Prediction of Sound Insulation Using Artificial Neural Networks—Part II: Lightweight Wooden Façade Structures
Notice bibliographique
Résumé
A prediction model based on artificial neural networks is adapted to forecast the acoustic performance of airborne sound insulation of various lightweight wooden façade walls. A total of 100 insulation curves were used to develop the prediction model. The data are laboratory measurements of façade walls in one-third-octave bands (50 Hz–5 kHz). For each façade wall, geometric and physical information (material type, dimensions, thicknesses, densities, and more) are used as input parameters. The model shows a satisfactory predictive capability for airborne sound reduction. A higher accuracy is obtained at middle frequencies (250 Hz–1 kHz), while lower and higher frequency ranges often show higher deviations. The weighted airborne sound reduction index (Rw) of façades can be estimated with a maximum difference of 3 dB. Sometimes, the model shows high variations within fundamental and critical frequencies that influence the predictive precision. A sensitivity analysis is implemented to investigate the significance of parameters in insulation estimations. The material density (i.e., cross-laminated timber panel, gypsum board), thickness of the insulation materials, thickness and spacing between interior studs and the total density of façades are factors of significant weight on predictions. The results also emphasize the importance of façade thickness and the total density of the clustered exterior layers.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».