MétaCan
Menu
Retour à la cohorte
Enregistrement W4403272508 · doi:10.3397/in_2024_4289

Preliminary study on active control of double-glazing with pressure compensation using an in-cavity microphone

2024· article· en· W4403272508 sur OpenAlexaff
Jonathan MIFUNDU NZENGI, Pierre Grandjean, Philippe Micheau, Alain Berry

Notice bibliographique

RevueNOISE-CON proceedings · 2024
Typearticle
Langueen
DomaineEngineering
ThématiqueStructural Analysis of Composite Materials
Établissements canadiensUniversité de Sherbrooke
Organismes subventionnairesnon disponible
Mots-clésGlazingCompensation (psychology)MicrophoneAcousticsMaterials scienceSound pressurePhysicsPsychologyComposite material

Résumé

récupéré en direct d'OpenAlex

Enhancing the sound insulation in double-glazed units involves actively controlling inter-glazing cavity pressure to decouple each glass. The optimal strategy to maximize transmission loss requires loudspeakers in the cavity to generate anti-noise and error microphones in the reception room, outside of the cavity. However, this configuration is not suitable for a standalone product where out-of-cavity microphones are not allowed. This study presents an original method to experimentally learn the control of one loudspeaker with one error microphone, both inside the cavity, in order to maximize acoustic isolation in a low-frequency band. The method requires a compensation FIR filter, experimentally identified during a learning phase when an optimal command is applied. Experiments were conducted using an active symmetrical double-glazed unit (30.4 x 30.6 cm, 6 mm thick, 60 mm apart cavities) in a "waveguide" setup. Results show an average transmission loss gain from 50 to 550 Hz of 10 dB with in-cavity microphone compensation. It nearly reaches optimal performance, 11 dB reduction in transmitted waves, compared to 7 dB for the uncompensated in-cavity microphone. This encouraging preliminary result leads to further developments to extend the method to multiple loudspeakers and multiple microphones.

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: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,184
Score d'incertitude au seuil0,820

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0000,000
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 Opus0,017
Tête enseignante GPT0,249
Écart entre enseignants0,232 · 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'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

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
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueNOISE-CON proceedingsMême sujetStructural Analysis of Composite MaterialsTravaux en français237 207