Objective and Perceptual Sound Quality Analysis of Internal Combustion Engine and Electric Vehicles
Notice bibliographique
Résumé
The sound quality of automotive interiors is one of the critical factors regarding customer satisfaction. As electric vehicles (EVs) rise in popularity rapidly, the known literature on sound qualities of internal combustion engine (ICE) automotive interiors has become less relevant. Because of this, comparing and contrasting EV and ICE vehicle's sound qualities is extremely important to have the proper foundation for studying automotive noise quality in the future. In our study, we aim to benchmark the major differences between an EV and an ICE automobile regarding interior sound quality. This study aims to understand basic sound engineering characteristics and how they differ between the two types of vehicles. We also analyzed the preferences that the public has when it comes to the two types of cars. To get as much data as we could in our time-constrained project, we tested both types of vehicles in two different environments, which were an uncontrolled road (Bluff Street) and a controlled track (the GM Mobility Research Center). We also tested three different positions in the car, including the driver's seat, passenger seat, and rear middle seat position. The interior sound was then recorded using the SQobold sound acquisition device and the Head Acoustics AACHEN Head as the microphone. Three recordings of every type of test were taken in order to confirm consistent and accurate results. We then compared and contrasted the data in ArtemisSuite, a sound analysis software. We determined the major differences between the cars, particularly in loudness and sharpness. The final step was jury testing, in which the subjective samples compare well with our conclusions regarding sound quality metrics.
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 | 0,001 | 0,001 |
| 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) | 0,001 | 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 ».