Prediction of Sound Insulation Using Artificial Neural Networks—Part I: Lightweight Wooden Floor Structures
Notice bibliographique
Résumé
The artificial neural networks approach is applied to estimate the acoustic performance for airborne and impact sound insulation curves of different lightweight wooden floors. The prediction model is developed based on 252 standardized laboratory measurement curves in one-third octave bands (50–5000 Hz). Physical and geometric characteristics of each floor structure (materials, thickness, density, dimensions, mass and more) are utilized as network parameters. The predictive capability is satisfactory, and the model can estimate airborne sound better than impact sound cases especially in the middle-frequency range (250–1000 Hz), while higher frequency bands often show high errors. The forecast of the weighted airborne sound reduction index Rw was calculated with a maximum error of 2 dB. However, the error increased up to 5 dB in the worse case prediction of the weighted normalized impact sound pressure level Ln,w. The model showed high variations near the fundamental and critical frequency areas which affect the accuracy. A feature attribution analysis explored the essential parameters on estimation of sound insulation. The thickness of the insulation materials, the density of cross-laminated timber slab and the concrete floating floors and the total density of floor structures seem to affect predictions the most. A comparison between wet and dry floor solution systems indicated the importance of the upper part of floors to estimate airborne and impact sound in low frequencies.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».