Dalarna University's logo and link to the university's website

This thesis presents a method of measuring the distribution of fiber bonding ability in mechanical pulp furnishes. The method is intended for industrial use, where today only average values are used to describe fiber bonding ability, despite the differences in morphology of the fibers entering the mill. Fiber bonding ability in this paper refers to the mechanical fiber’s flexibility and ability to form large contact areas to other fibers, characteristics required for good paper surfaces and strength.

Five mechanical pulps (Pulps A-E), all produced in different processes from Norway spruce (Picea Abies) were fractionated in hydrocyclones with respect to the fiber bonding ability. Five streams were formed from the hydrocyclone fractionation, Streams 1-5. Each stream plus the feed (Stream 0) was fractionated according to fiber length in a Bauer McNett classifier to compare the fibers at equal fiber lengths (Bauer McNett screens 16, 30, 50, and 100 mesh were used).

Stream 1 was found to have the highest fiber bonding ability, evaluated as tensile strength and apparent density of long fiber laboratory sheets. External fibrillation and collapse resistance index measured in FiberLab^TM, an optical measurement device, also showed this result. Stream 5 was found to have the lowest fiber bonding ability, with a consecutively falling scale between Stream 1 and Stream 5. The results from acoustic emission measurements and cross-sectional scanning electron microscopy analysis concluded the same pattern. The amount of fibers in each hydrocyclone stream was also regarded as a measure of the fibers’ bonding ability in each pulp.

The equation for predicted Bonding Indicator (BIN) was calculated by combining, through linear regression, the collapse resistance index and external fibrillation of the P16/R30 fractions for Pulps A and B. Predicted Bonding Indicator was found to correlate well with measured tensile strength. The BIN-equation was then applied also to the data for Pulps C-E, P16/R30, and Pulp A-E, P30/R50, and predicted Bonding Indicator showed good correlations with tensile strength also for these fibers.

From the fiber raw data measured by the FiberLab^TM instrument, the BIN-equation was used for each individual fiber. This made it possible to calculate a BIN-distribution of the fibers, that is, a distribution of fiber bonding ability.

The thesis also shows how the BIN-distributions of fibers can be derived from FiberLab^TM measurements of the entire pulp without mechanically separating the fibers by length first, for example in a Bauer McNett classifier. This is of great importance, as the method is intended for industrial use, and possibly as an online-method. Hopefully, the BIN-method will become a useful tool for process evaluations and optimizations in the future.

Den här studien presenterar en metod för att mäta fördelning av fiberbindning i mekaniska massor. Metoden hoppas kunna användas industriellt, där i dagsläget enbart medelvärden används för att mäta fiberbindnings-fördelning, trots råvarans (fibrernas) morfologiska skillnader. 

Fem mekaniska massor (Massa A-E) från olika massaprocesser men från samma råvara, norsk gran (Picea Abies), har fraktionerats i hydrocykloner med avseende på fiberbindningsförmåga. Från hydrocyklon-fraktioneringen bildades fem strömmar, Ström 1-5. Varje ström plus injektet (Ström 0) fraktionerades också med avseende på fiberlängd i en Bauer McNett för att kunna jämföra fibrerna vid samma fiberlängd (Bauer McNett silplåtarna 16, 30, 50 och 100 mesh användes).

Fiberbindingsförmåga i den här studien härrör till fiberns flexibilitet och förmåga att skapa stora kontaktytor med andra fibrer, vilket bidrar till papprets yt- och styrkeegenskaper.

Ström 1 visade sig ha den högsta fiberbindningsförmågan, utvärderat som dragstyrka och densitet av långfiberark, samt yttre fibrillering och kollaps resistans index mätt i den optiska analysatorn FiberLab^TM. Akustisk emission och tvärsnittsanalyser visade samma resultat. Ström 5 visade sig ha den lägsta fiberbindningsförmågan, med en avtagande skala från Ström 1 till Ström 5. Andelen fibrer från injektet som gick ut med varje hydrocyklon-ström ansågs också vara ett mått på fibrernas bindningsförmåga i varje massa.

Genom att kombinera fiberegenskaperna kollaps resistans och yttre fibrillering från den optiska mätningen på varje fiber genom linjär regression, kunde Bindnings Indikator (BIN) predikteras. Medelvärdet av Bindnings Indikator för varje hydrocyklon-ström korrelerar med dragstyrka för långfiber-labark. 

Det visade sig att predikterad Bindnings Indikator inte bara fungerade för Massa A och Massa B P16/R30 fraktionen, som var de fraktioner som användes i den linjära regressionen, utan även för Massa C-E, P16/R30, och Massa A-E P30/R50 som också visade goda korrelationer med långfiber-dragstyrka när de sattes in i BIN-formeln.

BIN-formeln användes sedan för varje enskild fiber, i den rådata som levererats från FiberLab^TM. Detta gjorde det möjligt att få en BIN-distribution av fibrerna, d.v.s. en fördelning av fiberbindningsförmåga.

Den här rapporten visar också hur det går att få BIN-distributioner också från mätningar på hela massan, för valbara fiberlängder, utan att först mekaniskt separera massan efter fiberlängd. Det är viktigt, då metoden är tänkt att användas som en industriell metod, och eventuellt som en online-metod. Förhoppningsvis kommer BIN-metoden att bli ett användbart verktyg för processutveckling- och optimering i framtiden.