Ãtude du phénomène d'amortissement des structures dans les assemblages en vue de réduire le rayonnement acoustique
Bibliographic record
Abstract
L'acousticien est constamment à la recherche des moyens de réduire le bruit rayonné par les structures dans le but d'améliorer les conditions de travail de millions de travailleurs exposé à des niveaux de bruit pouvant nuire à leur santé. Lors d'essais réalisés à l'ETS pour réduire le bruit de rivetage d'une pièce de fuselage d'avion, en collaboration avec Canadair (Deshaies 1996), un phénomène intéressant s'est produit. Les essais ont permis d'observer qu'il existait une pression de serrage optimale des mâchoires d'un encastrement menant à un faible rayonnement acoustique. À quoi cela est-il dû? Pour répondre à cette question, le présent document explore les mécanismes de dissipation d'énergie vibratoire dans les structures. \n \nCe document consiste en une étude des bilans d'énergies associées au mouvement vibratoire. Elle compare différents modèles analytiques de perte. L'efficacité des différentes méthodes connues de mesure de l'amortissement globale d'une structure est évaluée. Cette mesure d'amortissement permet d'évaluer l'importance de chacun des mécanismes de dissipation dans la perte totale d'énergie. Chacun de ces mécanismes de dissipation a sa mécanique propre qui fait varier son efficacité en fonction de différents paramètres: la fréquence d'excitation, les conditions aux limites, la géométrie de la structure, le matériau, etc.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.002 | 0.002 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".