Bois ancien : 82 % d’anti-retrait en laboratoire, pas au pinceau

  • Home
  • Travaux
  • Bois ancien : 82 % d’anti-retrait en laboratoire, pas au pinceau
Close-up black and white photo highlighting the cracks and textures of a wooden surface.

Des chercheurs ont obtenu une efficacité anti-retrait volumique de 74 à 82 % sur des éprouvettes de pin sylvestre dégradé avec certains organosiliciés. Cela ne transforme pas une poutre ancienne en bois neuf : l’état réel du matériau et la nature des fissures passent avant le produit.

Le bois ancien pose deux problèmes distincts. Ses fissures doivent être repérées et suivies avec assez de précision pour ne pas confondre une marque de surface avec une dégradation plus profonde. Un bois gorgé d’eau ou déjà attaqué peut aussi perdre sa stabilité dimensionnelle au séchage. Mélanger ces deux sujets, c’est la recette d’un chantier qui sonne creux.

Une image peut localiser une fissure. Elle ne suffit pas à choisir un traitement ni à valider la stabilité d’une pièce.

Fissure ou fracture, le bois ne joue pas au devin

brown wooden frame
Photo de Greg Rosenke sur Unsplash.

Les fissures d’un élément en bois ne se présentent pas toujours comme une ligne nette et bien contrastée. Elles peuvent être fines, irrégulières, obliques, interrompues par le grain ou noyées dans un arrière-plan chargé. Cette difficulté a conduit des chercheurs à tester des outils de vision par ordinateur sur des composants en bois ancien.

L’article consacré au réseau SMG-Net, publié dans PLOS One en 2025, décrit une architecture légère destinée à segmenter les fissures pixel par pixel. Le modèle combine une perception des directions horizontale, verticale et diagonale avec des modules conçus pour préserver les détails fins et les contours flous. Il a été évalué sur un jeu de données construit pour des éléments en bois ancien et sur un jeu public consacré aux fissures de maçonnerie.

Les résultats annoncés atteignent un mIoU de 81,12 % et une précision de pixels de 98,91 % sur le premier jeu de données. Sur le jeu de maçonnerie, le mIoU atteint 87,91 % et la précision de pixels 98,99 %. Ces chiffres mesurent la qualité de la segmentation d’image. Ils ne donnent ni la résistance résiduelle de la pièce, ni la profondeur de la fissure, ni la capacité d’une poutre à reprendre une charge.

Le pixel n’a pas de permis de démolir

Une caméra ou un logiciel peut donc servir à repérer, comparer et cartographier des zones fissurées. Il ne remplace pas l’examen d’un professionnel lorsqu’un élément participe à la stabilité d’un bâtiment. Une fissure qui progresse, une pièce déformée ou une zone présentant une perte de matière ne doit pas être percée, poncée ou injectée au hasard.

Le traitement qui pénètre, pas celui qui maquille

Close-up of dark wood grain texture
Photo de The Cleveland Museum of Art sur Unsplash.

Une étude publiée dans Wood Science and Technologyidentifiée par le DOI 10.1007/s00226-024-01533-6, examine la stabilisation de pin sylvestre dégradé pour mieux comprendre la conservation des bois archéologiques gorgés d’eau. Les chercheurs n’ont pas travaillé sur une poutre de maison récupérée dans un grenier, mais sur des éprouvettes modèles de 20 x 20 x 10 millimètres.

Les échantillons correspondaient à plusieurs états : bois non dégradé, bois dégradé chimiquement avec de la soude et bois décomposé biologiquement par un champignon provoquant une pourriture cubique. Les échantillons dégradés ont ensuite été maintenus dans l’eau afin de reproduire les conditions d’un bois immergé avant traitement.

Trois composés organosiliciés ont été étudiés : le methyltrimethoxysilane, le mercaptopropyltrimethoxysilane et le disiloxane DEAPTMDS. Après imprégnation, les chercheurs ont mesuré le retrait volumique et calculé une efficacité anti-retrait appelée ASEV.

Les traitements ont produit des valeurs d’ASEV comprises entre 74 et 82 % dans la plupart des cas. Le résultat le plus bas concernait le MTMS appliqué au bois chimiquement dégradé, avec une valeur de 52 %. Cette donnée ne signifie ni que le bois ne rétrécit plus, ni que la durée de vie d’un objet augmente dans les mêmes proportions. Elle décrit un indicateur mesuré dans un protocole de laboratoire précis.

L’efficacité dépend donc du composé utilisé et de l’état du bois traité, pas d’une recette universelle.

Silane ou siloxane, le bois garde le dernier mot

a person holding a cell phone in their hand
Photo de Iliya Jokic sur Unsplash.

Les analyses par microscopie de fluorescence X ont montré que les organosiliciés se répartissaient dans les blocs de bois et atteignaient à la fois les cavités cellulaires et les parois cellulaires. Cette pénétration compte : une protection déposée uniquement en surface ne renseigne pas sur la stabilisation de la structure interne.

La rétention des produits et l’effet de stabilisation étaient les plus élevés dans le bois biologiquement dégradé. À l’inverse, le MTMS pénétrait moins bien les parois du bois chimiquement dégradé, ce qui pouvait expliquer son efficacité anti-retrait plus faible dans ce groupe. La composition du matériau et son niveau d’altération modifient donc la réponse au traitement.

La nanoindentation a ajouté une autre nuance. Le DEAPTMDS a plastifié les parois cellulaires et abaissé leur module élastique ainsi que leur dureté pour les différents types de bois étudiés. Le MTMS et le MPTMS ont eu des effets plus modérés, variables selon l’état du pin.

Du synchrotron à l’atelier, attention au grand écart

clear drinking glasses on table
Photo de Sieuwert Otterloo sur Unsplash.

Le protocole utilisé explique pourquoi un résultat scientifique ne se transforme pas directement en mode d’emploi pour particulier. Les chercheurs ont employé des méthodes d’imprégnation et d’observation adaptées à des éprouvettes dégradées, puis utilisé la fluorescence X et la nanoindentation pour suivre la répartition des produits et les propriétés des parois cellulaires.

On est loin du pinceau, du pot ouvert sur l’établi et du « ça devrait le faire » lancé entre deux cafés. Les conditions expérimentales, la nature des produits et l’état contrôlé des échantillons ne correspondent pas automatiquement à une poutre, une fenêtre ou un meuble ancien.

L’étude ne fournit ni prix au mètre carré, ni délai de chantier, ni validation générale pour les charpentes, les meubles, les bardages ou les fenêtres. Un résultat obtenu sur des éprouvettes modèles ne devient pas un devis de rénovation.

Avant de badigeonner, remettre le bois à la question

a close up of a pile of wood logs
Photo de Marcel Eberle sur Unsplash.

Pour un élément ancien, la première étape consiste à documenter son état avant toute intervention. Des photographies régulières, prises avec une échelle visible, permettent de comparer l’évolution d’une fissure. Il faut aussi relever son emplacement et distinguer un élément décoratif d’une pièce qui participe à la stabilité de l’ouvrage.

  1. Repérer : localiser les fissures, les pertes de matière et les zones déformées sans les masquer par une peinture ou un produit de finition.
  2. Qualifier : déterminer si le bois est sec, humide, immergé ou déjà attaqué biologiquement, car les essais montrent que l’état du matériau influence la pénétration et l’efficacité du traitement.
  3. Orienter : confier une pièce porteuse à un professionnel de la structure et un objet patrimonial à un spécialiste de la conservation-restauration.
  4. Traiter : retenir un produit seulement après avoir vérifié sa compatibilité avec l’essence, l’état du bois, la finition attendue et la fonction de la pièce.

La recherche aide à comprendre comment certains organosiliciés pénètrent le bois et limitent son retrait dans des conditions contrôlées. Entre une fissure repérée par logiciel et une poutre stabilisée, il reste un diagnostic, un protocole et un professionnel. Le pinceau peut attendre cinq minutes.

Sources et références scientifiques
  1. Conservation of model degraded pine wood with selected organosilicons studied by XFM and nanoindentation – PMC. Wood science and technology. DOI: 10.1007/s00226-024-01533-6 · PMID: 39990724.
  2. Bengtsson M, Oksman K (2006) The use of silane technology in crosslinking polyethylene/wood flour composites. Composites Part A: Applied Science and Manufacturing 37:752-765. 10.1016/positesa.2005.06.014 [DOI] [Google Scholar]. doi:10.1016/j.compositesa.2005.06.014.
  3. Broda M, Dąbek I, Dutkiewicz A, et al. (2020) Organosilicons of different molecular size and chemical structure as consolidants for waterlogged archaeological wood-a new reversible and retreatable method. Sci Rep 10:1-13. 10.1038/s41598-020-59240-8 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41598-020-59240-8.
  4. Broda M, Jakes JE, Li L, Antipova OA (2023) Archeological wood conservation with selected organosilicon compounds studied by XFM and nanoindentation. Wood Sci Technol (under review) [DOI] [PMC free article] [PubMed] [Google Scholar].
  5. Broda M, Majka J, Olek W, Mazela B (2018a) Dimensional stability and hygroscopic properties of waterlogged archaeological wood treated with alkoxysilanes. Int Biodeter Biodegr 133:34-41. 10.1016/j.ibiod.2018.06.007 [DOI] [Google Scholar]. doi:10.1016/j.ibiod.2018.06.007.
  6. Broda M, Mazela B, Dutkiewicz A (2019a) Organosilicon compounds with various active groups as consolidants for the preservation of waterlogged archaeological wood. J Cult Herit 35:123-128. 10.1016/j.culher.2018.06.006 [DOI] [Google Scholar]. doi:10.1016/j.culher.2018.06.006.
  7. Broda M, Mazela B, Frankowski M (2018b) Durability of wood treated with aatmos and caffeine-towards the long-term carbon storage. Maderas Ciencia y tecnología 20:455-468. 10.4067/S0718-221X2018005031501 [DOI] [Google Scholar]. doi:10.4067/S0718-221X2018005031501.
  8. Broda M, Mazela B, Radka K (2019b) Methyltrimethoxysilane as a stabilising agent for archaeological waterlogged wood differing in the degree of degradation. J Cult Herit 35:129-139. 10.1016/j.culher.2018.06.004 [DOI] [Google Scholar]. doi:10.1016/j.culher.2018.06.004.
  9. Broda M, Plaza NZ (2023) Durability of model degraded wood treated with organosilicon compounds against fungal decay. Int Biodeter Biodegr 178:105562. 10.1016/j.ibiod.2022.105562 [DOI] [Google Scholar]. doi:10.1016/j.ibiod.2022.105562.
  10. Broda M, Popescu C-M, Curling SF, et al. (2022a) Effects of Biological and Chemical Degradation on the Properties of Scots Pine Wood, Part I: Chemical Composition and Microstructure of the Cell Wall. Materials 15:2348. 10.3390/ma15072348 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/ma15072348.
  11. Broda M, Spear MJ, Curling SF, Dimitriou A (2022b) Effects of Biological and Chemical Degradation on the Properties of Scots Pine, Part II: Wood-Moisture Relations and Viscoelastic Behaviour. Forests 13:1390. 10.3390/f13091390 [DOI] [Google Scholar]. doi:10.3390/f13091390.
  12. Broda M, Spear MJ, Curling SF, Ormondroyd GA (2021) The viscoelastic behaviour of waterlogged archaeological wood treated with methyltrimethoxysilane. Materials 14:5150. 10.3390/ma14185150 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/ma14185150.
  13. Broda M, Yelle DJ (2022) Reactivity of Waterlogged Archeological Elm Wood with Organosilicon Compounds Applied as Wood Consolidants: 2D 1H-13C Solution-State NMR Studies. Molecules 27:3407. 10.3390/molecules27113407 [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/molecules27113407.
  14. SMG-Net: A lightweight modular architecture for fine-grained crack segmentation in ancient wooden structures – PMC. PloS one. DOI: 10.1371/journal.pone.0336125 · PMID: 41259373.
  15. 1.Han X, Zhou HB, Huang L, Wang SY, Wang WB. Crack types and characteristics of timber members in ancient building in North China. Chin J Wood Sci Technol. 2024;38(2):1-11. doi: 10.12326/j.2096-9694.2023125 [DOI] [Google Scholar]. doi:10.12326/j.2096-9694.2023125.
  16. 2.Yan Y, Deng C, Li L, Zhu L, Ye B. Survey of image semantic segmentation methods in the deep learning era. J Image Graphics. 2023;28(11):3342-62. doi: 10.11834/jig.220292 [DOI] [Google Scholar]. doi:10.11834/jig.220292.
  17. 3.Yanning L, Guobao Z. Design and research on pavement crack segmentation based on convolutional neural network. J Appl Optics. 2024;45(2):373-84. doi: 10.5768/jao202445.0202004 [DOI] [Google Scholar]. doi:10.5768/jao202445.0202004.
  18. 4.Shui YH, Zhang H, Chen B, Xiong JS, Fu MQ, et al. Lightweight crack segmentation method based on convolutional neural networks. J Hydropower Eng. 2023;42(8):110-20. doi: 10.11660/slfdxb.20230812 [DOI] [Google Scholar]. doi:10.11660/slfdxb.20230812.
  19. 5.Amjoud AB, Amrouch M. Object detection using deep learning, cnns and vision transformers: a review. IEEE Access. 2023;11:35479-516. doi: 10.1109/access.2023.3266093 [DOI] [Google Scholar]. doi:10.1109/access.2023.3266093.
  20. 6.Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2015. pp. 3431-40. doi: 10.1109/CVPR.2015.7298965 [DOI] [PubMed] [Google Scholar]. doi:10.1109/CVPR.2015.7298965.
  21. 7.Shu JP, Li J, Ma HB, Duan YF, Zhao WJ. Crack detection in ultra-large images based on feature pyramid network. J Civ Environ Eng (Chin English). 2022;44(3):8. doi: 10.11835/j.issn.2096-6717.2021.147 [DOI] [Google Scholar]. doi:10.11835/j.issn.2096-6717.2021.147.
  22. 8.Ronneberger O, Fischer P, Brox T. U-Net: convolutional networks for biomedical image segmentation. In: Medical Image Computing and Computer-Assisted Intervention – MICCAI. Cham: Springer; 2015. pp.234-41. doi: 10.1007/978-3-319-24574-4_28 [DOI] [Google Scholar]. doi:10.1007/978-3-319-24574-4_28.
  23. 9.Liu Z, Cao Y, Wang Y, Wang W. Computer vision-based concrete crack detection using U-net fully convolutional networks. Autom Constr. 2019;104:129-39. doi: 10.1016/j.autcon.2019.04.005 [DOI] [Google Scholar]. doi:10.1016/j.autcon.2019.04.005.
  24. 10.Fan L, Zhao H, Li Y, Li S, Zhou R, Chu W. RAO‐UNet: a residual attention and octave UNet for road crack detection via balance loss. IET Intelligent Trans Sys. 2021;16(3):332-43. doi: 10.1049/itr2.12146 [DOI] [Google Scholar]. doi:10.1049/itr2.12146.
  25. 11.Liu F, Wang J, Chen Z, Xu F. Parallel attention based UNet for crack detection. J Comput Res Dev. 2021;58(8):1718-26. doi: 10.7544/issn1000-1239.2021.20210335 [DOI] [Google Scholar]. doi:10.7544/issn1000-1239.2021.20210335.
  26. 12.Ruan J, Li J, Xiang S. VM-UNet: Vision Mamba UNet for medical image segmentation. arXiv preprint. 2024. doi: 10.48550/arXiv.2402.02491 [DOI] [Google Scholar]. doi:10.48550/arXiv.2402.02491.
  27. Deep learning-based classification and internal region stratification of wooden breast in broiler by using ultrasound imaging – PMC. Poultry science. DOI: 10.1016/j.psj.2026.106534 · PMID: 41633072.
  28. Abutaleb A.S. Automatic thresholding of gray-level pictures using two-dimensional entropy. CVGIP. 1989;47:22-32. doi: 10.1016/0734-189X(89)90051-0. [DOI] [Google Scholar]. doi:10.1016/0734-189X(89)90051-0.
  29. Alnahhas N., Pouliot E., Saucier L. The hypoxia-inducible factor 1 pathway plays a critical role in the development of breast muscle myopathies in broiler chickens: a comprehensive review. Front. Physiol. 2023;14 doi: 10.3389/fphys.2023.1260987. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3389/fphys.2023.1260987.
  30. Bai R., Wang H., Wang H., Luan M., Liu Z., Yang B., Zhao Z., Zhan Z., Zhang C., Yang J. Interpretable deep learning with hyperspectral imaging for Hawthorn cultivar classification and quality prediction. Future Foods. 2025;12 doi: 10.1016/j.fufo.2025.100761. [DOI] [Google Scholar]. doi:10.1016/j.fufo.2025.100761.
  31. Bordignon F., Xiccato G., Boskovic Cabrol M., Birolo M., Trocino A. Factors affecting breast myopathies in broiler chickens and quality of defective meat: a meta-analysis. Front. Physiol. 2022;13 doi: 10.3389/fphys.2022.933235. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3389/fphys.2022.933235.
  32. Cai J., Lu Y. Assessment of woody breast in broiler breast fillets using structured-illumination reflectance imaging coupled with surface profilometry. J. Food Eng. 2025;391 doi: 10.1016/j.jfoodeng.2024.112459. [DOI] [Google Scholar]. doi:10.1016/j.jfoodeng.2024.112459.
  33. Campo M.d.M., Mur L., Guerrero A., Barahona M., Resconi V.C., Magalhaes D.R., Lisbinski E., Boito B., Oliveira I.M.d., Olleta J.L. Differentiating breast myopathies through color and texture analyses in broiler. Foods. 2020;9:824. doi: 10.3390/foods9060824. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.3390/foods9060824.
  34. Castilho V.A.R.d., Marie K.C., Castro B.M.F., Mendes F.A.R., Garófallo G.R., Kelly B.D., Barreto P.B., Cardoso S.F., Kaique V.J., Leonardo R.L. Techniques for in vivo assessment of myopathies in broiler chicken breasts using a biopsy as a support tool. Avian Pathol. 2021;50:477-489. doi: 10.1080/03079457.2021.1970107. [DOI] [PubMed] [Google Scholar]. doi:10.1080/03079457.2021.1970107.
  35. Castilho V.A.R., Komiyama C.M., Burbarelli M.F.C., Fernandes A.M., Garcia R.G., Seno L.O., Barbosa D.K., Przybulinski B.B., Serpa F.C. Precision technologies for predictive diagnosis and study of the allometric growth of broiler chickens with breast myopathies. Br. Poult. Sci. 2023;64:204-213. doi: 10.1080/00071668.2022.2128989. [DOI] [PubMed] [Google Scholar]. doi:10.1080/00071668.2022.2128989.
  36. Chen C.Y., Wang C.A., Cyue J.H., Chen C.P., Sun F.J., Chen Y.Y., Wang L.K., Chang C.W., Tsai B.Y., Chen K.P. Developing a transfer learning model for the prediction of Down syndrome from first-trimester ultrasound images. Taiwan. J. Obstet. Gynecol. 2025;64:1017-1023. doi: 10.1016/j.tjog.2025.08.001. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.tjog.2025.08.001.
  37. Chen J., Wan Z., Zhang J., Li W., Chen Y., Li Y., Duan Y. Medical image segmentation and reconstruction of prostate tumor based on 3D AlexNet. Comput. Methods Programs Biomed. 2021;200 doi: 10.1016/j.cmpb.2020.105878. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.cmpb.2020.105878.
  38. Choi J., Shakeri M., Bowker B., Zhuang H., Kong B. Differentially abundant proteins, metabolites, and lipid molecules in spaghetti meat compared to normal chicken breast meat: multiomics analysis. Poult. Sci. 2025;104 doi: 10.1016/j.psj.2025.105165. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.psj.2025.105165.
  39. Collazos-Escobar G.A., Lincetti E., Spilimbergo S., Prats-Montalbán J.M., García-Pérez J.V., Benedito J. Integrated use of ultrasound imaging and multivariate image analysis for detecting bone fragments in poultry meat. Food Res. Int. 2025;206 doi: 10.1016/j.foodres.2025.116047. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.foodres.2025.116047.
  40. Combined Relaxation Spectra for the Prediction of Meat Quality: A Case Study on Broiler Breast Fillets with the Wooden Breast Condition – PMC. Foods (Basel, Switzerland). DOI: 10.3390/foods13121816 · PMID: 38928758.
  41. 1.Prieto N., Roehe R., Lavín P., Batten G., Andrés S. Application of near infrared reflectance spectroscopy to predict meat and meat products quality: A review. Meat Sci. 2009;83:175-186. doi: 10.1016/j.meatsci.2009.04.016. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.meatsci.2009.04.016.
  42. 2.Jackman P., Sun D.W., Allen P. Recent advances in the use of computer vision technology in the quality assessment of fresh meats. Trends Food Sci. Technol. 2011;22:185-197. doi: 10.1016/j.tifs.2011.01.008. [DOI] [Google Scholar]. doi:10.1016/j.tifs.2011.01.008.
  43. eng J.H., Nicolai B., Sun D.W. Hyperspectral imaging with multivariate analysis for technological parameters prediction and classification of muscle foods: A review. Meat Sci. 2017;123:182-191. doi: 10.1016/j.meatsci.2016.09.017. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.meatsci.2016.09.017.
  44. rtram H.C., Karlsson A.H., Rasmussen M., Pedersen O.D., Dønstrup S., Andersen H.J. Origin of Multiexponential T2 Relaxation in Muscle Myowater. J. Agric. Food Chem. 2001;49:3092-3100. doi: 10.1021/jf001402t. [DOI] [PubMed] [Google Scholar]. doi:10.1021/jf001402t.
  45. rtram H.C., Dønstrup S., Karlsson A.H., Andersen H.J. Continuous distribution analysis of T2 relaxation in meat-an approach in the determination of water-holding capacity. Meat Sci. 2002;60:279-285. doi: 10.1016/S0309-1740(01)00134-6. [DOI] [PubMed] [Google Scholar]. doi:10.1016/S0309-1740(01)00134-6.
  46. 6.Zhu H., O’Farrell M., Hansen E.W., Andersen P.V., Berg P., Egelandsdal B. The potential for predicting purge in packaged meat using low field NMR. J. Food Eng. 2017;206:98-105. doi: 10.1016/j.jfoodeng.2017.03.008. [DOI] [Google Scholar]. doi:10.1016/j.jfoodeng.2017.03.008.
  47. 7.Pang B., Bowker B., Zhang J., Yang Y., Zhuang H. Prediction of water holding capacity in intact broiler breast fillets affected by the woody breast condition using time-domain NMR. Food Control. 2020;118:107391. doi: 10.1016/j.foodcont.2020.107391. [DOI] [Google Scholar]. doi:10.1016/j.foodcont.2020.107391.
  48. rtram H.C., Aaslyng M.D., Andersen H.J. Elucidation of the relationship between cooking temperature, water distribution and sensory attributes of pork, A combined NMR and sensory study. Meat Sci. 2005;70:75-81. doi: 10.1016/j.meatsci.2004.12.002. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.meatsci.2004.12.002.
  49. rtram H.C., Straadt I.K., Jensen J.A., Aaslyng M.D. Relationship between water mobility and distribution and sensory attributes in pork slaughtered at an age between 90 and 180 days. Meat Sci. 2007;77:190-195. doi: 10.1016/j.meatsci.2007.03.006. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.meatsci.2007.03.006.
  50. 10.Pereira F.M.V., Pflanzer S.B., Gomig T., Gomes C.L., de Felício P.E., Colnago L.A. Fast determination of beef quality parameters with time-domain nuclear magnetic resonance spectroscopy and chemometrics. Talanta. 2013;108:88-91. doi: 10.1016/j.talanta.2013.02.070. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.talanta.2013.02.070.
  51. 11.Rudi T., Guthausen G., Burk W., Reh C.T., Isengard H.D. Simultaneous determination of fat and water content in caramel using time domain NMR. Food Chem. 2008;106:1375-1378. doi: 10.1016/j.foodchem.2007.04.079. [DOI] [Google Scholar]. doi:10.1016/j.foodchem.2007.04.079.
  52. 12.Gauthausen G., Kamlowski A., Schmalbein D. Method for Determining the Content of At Least One Component of a Sample by Means of a Nuclear Magnetic Resonance Pulse Spectrometer. 7397241B2. U.S. Patent. 2008 July 8.
  53. La fenêtre en bois, esthétique et isolante | Quelle Énergie.

Publications similaires :

  1. Bois dans la construction : structure, panneaux et fumée
  2. Poêle à bois en charbon : 5 contrôles avant conversion
  3. Toiture en bois : bardeaux, devis et entretien
  • 13 octobre 2026
  • By:Jam
  • Category:Travaux
  • no comments

Related Posts

Post a Comment

Footer

A propos

 

Brico-center est un magazine en ligne collaboratif, animé par une équipe de passionnés et de professionnels du bricolage, de la rénovation et du jardinage. Ensemble, nous concevons, testons, partageons et expliquons des projets pour améliorer votre habitat, à votre rythme, où que vous soyez.

Information

Récents