Modeling field measurements of sound insulation for multi-layered CLT-based floor systems: A means of a prediction model using artificial neural networks
Notice bibliographique
Résumé
A neural network-based prediction tool is developed to calculate the standardized sound level differences and the standardized impact sound pressure levels for multi-layered CLT-floor systems. The data for this model is derived from 104 sound insulation measurements in one-third-octave bands from 50 Hz to 5 kHz taken from 15 buildings in Europe with different room sizes and functions. The network model is developed using various structural parameters such as floor components, wall types, junction types and interlayers, receiving room volume, surface separating area, and more. The network developed shows good performance in predicting standardized airborne and impact sound insulation curves over all frequencies. The weighted standardized level differences DnTw are estimated with an accuracy of 1 dB, while the standard impact sound pressure level LnTw′ is accurate up to 2 dB. The airborne predictions are correlated in the middle-frequency range (200–1000 Hz), while some deviations may occur in higher frequencies. Impact insulation estimations, on the other hand, are more accurate in the high-frequency range (1.25–5 kHz). A sensitivity study is conducted to understand the model’s dependence on parameters. In both types of estimations, the direct sound path through the floor is the most influential factor, with the flanking paths affecting the results in the second order. Additionally, the volume of the receiving room significantly affects impact estimations at low frequencies. The study’s results also emphasize the importance of a visco-elastic interlayer for accurate airborne predictions in all frequency ranges.
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 ».