Vad sågverksoptimering faktiskt betyder: Från stocksortering till produktionsplanering

Fråga fem personer inom trävarubranschen vad ”sågverksoptimering” innebär, så får du fem olika svar. En skannerleverantör kommer att berätta att det betyder 3D-loggprofilering och automatiskt val av öppningsansikte. En ERP-säljare kommer att berätta för dig att det betyder integrerad synlighet i försörjningskedjan. En tillverkare av utrustning kommer att berätta för dig att det innebär realtidsstyrning av trimmer och skivgradering. Och bruksägaren kommer att berätta för dig att det på något sätt innebär att få ut mer säljbart virke ur samma hög med stockar – även om han inte är säker på vilken av dessa tekniker som faktiskt ger det resultatet.

De beskriver alla verkliga saker. Men de beskriver olika skikt i ett system, och att blanda ihop dessa skikt är den vanligaste anledningen till att fabriker investerar i fel teknik vid fel tidpunkt. Sågverksoptimering är inte en enda förmåga. Det är en bunt av fyra distinkta lager, som vart och ett arbetar med olika omfattning, vart och ett ger olika slagkrafter och vart och ett har en annan prislapp. Att förstå stacken – och veta vilket lager man ska investera i först – är skillnaden mellan ett digitaliseringsprojekt som betalar sig på månader och ett som genererar imponerande instrumentpaneler ovanpå oförändrade marginaler.

Den här artikeln kartlägger varje lager nerifrån och upp: från den enskilda loggen till hela verksamheten. Den bygger på publicerad forskning, industridata och de operativa verkligheterna som bruksägare navigerar varje dag. I slutändan kommer termen "optimering" att betyda något specifikt och genomförbart - inte ett marknadsföringslöfte, utan en uppsättning beslut om vart din nästa investering ska gå.

Innehållsförteckning

1. Lager 1: Vad avgör egentligen optimering på log-nivå?
2. Lager 2: Hur samordnas kantskärare, trimmer- och sorteringsoptimeringar?
3. Lager 3: Varför är produktionsplanering det optimeringsskikt som har störst effekt?
4. Lager 4: Optimering på affärsnivå — ERP och Supply Chain
5. Hur lagren staplas: varför planering är multiplikatorn
6. Vanliga misstag: När Mills optimerar fel lager först
7. Var man ska börja: En praktisk sekvens för sågverksoptimering
8. Slutsats
9. Vanliga frågor

Lager 1: Vad avgör egentligen optimering på log-nivå?

Grunden för sågverksoptimering börjar innan en enda bräda skärs. Det börjar med hur stockarna sorteras, mäts och presenteras för sågen.

Loggsortering: Den tysta multiplikatorn

Sortering är den minst glamorösa formen av optimering och utan tvekan den mest undervärderade. När stockar grupperas i snäva, konsekventa klasser – efter art, diameterområde, längd, avsmalning och kvalitet – gynnas alla nedströmsprocesser. Skärmönsterbiblioteket blir mer förutsägbart. Sågoperatören hanterar färre överraskningar. Inställningsändringar mellan diameterklasser minskar. Och klyftan mellan teoretisk avkastning och faktisk avkastning minskar, eftersom stockarna som anländer till aggregatet stämmer överens med de antaganden som är inbyggda i avverkningsplanen.

Forskning bekräftar detta. En studie om effekten av stocksorteringsstrategi på prognostiserat virkesvärde fann att precisionen i sorteringen direkt påverkade återvinningsekonomin: bruk som använde automatiserad skannerbaserad sortering uppnådde betydligt högre värdeåtervinning än de som förlitade sig på manuell visuell sortering. Den automatiska sorteringshastigheten var fyra gånger snabbare än certifierad manuell klassificering av experter, och tre gånger snabbare än sortering av en mindre erfaren arbetare – samtidigt som de subjektiva felen som försämrar klassificeringsnoggrannheten minskade. När sorteringen är oprecis kapas stockar som tilldelats fel diameterklass med ett suboptimalt mönster, och avkastningsstraffet förvärras över varje skift.

Logiken är okomplicerad. Om en 28 cm stock är felsorterad i en 32 cm-klass, kommer skärmönstret som appliceras på den att spilla material på varje bräda. Multiplicera det felet över hundratals loggar per dag, och den kumulativa förlusten är betydande - inte för att någon enskild logg är dramatiskt misshandlad, utan för att de små oöverensstämmelserna adderas obevekligt. Exakt sortering är den första optimeringen: den skapar den enhetliga input som varje efterföljande lager är beroende av.

Skanning och enkelloggsoptimering

Utöver sortering inkluderar optimering på log-nivå de skannings- och profileringstekniker som fungerar vid huvudet. Tredimensionella optiska skannrar fångar varje stocks yttre geometri – diameter, avsmalning, svep, ovalitet – och matar dessa data till en optimerare som beräknar den bästa öppningsytan, rotationsvinkeln och det primära nedbrytningsmönstret för den specifika stocken. Mer avancerade system använder röntgen- eller CT-skanning för att upptäcka inre defekter (knutor, röta, metallinneslutningar) och justera skärlösningen utifrån vad som ligger under ytan.

Effekten är mätbar. Branschriktmärken rapporterar konsekvent 5–10 % förbättringar i volymåterställning när automatisk skanning och optimering ersätter manuella positioneringsbeslut. En studie som jämförde 3D-skanning med kombinerad 3D plus dubbelaxlig röntgen fann att andelen korrekt graderade brädor steg från 57 % till 66 % – ett meningsfullt hopp i värdeåtervinning, inte bara volym.

Sammanfattning av lager 1

• Omfattning: Individuell logg — sortering, skanning, öppningsbeslut.
• Typisk effekt: +5–10 % volymåtervinning; högre värde återvinning med kvalitetsbaserad sortering.
• Begränsning: Driver logg för logg i realtid. Kan inte se orderboken, morgondagens loggförsörjning eller produktionsplanen. Optimerar varje logg som om den existerar isolerat.

Lager 2: Hur samordnas kantskärare, trimmer- och sorteringsoptimeringar?

En produktionslinje för sågverk är inte en enda maskin. Det är en sekvens av beslutspunkter: primär nedbrytning, omsågning, kantning, trimning, sortering och sortering. Varje station tar emot utsignalen från den föregående och tillämpar sin egen optimeringslogik. Kantskäraren skannar varje flitch och bestämmer de bästa brädbredderna. Trimmern skannar varje bräda och bestämmer den bästa längden för att maximera lutningen. Sorteraren tilldelar varje bräda en behållare baserat på dimensioner och kvalitet.

Utmaningen är att dessa stationer kan arbeta mot varandra när deras optimeringsmål inte är samordnade. Tänk på ett vanligt scenario: kantskäraren maximerar antalet brädor från en flitch genom att producera smala bredder. Trimmern maximerar sedan lutningen genom att trimma varje bräda till en kortare längd som undviker en defekt nära slutet. Resultatet är ett högt betyg och ett högt antal pjäser — men brädorna är 3,0 meter långa när de öppna orderna kräver 4,2 meter. Varje station gjorde sitt lokala jobb korrekt, ändå missar produktionsresultatet det kommersiella målet.

Bruksövergripande koordinationssystem adresserar detta genom att länka optimeringslogiken mellan stationer. En kantoptimerare kan ta hänsyn till nedströms trimmerbegränsningar när man bestämmer brädbredder. En trimmer kan ta hänsyn till längdbaserade beställningsprioriteringar snarare än att optimera enbart för kvalitet. Modern styrmjukvara gör det möjligt att köra flera produktregler samtidigt – till exempel grönt och torrt virke trimmat på samma linje – och att skicka information vidare så att varje stations beslut informeras om vad nästa station behöver.

Den inkrementella effekten av koordinering på linjenivå, utöver enstationsoptimering, uppskattas vanligtvis till 2–4 % ytterligare återhämtning. Det är inte ett litet antal: för ett bruk som bearbetar 40 000 kubikmeter timmer per år till 75 euro per kubikmeter, är en förbättring på 3 % värd ungefär 90 000 euro i ytterligare säljbar produkt årligen.

Sammanfattning av lager 2

• Omfattning: Flera stationer inom produktionslinjen — kantskärare, trimmer, sorteringskoordinering.
• Typisk effekt: +2–4 % återhämtning utöver enstationsoptimering.
• Begränsning: Fortfarande reaktiv - beslut fattas när trä rör sig genom linjen. Bestämmer inte vilka loggar som ska behandlas, i vilken ordning eller mot vilka order. Optimerar utförande, inte strategi.

Relaterat: Gapet mellan optimering på maskinnivå och planeringsnivå är där den största marginalen går förlorad. Se Excel vs sågverksplaneringsprogram för en detaljerad analys av vad som händer när skärplaner byggs manuellt.

Lager 3: Varför är produktionsplanering det optimeringsskikt som har störst effekt?

Lager 1 och 2 svarar på frågan: "Med tanke på den här loggen (eller den här tavlan), hur skär vi den bäst?" Lager 3 svarar på en fundamentalt annorlunda fråga: "Med tanke på alla våra stockar och alla våra beställningar, vad ska vi skära idag, i vilken ordningsföljd och med vilka mönster?"

Detta är planeringsskiktet. Den fungerar innan skiftet börjar, innan den första stocken vidrör vagnen. Och det är det skikt som har störst inverkan på lönsamheten — inte för att de andra skikten är oviktiga, utan för att planeringsskiktet bestämmer de insatser som varje nedströmsskikt arbetar med. En perfekt optimerad skanner och en perfekt koordinerad trimmerlinje kommer fortfarande att producera fel produkt om dagens skärplan skickar fel stockar genom fel mönster för fel beställningar.

Varför planering väger tyngre än genomförande

Analogin är navigering. Lager 1 och 2 är drivkraften: mjuka växlingar, optimal hastighet, effektiv bromsning. Lager 3 är rutten. Ingen mängd skicklig körning kompenserar för att man valt fel väg. I sågverkstermer kompenserar ingen mängd per-stock-optimering för en kapplan som överproducerar 50×100 mm brädor när orderboken kräver 50×150 mm.

Forskningen är betonad på denna punkt. Buehlmann, Thomas och Zuo dokumenterade en avkastningsförbättring på 7+ procentenheter när mjukvaruoptimerade skärplaner ersatte manuell planering — 71,1 % återhämtning jämfört med 64,0 %. Det gapet överskrider de 2–4 % som uppnås från maskinlinjekoordination och konkurrerar med 5–10 % från enkelloggsskanning. Ännu viktigare är att planeringsoptimering är additiv: den ersätter inte Layer 1- eller Layer 2-förstärkningar, den multiplicerar dem genom att se till att dessa förstärkningar appliceras på rätt stockar som skär rätt produkter.

En separat landmärkestudie av Maturana, Pizani och Vera testade fem optimeringsmodeller mot verkliga sågverksdata och fann att endast vinstmaximerings- och avfallsminimeringsmodeller gav positiv ekonomisk avkastning. Kostnadsminimeringsmodellen – det tillvägagångssätt som ligger närmast manuell planeringsinstinkt – garanterade inte lönsamhet. Det betyder att ett bruk kan minimera kostnaderna och ändå förlora pengar, eftersom det producerar fel produktmix. Endast en planeringsmodell som ser hela bilden – beställningar, stocklager, produktvärden, maskinbegränsningar – kan på ett tillförlitligt sätt styra mot vinst.

Vad planeringsoptimering gör i praktiken

Specialbyggd programvara för sågverksplanering tar två strukturerade indata: brukets stockinventering (art, diametrar, längder, volymer) och den aktiva orderboken (produktdimensioner, kvantiteter, prioriteringar, leveransdatum). Den utvärderar miljontals möjliga skärkombinationer i molnet och returnerar en optimerad produktionsplan – en uppsättning skärinstruktioner som maximerar värdet av utförda beställningar samtidigt som avfall och överskottsproduktion minimeras.

Detta är inte en marginell förbättring jämfört med ett kalkylblad. Det är ett kategoriskt annorlunda tillvägagångssätt. Där en manuell planerare testar tre till fem mönster och väljer det bästa tillgängliga testar programvaran miljoner och hittar lösningar som ingen människa kunde identifiera inom rimlig tid. Där ett kalkylblad låser planen före skiftet och inte kan anpassa sig, optimerar ett molnbaserat system om på några minuter när beställningar ändras, en annan timmerbil anländer eller en kund ändrar prioriteringar.

Sammanfattning av lager 3

• Omfattning: Hela produktionen — vilka stockar, vilka mönster, vilka beställningar, i vilken sekvens.
• Typisk effekt: +3–7 % avkastningsförbättring jämfört med manuell planering; efterfrågeanpassad produktion eliminerar överproduktion av osålda produkter.
• Huvudfördel: Bestämmer vad lager 1 och 2 arbetar med. Lagret med störst effekt eftersom det formar indata för varje nedströmsbeslut. Lägsta infrastrukturkostnad (moln SaaS, ingen hårdvara krävs).

Relaterat: Kopplingen mellan orderstruktur och planeringskvalitet är avgörande. Se Excel vs sågverksplaneringsprogram för en detaljerad uppdelning av var manuella planeringsbeslut urholkar marginalen.

Lager 4: Optimering på affärsnivå — ERP och Supply Chain

Det översta lagret arbetar helt ovanför produktionsgolvet. Företagsresursplaneringssystem, verktyg för hantering av försörjningskedjor och plattformar för finansiell rapportering utgör affärsskiktet. Det är här upphandlingsbeslut fattas (vilka stockar som ska köpas, från vem, till vilket pris), där logistiken samordnas (när den ska skickas, till vilket lager, på vilken väg) och där det ekonomiska resultatet spåras (marginaler per produkt, per kund, per period).

Optimering på affärsnivå är viktigt. För bruk med flera anläggningar, komplexa leverantörsnätverk eller regulatoriska rapporteringskrav (FSC, PEFC chain of custody) kan ett affärssystem vara genuint värdefullt. Det ger ledningens synlighet som behövs för att fatta strategiska beslut: ska vi ändra vår produktmix nästa kvartal? Är vår loginanskaffningsstrategi anpassad till våra produkter med bästa marginal? Vilka kunder är lönsamma och vilka urholkar marginalen?

Men system på affärsnivå har en strukturell blind fläck: de optimerar inte skärningsbeslut. Ett affärssystem registrerar vad bruket producerade och beräknar det ekonomiska resultatet. Det avgör inte om skärplanen som gav dessa resultat var optimal. Om planeringsskiktet (lager 3) saknas eller är manuellt, spårar ERP:n troget marginalerosionen utan att korrigera den. Det är ett högupplöst fotografi av ett problem, inte en lösning på det.

Kostnadsprofilen har också betydelse. ERP-implementeringar för sågverk sträcker sig vanligtvis från 100 000 € till långt över 500 000 €, med tidslinjer för implementering på sex till arton månader. Generiska ERP-plattformar kräver omfattande anpassning för att hantera sågverksspecifika verkligheter: biproduktsredovisning, oregelbundna skivmått, fuktberoende viktberäkningar, timmersortering. Även specialbyggda trä-ERP har betydande implementeringskostnader. För ett bruk som genererar under 5 miljoner euro i årliga intäkter kan återbetalningsperioden sträcka sig långt bortom planeringshorisonten för de flesta operatörer.

Sammanfattning av lager 4

• Omfattning: Företagsledning — inköp, logistik, ekonomi, efterlevnad.
• Typisk effekt: Förbättrad synlighet och strategiskt beslutsfattande; ingen direkt påverkan på skärutbytet.
• Begränsning: Registrerar och rapporterar produktionsresultat. Förbättrar inte skärande beslut som genererar dessa resultat. Hög kostnad (€100K–€500K+), lång implementering (6–18 månader), motiverat i första hand för större multi-site-verksamhet.

Relaterat: För en fullständig jämförelse av ERP, programvara från utrustningsleverantörer, företagsplattformar och planeringsverktyg, se Jämfört sågverksprogram: 4 typer av digitala system.

Hur lagren staplas: varför planering är multiplikatorn

De fyra skikten är inga alternativ. De är kumulativa. Var och en tillför ett värde utöver det föregående - men inte lika mycket. Relationen dem emellan följer en princip som operationsforskare förstår väl: uppströmsbeslut begränsar nedströmsresultat.

Lager 1 (logg-nivå) kan återvinna 5–10 % mer volym från varje stock. Men om skärmönstret som tilldelats den loggen är fel för den aktuella orderboken, blir den extra volymen osålt lager. Lager 2 (maskinlinje) kan lägga till 2–4 % genom att koordinera stationer. Men om produktionsschemat för dagen är felaktigt anpassat till kundernas efterfrågan, producerar den samordningen mer av fel produkt, mer effektivt. Layer 4 (business) kan rapportera allt detta med perfekt noggrannhet. Men att rapportera en förlust vänder inte den.

Lager 3 (produktionsplanering) är multiplikatorn eftersom det sätter sammanhanget för allt annat. Det avgör vilka loggar som kommer in på raden, vilka mönster de får och vilka order de levererar. När planeringsskiktet är optimerat förenas vinsterna från lager 1 och 2 produktivt – varje skannad logg och varje kort som trimmas bidrar till ett kommersiellt giltigt produktionsmål. När planeringsskiktet är manuellt går vinsterna från skikt 1 och 2 delvis till spillo på produktion som inte överensstämmer med efterfrågan.

Det är därför forskning konsekvent finner att efterfrågeanpassade bruk överträffar utbudsstyrda. En studie om robust produktionsplanering för sågverk visade att processutbyten - volymerna virke som produceras av varje skärmönster - är slumpmässiga variabler, och endast en planeringsmodell som tar hänsyn till både efterfrågan och avkastningsosäkerhet kan tillförlitligt uppfylla beställningar utan överdriven överproduktion. Ett bruk som producerar 300 000 kubikmeter per år skulle kunna minska sin ouppfyllda orderstock med uppskattningsvis 51 000 kubikmeter helt enkelt genom att anta algoritmisk produktionsplanering - en siffra som överskrider varje enstations avkastningsvinst.

Konsekvensen för investeringssekvensering är tydlig. Planeringsoptimering kostar mindre än skanning på utrustningsnivå, ger en större procentuell förbättring och låser upp det fulla värdet av all hårdvaruoptimering som bruket redan har installerat eller planerar att installera. Det är den högsta ROI-ingången till sågverkens digitalisering.

Relaterat: Hur långt framåt bör din planeringshorisont sträcka sig? Se Hur planeringshorisont påverkar resultaten för återhämtning av virke.

Vanliga misstag: När Mills optimerar fel lager först

Att förstå de fyra lagren är användbart i teorin. Det är användbart i praktiken att inse hur fabriker använder dem felaktigt. Tre mönster återkommer i branschen.

Misstag 1: Investera i skanning utan ett planeringslager

En kvarn installerar en avancerad logscanner och optimerare. Individuell loggåterställning förbättras. Men skärmönstren som skannern väljer är hämtade från ett statiskt bibliotek som byggdes för förra årets produktmix. Skannern ser stocken perfekt - dess diameter, avsmalning, inre struktur. Vad den inte ser är att orderboken skiftade förra månaden, och bruket behöver 50×200 mm brädor istället för 50×150 mm. Skannern optimerar varje logg vackert för fel utdata. Återställningsstatistiken ser bra ut. Intäkterna matchar inte.

Misstag 2: Implementera ERP innan du optimerar produktionen

Ett bruk spenderar 200 000 € på ett affärssystem. Efter tolv månaders implementering har den rena ekonomiska data: kostnad per kubikmeter, marginal per produkt, varians per skift. Instrumentpanelerna är utmärkta. Men skärplanerna byggs fortfarande manuellt varje morgon i ett kalkylblad. ERP:n rapporterar nu – med perfekt tydlighet – att bruket tappar 3–5 % i undvikbar avkastning. Det löser inte problemet. Det kvantifierar det. Bruket har köpt en mycket dyr diagnos för en sjukdom som den kunde ha behandlat för en bråkdel av kostnaden.

Misstag 3: Maximera återhämtningen medan efterfrågan ignoreras

En kvarn uppnår 58 % volymåtervinning – en imponerande siffra. Men gården är staplad med osålt inventarie: oklassiga brädor, icke-standardiserade längder, produkter som var ekonomiskt rationella att producera per stock men som inte har någon köpare. Bruket optimerade för volym, inte för värde. Forskning bekräftar denna fälla: strategier för kostnadsminimering och volymmaximering garanterar inte positiv ekonomisk avkastning. Endast modeller som integrerar efterfrågan i optimeringen – vinstmaximerings- och avfallsminimeringsmodeller – genererar tillförlitligt marginal.

Alla tre misstagen delar en grundorsak: att optimera ett lägre lager utan att först etablera planeringsskiktet som ger det kommersiell riktning. Skannern måste veta vad den ska optimera för. ERP:n behöver optimerad data att rapportera om. Och volymåtervinning kräver efterfrågeanpassning för att översättas till intäkter. Lager 3 tillhandahåller alla tre.

Var man ska börja: En praktisk sekvens för sågverksoptimering

Med tanke på lagerstrukturen och forskningsbevisen är den optimala investeringssekvensen för de flesta oberoende sågverk tydlig – och den inverterar den ordning som utrustningsleverantörer och affärssystemssäljare kommer att rekommendera.

Steg 1: Optimering av produktionsplanering

Börja med Layer 3. Det har den högsta effekten (3–7 % avkastningsförbättring, plus efterfrågeanpassning), den lägsta kostnaden (molnet SaaS-prenumeration, inga investeringar), den snabbaste implementeringen (dagar till veckor, inte månader), och den fungerar med all befintlig utrustning. Detta är lagret där sågverksprogramvara gillar SawmillSmart fungerar: order och logga in inventering, optimerad utskärningsplan, miljontals kombinationer utvärderade i molnet. Marginalförbättringen från den första användningsmånaden överstiger vanligtvis prenumerationskostnaden många gånger om.

Steg 2: Loggsortering och utrustningsoptimering

Med ett planeringslager på plats, investera i lager 1 och 2 när operationen motiverar det - vanligtvis när du byter ut eller uppgraderar utrustning. I det här skedet bidrar investeringarna i skanning och sortering till planeringsoptimeringen snarare än att arbeta isolerat. Skannern optimerar varje logg för planens målprodukter. Sorteringssystemet levererar rätt diameterklasser för dagens schema. Hela systemet fungerar som en stack, inte som frånkopplade bitar.

Steg 3: System på affärsnivå

Verktyg för affärssystem och försörjningskedjor blir värdefulla när bruket har vuxit ur kalkylbladsbaserad ekonomistyrning – vanligtvis över 5 miljoner euro i intäkter, med flera avdelningar, platser eller komplexa leverantörsrelationer. Vid denna tidpunkt genererar planerings- och utrustningslagren redan produktionsdata av hög kvalitet, vilket gör ERP-implementeringen smidigare och mer värdefull eftersom systemet integrerar tillförlitliga data snarare än bullriga manuella poster.

Slutsats

Sågverksoptimering är fyra saker, inte en. Optimering på loggnivå extraherar mer från varje logg. Maskinlinjeoptimering koordinerar stationerna som bearbetar den. Produktionsplaneringsoptimering avgör vilka loggar som ska bearbetas, för vilka beställningar, med hjälp av vilka mönster. Och optimering på affärsnivå styr företaget kring dessa produktionsbeslut.

Av de fyra är produktionsplanering multiplikatorn – det lager som formar insatserna för vartannat lager och ger den största mätbara avkastningen till den lägsta investeringen. Forskning bekräftar det: +7 % avkastning från mjukvarudriven planering kontra manuella metoder, efterfrågeanpassning som eliminerar den strukturella överproduktionen av osålda produkter och omplaneringshastighet som förvandlar en stel morgonträning till en lyhörd, kontinuerligt optimerad process.

För bruksägaren som har hört att ”optimering” används för att beskriva allt från en loggskanner till en ERP-dashboard är ramverket nu klart. Börja med lagret som anger riktningen för alla andra. Börja med planen. Resten av stapeln bygger ovanpå den — och varje efterföljande investering är mer produktiv eftersom grunden redan är optimerad.

Se även: Sågverksoptimeringsguide 2026: 6 spakar och 5 principer för att återhämta marginalen utan CapEx — en praktisk guide som kartlägger alla sex processspakar med en checklista för vecka 1.

Referenser

1. Buehlmann, U., Thomas, R. E., & Zuo, X. (2011). "Verifiering av programvara för optimering av virkesavkastning och prestandagranskning." Skogsindustritidning, 61(2), 107-113. ResearchGate
2. Maturana, S., Pizani, E., & Vera, J. (2015). "En jämförelse av optimeringsmodeller för planering av timmerproduktion." Bosque, 36(2), 239-246. doi.org
3. Wąsik, R., Michalec, K., & Mudryk, K. (2020). "Effekten av stocksorteringsstrategi på det prognostiserade virkesvärdet efter sågning av furu." Annals of Warszawa University of Life Sciences – SGGW, Forestry and Wood Technology109, 68-74. ResearchGate
4. Álvarez, P. P. & Vera, J. R. (2014). "Schemaläggning av produktion för ett sågverk: en robust optimeringsmetod." International Journal of Production Economics, 150, 37–51. RePEc
5. Dramm, J.R., Jackson, G.L., & Wong, J. (2002). "Recension av stocksorteringsgårdar." USDA Forest Service Allmän teknisk rapport FPL-GTR-132. USDA FPL
6. Dumetz, L., Gaudreault, J., Thomas, A., & Lehoux, N. (2022). "Mot digitala tvillingar för planering och kontroll av sågverksproduktion." International Journal of Production Research, 61(12), 4096-4115. Taylor & Francis Online
7. Steele, P.H. (1984). "Faktorer som avgör virkesåtervinning vid sågverk." USDA Forest Service Allmän teknisk rapport FPL-GTR-39. USDA FPL
8. Rafiei, R., Nishi, T., & Gaudreault, J. (2024). "Utvärdering av effektiviteten hos statisk heuristik för att schemalägga timmerbeställningar i sågverksproduktionsprocessen." Maderas: Ciencia y Tecnología, 26. Universidad del Bío-Bío