Assessment of the effectiveness of ship machinery noise reduction measures using a test platform in a water basin
Notice bibliographique
Résumé
Underwater radiated noise (URN) from commercial shipping is partly responsible for increased ocean ambient noise levels in the last decades. To preserve marine wildlife, there is a need to reduce it. Machinery noise is the dominant URN source at lower speeds. Mitigation technologies exist to reduce it, but a lack of quantitative data regarding their effectiveness results in limited practical ship applications since the cost-to-benefit ratio is imprecise. A small ship-like structure (test platform) representative of a ship section is designed and constructed to conduct measurements in a controlled environment and at a lower cost than actual on-ship testing. The platform is deployed in a water basin whose acoustic response is first characterized by reverberation measurements. Vibroacoustic sources simulate structure-borne and airborne noise, while hydrophones and sensors measure the response in the water basin and of the platform. Measurements with and without standard mitigation technologies installed in the platform are conducted to quantify the insertion loss. Up to 37 and 20 dB URN reductions are obtained with elastic mounts and mineral wool, respectively. The results obtained with the platform and the developed methodology can support and guide the implementation of mitigation measures in current and future ship constructions. • A small test platform representative of a ship section is deployed in a water basin. • The basin’s acoustic response is characterized by reverberation measurements. • Ship machinery noise control measures’ insertion loss is assessed with the platform. • Up to 37 and 20 dB URN reductions are achieved with elastic mounts and mineral wool.
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 | 0,001 | 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 ».