MétaCan
Menu
Retour à la cohorte
Enregistrement W3171023947 · doi:10.1121/10.0004543

Tuning idiophone bar torsional modes with three-dimensional cutaway geometries

2021· article· en· W3171023947 sur OpenAlexaff
Douglas Beaton, Gary Scavone

Notice bibliographique

RevueThe Journal of the Acoustical Society of America · 2021
Typearticle
Langueen
DomaineComputer Science
ThématiqueMusic Technology and Sound Studies
Établissements canadiensMcGill University
Organismes subventionnairesnon disponible
Mots-clésBar (unit)ModalNormal modeTimbreFlexural strengthVibrationMode (computer interface)Computer scienceStructural engineeringAcousticsFinite element methodModal analysisMaterials sciencePhysicsEngineering

Résumé

récupéré en direct d'OpenAlex

The bars of marimbas, vibraphones and similar idiophones are tuned by shaping their “cutaway” or “undercut” geometries. Makers commonly shape bar cutaways to tune three flexural modes of vibration. The first flexural mode is tuned to the fundamental frequency of the bar’s musical note. Two other flexural modes are tuned such that their frequencies become specific multiples of the fundamental. The remaining flexural modes and all other modes are left untuned. Makers have complained of untuned torsional modes polluting bar timbre over specific sections of the keyboard. In wooden marimba bars this problem has proven difficult to predict, filling reject bins with valuable tonewood. This work investigates tuning these torsional modes by varying bar cutaway geometry in three dimensions. No additional mass or heterogeneous materials are employed. Modal frequencies are determined via finite element analysis. Mode shapes are identified algorithmically, enabling analyses to explore the parameter space unsupervised. Geometries are tuned using a gradient-based search method. The approach, designed to efficiently solve underdetermined systems with multiple objectives, is readily applicable to other problems. A selection of tuned example models will be showcased, including rosewood and aluminum bars with common and uncommon tuning ratios.

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)0,000
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: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,730
Score d'incertitude au seuil0,395

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,001
Communication savante0,0000,000
Science ouverte0,0010,001
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 Opus0,012
Tête enseignante GPT0,222
Écart entre enseignants0,210 · 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'étudeSimulation ou modélisation
Domainenon disponible
GenreMéthodes

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
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of the Acoustical Society of AmericaMême sujetMusic Technology and Sound StudiesTravaux en français237 207