MétaCan
Menu
Retour à la cohorte
Enregistrement W2044259481 · doi:10.1121/1.3588169

Scale model investigation of factors affecting the performance of roadside noise barriers.

2011· article· en· W2044259481 sur OpenAlexaff
Shira Daltrop, Murray Hodgson, Clair Wakefield

Notice bibliographique

RevueThe Journal of the Acoustical Society of America · 2011
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueSmart Materials for Construction
Établissements canadiensUniversity of British Columbia Hospital
Organismes subventionnairesnon disponible
Mots-clésAnechoic chamberNoise barrierScale (ratio)Scale modelAttenuationAcousticsShadow (psychology)Noise (video)Absorption (acoustics)Environmental scienceMaterials scienceComputer scienceOpticsPhysicsNoise reductionEngineering

Résumé

récupéré en direct d'OpenAlex

Besides numerical models, another way to model complex environments is using physical reduced-scale models. This project used scale models to study several factors which may influence the performance of roadside noise barriers. One is the barrier absorption. Making the barrier sound absorptive decreases reflections and may decrease amplification between parallel barriers. The other is tree foliage growing near the barrier. Tree foliage may scatter sound into the shadow zone behind the barrier, increasing noise levels and decreasing the insertion loss. Tree foliage may also attenuate sound that would normally be diffracted into the shadow zone, actually increasing the insertion loss. A 1:31.5 scale model was created in an anechoic chamber to test the effects of these two factors. Excess attenuation measurements were performed to choose scale model materials, which accurately represent full scale surfaces. Parallel barriers were modeled with a reflective surface and their IL's were measured for different configurations of absorptive covering. IL's of single barriers were measured both with and without scale model trees placed either in front or behind them. The results are compared to previously performed field test measurements.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,184
Score d'incertitude au seuil0,677

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,002
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,013
Tête enseignante GPT0,203
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2011
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of the Acoustical Society of AmericaMême sujetSmart Materials for ConstructionTravaux en français237 207