1, F2 ve F3 sınıflarına ayrılmıştır.

Kereste sınıflandırma işlemi ise NHLA kurallarına göre yapılmıştır. Araştırma sonucunda; fiyat artışı bakımından bireysel tomruk sınıfları arasında anlamlı bir farkın olmadığı ve tomruk iç kusurlarının belirlenerek tomruk pozisyonlama işlemlerinin buna göre yapılması durumunda keskin kesiş yönteminde kusurların belirlenmeden yapıldığı biçme şekline göre % 10.10, prizma kesiş yöntemlerinde de % 10.18 daha yüksek kereste fiyatı elde edildiği yargısına varmışlardır [38].

Adams (1996), sert ağaç kereste fabrikalarında ekonomik ve ekonomik olmayan analizler için geliştirdiği PC-SOLVE III bilgisayar programının tasarımı, veri gereksinimleri, programın kullanımı, program çıktıları ve program çıktılarının yorumlanması konularında bilgi vermiştir. Ekonomik analizler dolar bazında yonga ve kereste randımanını, ürün dönüşüm fiyatlarını ve tomruk için ödenecek fiyatlar, ekonomik olmayan analizler ise kereste kalite randımanı, kereste randıman faktörü (LRF), yonga randımanı ve biçme zamanı gibi üretim değişkenlerini kontrol etmek için gerekli olan bilgiyi sağlar.

Bu bilgiler ışığında program fabrika yöneticisine; 1) önceden belirledikleri bir kâr sınırı için tomruklar için ödeyebilecekleri maksimum fiyatı, 2) sıfır kâr ile tomruklar için ödeyebilecekleri başa baş noktasındaki fiyatı belirleme olanağı sağlamaktadır. Tomruk fiyatlarını elde etmek için kullanılan formüller; maksimum tomruk fiyatı=ürün fiyatı – dönüşüm fiyatı – kâr ve başa baş noktasındaki tomruk fiyatı= ürün fiyatı – dönüşüm fiyatı şeklinde oluşturulmuştur.

Sonuç olarak; PC-SOLVE III’ün kullanılması ile randımanın ve üretimin artırılabileceği, artıkların ve fiyatların azaltılabileceği ve ürün kalitesinin iyileştirilebileceğini ifade etmiştir [39].

Occeña ve Schmoldt (1996), GRASP (GRAphic Sawing Program) olarak adlandırılan ve sert ağaç tomruğu biçmede, tomrukları biçmek için tomruklama işleminin yapılması ve tomruk başlarının kesilmesi, kereste yan alma işlemi, ikincil işlem ve tüm kaplama imalatında kullanılabilen prototip mikrobilgisayar esaslı interaktif grafik biçme programı geliştirerek kabiliyeti ve özellikleri hakkında bilgi vermişlerdir. Grafik biçme programı IBM uyumlu bir bilgisayarda DOS ortamında çalışır. Minimum donanım konfigürasyonu 386 CPU, 4 MB’lık RAM ve VGA grafik adaptörüdür. Programı esnekliği sebebiyle orman ürünlerinin randımanının geliştirilmesinde ve personelin eğitilmesinde kullanılabilecek en iyi araçlardan biri olarak önermişlerdir [40].

Reeb ve Massey (1996), fabrika yöneticilerine farklı sınıf dağılımlarında üretim ekonomisini değerlendirmek maksadıyla seçilmiş sınıflandırma kural ayarlamaları ve tahmini kereste fiyatlarını kullanma olanağı sunan kereste sınıf dağıtım modelini geliştirmişlerdir. 3 aylık bir periyotta 2.5-6 m uzunluğundaki 350 adet kereste sarıçam işleyen bir fabrikadan rasgele seçilmiş, her bir keresteden elde edilen boyut ve kusur yerleri gibi veriler toplanmış ve kereste veritabanına girilmiştir. Veritabanı Güney Çam Kontrol Bürosu (Southern Pine Inspection Bureau (SPIB)) sınıflandırma kuralları ve SPIB sınıflandırma kuralları ile kullanıcı tarafından tanımlanan özel sınıflandırma kurallarının kombinasyonu şeklinde iki simülasyon için kullanılmıştır.

Çalışmalarında kullanmak üzere QuickBasic programını Lotus 1-2-3 şablonlarıyla birleştirerek kereste sınıflandırma ve finans sitemini (LUMber GRAding and Financial System (LUMGRAFS)) geliştirmişlerdir. Araştırma sonunda; ılımlı bir üretim oranında özel kalite sınıflandırmasının kullanılması ile 89-100$ ilave bir gelir elde edileceğini, standart sınıflandırma kuralları ve özel sınıflandırma kurallarının bilgisayar desteği kullanılarak yapılması durumunda farklı senaryolar arasında kereste hacim ve fiyat karışımlarının doğru ve hızlı bir şekilde hesaplanabileceğini, bilgisayar desteğinin fabrika yönetimine nispi stabil üretim işlemleri, hammadde dağıtımları ve kereste karakteristikleri veri tabanlarını güncelleme konularında yardım sağlayacağını ifade etmişlerdir [41].

Özşahin (1997), Visual Basic programlama diliyle mevcut teorik denklemlerden yararlanarak üretilen ürünlerin maksimize edilmesini ve üretim süresinin minimize edilmesini (kereste üretiminde optimizasyon) sağlayan Rokopina adlı bir yazılım paketi geliştirmiştir. Kullanıcı program sayesinde ince uç çapı, kalın uç çapı ve uzunluğu bilinen bir tomruktan istenen özelliklerde kerestelerin maksimum randıman elde edilecek şekilde üretilebilmesi için tomruğun nasıl biçilmesi gerektiğini gösteren biçme diyagramını ve elde edilecek kerestelerin sayı, miktar ve oranlarını tespit edebilmektedir. Ayrıca randımanı etkileyen faktörlerin niceliklerindeki artma ve azalmaların kerestede meydana getirdiği değişikliklerin saptanabilmesine de olanak sağlamaktadır.

Çalışmasında yazılan programın doğruluğunu kanıtlamak için 3 m uzunluğunda ve 20-30 cm arasında değişen çaplarda 30 adet Okaliptüs (Eucalyptus camaldulensis) tomruğunu prizma kesiş yöntemine göre 120’lik tomruk şerit testere makinesinde biçmiştir. Çap düşüşü belirtilmeyen bu araştırmanın sonunda; okaliptüs tomruklarının tomruk şerit testere makinesi ile biçilmesi ile elde ettiği deneysel sonuçlarla tomrukların bilgisayarda görsel olarak biçilmesiyle elde ettiği teorik sonuçları karşılaştırmış ve hazırlanan bilgisayar programının kullanılması ile kantite randımanında önemli bir artış (%5.5) beklenebileceği kanısına varmıştır [42].

Guddanti ve Chang (1998), sınıflandırma hızını ve doğruluğunu arttırmak için x-ışını bilgisayar tomografisi (Computed Tomography (CT)) ile entegre edilmiş TOPSAW yazılım programı ile elde ettikleri biçme simülasyon analizi sonuçlarını yerel bir kereste fabrikasından elde ettikleri sonuçlar ile karşılaştırarak programın faydasını kanıtlamayı amaçlamışlardır.

Bu amaçla 4m uzunluğunda kırmızı meşe tomrukları endüstriyel bir tarayıcı kullanılarak taranmış ve tomruklar biçme kararlarının operatöre bırakıldığı yerel bir kereste fabrikasında biçilmiştir. Testere levhası kesim pozisyonlarını kaydetmişlerdir. Daha sonra bu kesim pozisyonlarını tam olarak aynı keresteleri üretmek için programda kopyalamışlardır. Araştırma sonunda; 1) 4 m uzunluğundaki tomrukların kısaltılmadan taranabileceğini, 2) yerel kereste fabrikasında elde ettikleri kereste boyutlarının aynısının TOPSAW yazılım programının kullanılarak bilgisayarla elde edilebileceğini, 3) verilen biçme düzeninde TOPSAW programı tarafından tahmin edilen kereste fiyatının, gerçekteki fiyatının % 97’si olduğunu ve 4) farklı biçme yöntemlerini analiz etmek ve üretilen kerestenin fiyatını saptamak için TOPSAW’ın pratik bir araç olarak kullanılabileceğini ifade etmişlerdir [43].

Todoroki ve Rönnqvist (1999), ana biçme makinesi ile biçmeden oluşan birinci biçme ile yarma makinesi, kenar alma ve baş kesme makinelerinin bulunduğu ikinci biçme kombinasyonunun optimizasyonunu sağlayacak bir modeli doğrusal programlama metodu kullanarak geliştirmişlerdir. Çalışmalarında; 4.8 m uzunluğunda, 40 adet Radiata Çamı (Pinus radiata D. Don.) tomruğunu keskin kesiş metodu kullanarak 2.5-4 cm kalınlıktaki kerestelere 2.4-6.5 mm testere biçme hattı ile teorik olarak AUTOSAW simülasyon programı ile biçmişlerdir. Tomruklar küçük çaplarına (27.7-57.9 cm) göre sıralanmış, çap düşüşü 8-32 mm/m, eğrilik 2.6-11.8 mm/m ve öz odun boyutu 19.8-36.2 cm olacak şekilde seçilmiştir.

Simülasyonları; fiyat maksimizasyonu (varsayılan tüm kusur bilgileri), hacim maksimizasyonu (kusur bilgisi içermiyor) ve hibrit yaklaşım (birinci safhada maksimum hacim ikinci safhada fiyat) şeklinde üç amaç için tekrarlamışlardır. Birinci senaryo birinci tomruk işleme safhasından önce iç tarama kabiliyetini (Computed Tomography (CT) gibi) ve ikinci işlemeden önce kusur tarama kabiliyetini (aynı karar işlemini kullanan) kereste fabrikasını ilişkilendirmek, ikinci senaryo sadece tomruk ve kalas profil tarama kabiliyeti ile kereste fabrikasını ilişkilendirmek ve üçüncü senaryo birinci tomruk işleme safhasından önce tomruk profil tarama kabiliyeti ve ikinci işlemeden önce kusur tarama kabiliyeti ile kereste fabrikası denk tutmak.
Çalışmalarının sonunda; simülasyonu hacim maksimizasyonu amacı için kurduğunda hacmin arttığını, hacimden ziyade fiyat maksimizasyonunun düşünülmesi durumunda her üç simülasyon arasında büyük farklar olduğunu ve modelin kullanılması ile kereste fiyatında önemli bir artma olduğunu ifade etmişlerdir [44].

Chiorescu ve Grönlund (2000), biçme işlemi boyunca operatör tarafından kerestelerin kontrolünün yapılmasına sağlayan ve tomruk iç ve dış şeklinin üç boyutlu olarak yeniden yapılandırabilen x-ışını bilgisayar tomografisi (Computed Tomography (CT)) esaslı görsel biçme (virtual SawMill (vSM)) simülasyon programını kullanarak orta ölçekli bir İsveç kereste fabrikasının bir yıllık kereste üretimini simüle etmişlerdir. Bu amaçla 625 adet Sarıçam (Pinus sylvestris L.) tomruğunu kullanmışlardır. Çalışmalarında fabrikadan elde ettikleri sonuçlar ile vSM programını kullanarak elde ettikleri sonuçları karşılaştırmışlardır.

Sonuç olarak; fabrika uygulaması ve vSM programından elde ettikleri kerestelerin uzunluklarının ve kalitelerinin benzer olduğunu, bu programın kullanılması ile stratejik üretim planlamalarının yapılabileceğini ve konunun daha fazla araştırma olanağına sahip olacağını belirtmişlerdir [45].

Wiedenbeck ve Dwyer (2000), kereste fabrikası yöneticilerine fabrika etkinliğini arttırmak için Microsoft Access tabanlı, SOLVE ve PC-SOLVE II programlarının geliştirilmiş bir versiyonu olan, kolay kullanımlı, zengin içerikli ve esnek bir yapıya sahip SOLVE 2000 adında bir bilgisayar programı geliştirmişlerdir. Program ile; kereste kantite randımanı, tomruk girdi fiyatı, farklı tomruk sınıfları ve boyutları için kereste randımanı, makine verimliliği, makine darboğaz analizleri, kereste randımanı üzerine bireysel makinelerin etkileri ve artık faktörleri konularında bilgi sağlanır. Bu bilgiler; ekipmanların yenilenmesinin fizibilitesi hakkında şirketin karar vermesine, yeni teknolojilerin benimsenmesine, tomruk kalite karışımlarında ve kereste karışımlarında değişiklikler yapma ve yeni işlem kontrol stratejilerinin benimsenmesi gibi daha spesifik amaçlara hizmet ederler. SOLVE 2000 programının çalışması için dört kritik veri grubu vardır: 1) Tomruk verisi (tomruk sayısı, tomruk çapı, tomruk uzunluğu), 2) kereste verisi (her bir tomruktan üretilen her bir sınıf için kereste hacmi), 3) kereste fiyat verisi ve 4) şirket verisi (ortalama çalışma süresi, dakikadaki çalışma fiyatı, her tondaki yonga fiyatı vb.). Bu dört gruptan tomruk ve kereste verisi daha çok veri hareketi olup ilk başlarda hazırlanan tablolardan alınabilir. Kereste fiyatı ve şirket verisi programın veri giriş formu kullanılarak girilmelidir.
Sonuç olarak, bu programın işlem kontrol stratejileri ihtiva eden kereste fabrikaları için yol gösterici bir araç olabileceğini ifade etmişlerdir [46].

Lowell ve Green (2001), göğüs çapı 15-40 cm olan 150 adet Arizona Akaçamı’nın (Pinus ponderosa Dougl. Ex Laws.) yarısını kantite randımanı, diğer yarısını kalite randımanını dikkate alarak biçmişlerdir. Araştırma sonunda; kantite randımanın tercih edildiği kerestesi üretiminde; her bir tomruktan daha az sayıda kereste eldesi, daha az biçme sayısı, daha az testere biçme hattı kaybı, kurutma işlemi boyunca daha az daralma kaybı, daha az planyalama payı ve dış kapaklardan 2.5 cm kalıklıkta kereste elde edilebilmesi gibi sebeplerden dolayı kantite randımanını % 42.7, kalite randımanının tercih edilmesi durumunda ise kantite randımanını % 40.4 olarak saptamışlardır [47].

Todoroki (2001), küçük sınıf olarak adlandırdığı ince uç çapları 31.2 – 34.4 cm olan 6 adet, orta sınıf olarak adlandırdığı ince uç çapları 42.1-47.6 cm olan 6 adet ve uzunlukları 4.8 m olmak üzere toplam 12 adet budanmış Radiata Çamı (Pinus radiata D. Don.) tomruğunu, farklı tomruk ilk kesiş yüzeyleri ile elde edilen kereste hacmini ve fiyatını saptamak için AUTOSAW biçme simülasyonunu kullanarak biçmiştir. İlk açılma yüzeyi, minimum açılma yüzeyi (MOF) pozisyonunda yapılmıştır. Sonraki simülasyonlar açılma yüzeyinin tomruk merkezine doğru ta ki ilk açılma yüzeyinden 44 mm uzaklaşıncaya kadar 1 mm’lik artımlarla arka arkaya yer değiştirmesi şeklinde gerçekleştirilmiştir.

Her tomruğun yarısını hacim optimizasyonu diğer yarısını fiyat optimizasyonu için kullanmıştır. Her bir tomruk 90 defa ve 45 farklı açılma yüzeyi pozisyonunda simüle edilerek biçilmiştir.
Araştırma sonucunda; kereste hacmi ve fiyatının farklı açılma yüzeyi yer değişimleri ile değiştiğini, her bir tomruğun bireysel karakteristikleri sebebiyle tomruklar arasında farklılıkların olabileceğini, önemli fiyat artımlarının (% 16), hacim dikkate alınarak yapılan kenar alma optimizasyonu yerine kalite dikkate alınarak yapılan kenar alma optimizasyonunun söz konusu olması durumunda gerçekleşebileceğini, iç kusur tarama kabiliyetine sahip kalite optimizasyon tekniklerinin açılma biçme hattı yer değişmeleri ile birlikte kullanılması durumunda daha fazla fiyat artmasının söz konusu olacağını, mevcut optimizasyon tekniklerinin ve kalite tarama teknolojilerinin birlikte kullanılması ile teorik olarak hesaplanan fiyat randımanı değerlerine yakın değerlere ulaşılabileceğini ve kalite tarama teknolojilerinin kullanılması ile fiyatta yaklaşık % 3’lük bir artış olacağını belirtmiştir [48].

Carino ve Willis III (2001), kereste üretiminde sıkça karşılaşılan üretim-envanter problemlerinin kompleks yapısını çözmede doğrusal programının faydalarını anlatmak için bir fabrika çalışması yapmışlardır. Çalışmanın amacını, belirlenen plan çerçevesinde çalışılan fabrikadaki optimum tomruk ve kereste üretim-envanter programını saptamak olarak belirlemişlerdir.
Hazırladıkları program ile; fabrika yönetiminin onlardan cevaplamalarını istediği 1) aylık olarak kereste fabrikasında işlenecek ve satın alınacak tomruk miktarı ve tipi ne olmalıdır? Aylık olarak envanterde tutulacak veya satılacak kurutulmuş kereste miktarı ve tipi ne olacak?, 2) tomruk alım ve envanter politikası, tomruk kaynakları ve fiyatı, fırında kurutulmuş kereste fiyatı, işlem ve envanter fiyatları ve imalat işlemleri gibi sistem kârlılığını etkileyen faktörler nasıl bir değişme gösterecek? biçimindeki sorulara cevap vermişlerdir.

Çalışma süresince mevcut imalathane düzeni, işlem ve pazarlama şartlarını dikkate alarak net geliri veya kârı maksimum etmek için doğrusal programlama analizini gerçekleştirmişler ve aylık ortalama 1179.5 m3 kereste üretmek için tomruk tedarik politikasının benimsenmesi ile fabrika kârının maksimum yapılabileceği, en az iki haftalık tomruk envanterinin tutulması ile % 156 kâr artımı sağlanacağını buna mukabil minimum bir aylık tomruk envanterinin tutulması gerektiği, fabrika kârlılığının; kereste kurutma derecesi, fabrika dönüşüm etkinliği ve fırında kurutulan kereste fiyatlarındaki değişmelere karşı çok hassas, envanter fiyatları, işlem fiyatları, tomruk miktarı ve fiyatındaki değişmelere karşı ılımlı derecede hassas ve kısa tomruk tedarikindeki değişmelere karşı hassas olduğu gibi sonuçlara varmışlardır [49].

Bowe vd. (2002), gelişmiş tarama ve optimizasyon teknolojisi kullanıcıları arasındaki farklılıkları ve kereste fabrikalarının bu teknolojiden beklentilerini saptamışlardır. Tarama ve optimizasyon teknolojisini, mevcut tarama ve optimizasyon teknolojisi ve gelecek tarama ve optimizayon teknolojisi olarak iki gruba ayırmışlardır. Mevcut tarama ve optimizasyon teknolojisi; tomruklama optimizeri, ana biçme makinesi optimizeri, kenar alma optimizeri, baş kesme optimizeri, kalite saptama okuyucuları ve otomatik sınıflandırma sistemi gibi kesin olarak elde edilebilen tarama ve optimizasyon teknolojilerinin tümünü kapsamakta olup boyut ve sulama profili bilgilerine dayalı kararları kısmen optimize eder, gelecek tarama ve optimizasyon teknolojisi ise prototip bir sistem olup ticari olarak elde edilemez. Bu teknoloji; tomruk formu, budak, çatlak gibi tüm kusur bilgilerini doğru biçimde optimize eder.

Çalışmalarında, mevcut kenar alma optimizer sistemi, gelecek kenar alma optimizer sistemi ve gelecek otomatik sınıflandırma sistemi adında üç spesifik sert ağaç işleme teknolojisini incelemişlerdir. Araştırmalarının ana amacını, sert ağaç kereste fabrikalarında kullanılan tarama ve optimizasyon teknolojisini daha iyi anlamak olarak, spesifik amaçlarını ise fiyat içeren mevcut ve gelecek sert ağaç kereste tarama ve optimizasyon teknolojisinden şirketlerin beklentilerini ve sert ağaç kereste tarama ve optimizasyon teknolojisi kullanan gruplar arasında teknoloji bakımından farklılıkları saptamak olarak belirlemişlerdir.

Bu amaçlarını gerçekleştirmek için; 7- nokta Likert tip ölçme (7-point Likert-type scale, 1=en düşük önem, 7=en yüksek önem) yöntemi kullanılarak anket şeklinde hazırladıkları sorularını 602 adet Ulusal Sert Ağaç Kereste Birliği (NHLA) üyesi sert ağaç kereste fabrikalarına, 1440 adedini de NHLA üyesi olmayan ve rasgele seçilen kereste fabrikalarına göndermişlerdir. Bunlardan 212 adeti adrese ulaşamamış, 19 tanesi çalışmaya katılmamak için telefon veya mektup istemiş, 1 tanesi de iki anket listesini kopya ederek göndermiş. Böylece toplam 1980 şirket cevaplamak için seçilmiştir. Toplamda 600 adet anket geri gelmiş ve bunların 424 adeti değerlendirmeye tabi tutulmuş. Elde edilen tüm veriler istatistik veri analiz paketine (SPSS) aktarılmıştır. Faktör oranları arasındaki farklılığın önemli olup olmadığını varyans analizi (ANOVA), faktör oranlarının benzer veya farlı olup olmadığını HSD testi kullanarak saptamışlardır [50].

Mevcut kenar alma optimizer sitemi için önemli faktörleri; geliştirilmiş kantite randımanı, arttırılmış kereste gelirleri, sistem ömrü, geliştirilmiş kereste kalitesi, sınıf yükseltme kabiliyeti, satıcı desteği sağlayabilme, artırılmış üretim düzeyi, artırılmış kereste tutarlılığı, kullanım kolaylığı, başlangıç fiyatı, bakım fiyatları, mevcut fabrika plan sınırlamaları, satıcı eğitimi, işlem fiyatı, tesis zamanı, üretim şeflerinin tavsiyeleri, yeni operatörlerin eğitimi, tüketici tavsiyeleri, yeni fabrika kurulumu ve satış bölümü tavsiyeleri; gelecek otomatik sert ağaç sınıflandırma sistemleri için önemli faktörleri ise; sınıflandırma doğruluğu, sistem ömrü, süreklilik, NHLA sınıflandırma kuralları, sınıf yükseltme kabiliyeti, başlangıç fiyatı, sınıflandırma fiyatlarının azaltılması, hesaplama kabiliyeti, işlem basitliği, kullanım kolaylığı, NHLA sınıflandırma kurallarının değiştirilme kabiliyeti, satıcı desteği sağlayabilme, hız, satıcı eğitimi, hızlı tür değişim kabiliyeti, ekipman garantisi, mevcut ekipmanlara uygunluk, sınıflandırma kabiliyeti, yeni operatörlerin eğitimi ve renk sınıflandırma kabiliyeti şeklinde sıralamışlardır.

Gruplar arasında teknoloji tavrı bakımından benzerlik ve farklılıkları saptamak için üç farklı karşılaştırma (şirket büyüklüğü, ticari dernek bağlantısı ve mevcut kereste fabrikası teknolojisi) yapılmıştır. Şirket büyüklüğünü tanımlamak için işçi sayınını esas almışlar; 19 veya daha az işçi sayısını küçük, 20 ve daha fazla işçi sayısını büyük olarak tanımlamışlardır.

Ticari dernek bağlantısını belirlemek için;

1) NHLA’nın günümüzde ve geçmişte sert ağaç kereste sınıflarını sertifikalandırma ve standart oluşturma yetkisine sahip olması, 2) sert ağaç kereste fabrikaları için NHLA’nın en büyük ticari birlik olması ve 3) yerel bir karşılaştırma yapmak için NHLA üyesi veya üyesi değil şeklinde belirlenen üç sebepten dolayı NHLA seçmişlerdir.

Mevcut kereste fabrikası teknolojisini saptamak için ise; mevcut yerleşik optimizasyon teknolojisini kabul edenler ve etmeyenler şeklinde ayrılmıştır [50].

Araştırma sonunda; şirketlerin % 73’ünden fazlasının tarama ve optimizasyon teknolojisini kullandıkları takdirde kendilerine fayda sağlayacağına inandığı, fiyatının yüksek olmasından dolayı sert ağaç kerestesi tarama ve optimizasyon teknolojisini seçmediklerini, şirket büyüklüğü ile ilgili olarak başlangıç fiyatı, yüksek üretim hızı ve satıcının eğitilmesi konularında farklılıkların olduğunu, başlangıç fiyatlarının küçük şirketler için daha önemli olduğunu, yüksek üretim hızı ve satıcıların eğitimi konularının ise büyük şirketler için önem arz ettiğini, mevcut kenar alma optimizeri ve gelecek kenar alma optimizerinin ikisi için de geliştirilmiş hammadde randımanı ve artırılmış kereste randımanının, otomatik sınıflandırma sistemlerinde ise doğru sınıflandırma ve sistem ömrünün önemli faktör olduğunu ifade etmişlerdir.

Ayrıca bu araştırma ile elde edilen bilgilerin, tarama ve optimizasyon teknolojisinin benimsenmesi ve geliştirilmesinde ihtiyaç duyulan bilgileri vermesi nedeniyle bilim adamlarına ve bu teknolojisi geliştirmek isteyenlere büyük fayda sağlayacağını ve nihayetinde de bu teknolojinin benimsenmesi ile sert ağaç hammadde kaynaklarının daha etkili bir biçimde kullanılarak randımanın arttırılabileceğini belirtmişlerdir [50].

Vuorilehto (2002), biçme makinesinin kalite randıman kabiliyetini tanımladıktan sonra denklemini oluşturmuş ve etki eden faktörleri açıklamıştır. Biçme işleminin kalite randıman kabiliyetini üç faktör ile tanımlamıştır. Bunlar: 1) yüksek doğruluk (ortalama kereste boyutu), 2) yüksek hassasiyet (ufak biçme değişiminde örneğin kereste boyutu standart sapması), 3) tutarlı yeniden yapılandırılabilme (tekrarlanabilir standart sapma) dir.

içme değişimi; daha düşük limitin altında biçilen parçanın ortalama boyutunun sayısını saptamada kullanılır ve biçme zamanı, testere levhası, besleme hızı, düzen tipine ve tomruk boyutuna bağlı bir işlemin toplam standart sapması olarak saptanır, standart sapma değişen biçme şartlarında bilinmelidir. Yeniden yapılandırılabilme günden güne biçme işleminin nasıl tutarlı biçimde gerçekleşeceğini ifade eder. Kaba kereste boyutlarının doğruluğu; biçme düzeni, biçme değişimi ve biçme işleminin yeniden yapılandırılabilmesine bağlıdır.

Çalışmasında; biçme yönteminin kalite randıman kabiliyetini, çeşitli biçme faktörlerini dikkate alan _e_x±R üssel fonksiyonu şeklinde basit bir eşitlik olarak sunmuştur. Denklemde _= spesifik sapma, _= hassasiyet ve R= biçme işleminin yeniden yapılabilirliği olarak tanımlanmıştır. Bu eşitlik aynı biçme makinesinde aynı sayıda kereste biçmek için benzer testere levhaları kullanıldığı durumlarda geçerlidir. Biçme makinesinin davranışını kontrol etmek ve anlamak için önemli olan standart sapma ve yeniden yapılabilirlik, kalıcı özellik olup biçme makinesi, testere levhası ve besleme çalışmalarının yapısal ve fonksiyonel karakteristiklerinin kombine edilmesine bağlıdır.

Sonuç olarak; bir biçme makinesinin kalite randıman kabiliyeti denkleminin sadece beklenilen biçme değişimini ortaya çıkarmadığını, buna ilaveten testere levhası değişimi zaman aralığını ve testere aşınmasına bağlı olarak çeşitli tomruk boyutları için daha etkili besleme hızlarını da verdiğini ifade etmiştir. Ayrıca kereste fabrikalarının kalite randıman kabiliyeti denklemi ile, devamlı olarak daha az tomruk kullanarak daha iyi kalite ve daha yüksek doğruluk oranında daha fazla kereste üretebileceğini belirtmiştir [51].

Maness ve Wong (2002), düşük kaliteli kerestelere değer kazandırmak maksadıyla kullanılan ana metotlardan birisi olan parçalara ayırarak biçme sitemini kullanan 6 adet ikinci imalatçısının optimize edilmiş makinelerinin performansını saptamışlar, makine merkezlerini değerlendirmek için işaretleme sistemini geliştirmişler ve parçalara ayırarak biçme sistemlerini karşılaştırmışlardır.

Çalışmalarında; optimizer, sınıflandırıcı, üretim planı, materyal taşıma sistemi, tarayıcı, biçme sistemi ve ham madde kalitesi gibi faktörlerden etkilenen parçalara ayırarak biçme sistemleri ile üretilen materyalin kalitesini ve değerini saptamışlardır. Parçalara ayırarak biçme sisteminin performansını değerlendirmek için; 1) sınıflandırma doğruluğu, 2) işaret yerinin doğruluğu, 3) tarama doğruluğu, 4) parçalara ayırma doğruluğu, 6) kereste hacmi ve kalite randımanı ve 7) randıman kriterlerini kullanmışlardır.

Çalışmalarının sonunda; kusurların tanımlanması ve üretim planlamasındaki gelişmeler sayesinde üretilen ürünlerin kalitesi kadar, makinelerin kârlılığı ve verimliliğinin de önemli oranda artacağını, makineler arası bekleme zamanının azalması ve besleme sistemlerinin gelişmesi ile her bir kerestenin işlem zamanında 3 saniye’lik bir azalma olacağını ifade etmişlerdir [52].

Thomas ve Buehlmann (2002), kereste endüstrisinde simülasyon teknolojilerinin ilk uygulamalarından biri olan ve kaba kereste imalat şartlarının analizi ve optimum kereste kesim yöntemini bulma gibi amaçlarla kullanılan kaba kereste imalat simülasyon yazılımının (Rough Mill RIP (ROMI-RIP)) son versiyonu olan versiyon 2.0 (RR2)’nin geçerliliğini saptamışlardır.
Bu amaçla ana biçme makinesi yarma makinesi olan kaba imalathanede elde edilen kereste randımanı ile RR2 kullanılarak elde edilen kereste randımanını karşılaştırmışlardır.

1.91 cm kalınlıkta, 2 m3 fırında kurutulmuş kırmızı meşe kerestesini Appalachian Bölgesi’ndeki bir kereste fabrikasından temin etmişlerdir. Her bir kerestenin boyutlarını, sınıfını, kusur boyutunu, tipini ve yerini Anderson ve arkadaşları tarafından geliştirilen bilgisayar tekniğini kullanarak saptamışlar ve daha sonra önyargılı olmadan kereste kalitesini saptamak için USDA Ormancılık servisinin geliştirdiği nihai sınıflandırma ve yeniden imalat istemini (Ultimate Grading and Remanufacturing System (UGRS)) kullanmışlardır.

Sonuç olarak; RR2 simülasyon yazılımı kullanılarak elde edilen kereste randıman ile kullanmadan elde edilen randıman arasında % 95 düzeyinde bir farklılığın olmadığını, buna karşın bu simülatörün kullanılması ile etkili fiyat işlem stratejilerinin ve optimum kesim yönteminin saptanabileceğini ve böylece kereste üretiminde artık miktarının azalacağını belirtmişlerdir [53].

Çolakoğlu vd. (2002), okaliptüs tomruklarından kereste biçme teknikleri adlı yazılarında hızlı gelişen türlerden bir olan okaliptüs’ün kereste endüstrisinde kullanım olanakları ve tomruklarından maksimum randıman elde edebilmek için hangi biçme yönteminin uygulanması gerektiği konularında bilgi vermişlerdir. Okaliptüs tomruklarının biçilmesinde Avustralya’da, paralel kesimler yapılmasını kolaylaştırması ve dolayısıyla tomruğun karşılıklı kenarlarındaki gerilmelerin aynı anda açığa çıkmasını sağlayan dengeli teğet biçme yönteminin yaygın olarak kullanıldığını belirtmişlerdir.

Sonuç olarak; dengeli teğet biçme yöntemi kullanılarak üretilen kerestenin kalite ve kantite randımanının geleneksel yöntemlere kıyasla daha yüksek olduğunu ifade etmişlerdir [54].

Thomas ve Buehlmann (2003), USDA Ormancılık Servisi tarafından geliştirilen ROMI-RIP versiyon 2.0 (RR2) simülasyon programının kullanılması ile kullanmadan gerçek imalattaki kereste kesim randımanını karşılaştırmışlardır. Performans kriterleri olarak; maksimum sınırsız RR2 randımanını ve parça randımanını ele almışlardır. Araştırma sonunda; RR2’nin kullanılması ile % 71.4 oranında randıman elde ettiklerini ki bu oranın simulatorün kullanılmadığı durumda % 64 olarak gerçekleştiğini, bu sonuca göre simüle edilmiş randımanın %3.2-7.1 oranında daha yüksek olduğunu ve düşük kalitede kerestelerin RR2 simülasyon programı ile kesilmesi ile daha yüksek randıman elde edilebileceğini ifade etmişlerdir [55].

Korkut (2003); kereste endüstrisinde kullanılan hesaplama yöntemleri ile maksimum verim teorisi ve eşitliklerinden yararlanarak bilgisayar programlama dili olan Visual Basic 6.0 ile yazdığı KORKUT Randıman Optimizasyonu Paket Programı adında tomruk biçmede randıman bakımından optimizasyonu sağlayacak bir bilgisayar paket programı geliştirmiştir.

Geliştirdiği bilgisayar programının hem doğruluğunun ve uygulanabilirliğinin ispatı ve hem de faydalarının tespit edilmesi için, üretimin geleneksel yöntemlerle yapıldığı sistemler ile karşılaştırılmasının gerekli olacağı düşünerek 3, 4 ve 5m boyunda, gövde düşüklüğü 1 cm/m, 2 cm/m ve 3 cm/m ve 25-50 cm arasındaki çap sınıflarından toplam 92 adet 3. sınıf Sarıçam (Pinus sylvestris L.) ve Doğu Kayını (Fagus orientalis Lipsky) tomruğu kullanılarak deneysel çalışmalar yapmıştır.

Çalışmasının sonunda; sarıçam tomruklarının Korkut Randıman Optimizasyonu Paket Programı kullanılarak prizma kesiş tekniği ile biçilmesinde kantite randımanda % 6.96’ya; keskin kesiş tekniği ile biçilmesinde % 5.57’ye varan; kayın tomruklarının Korkut Randıman Optimizasyonu Paket Programı kullanılarak prizma kesiş tekniği ile biçilmesinde kantite randımanda % 7.69’a; keskin kesiş tekniği ile biçilmesinde % 5.31’e varan bir artış olduğunu saptamıştır [56].