پیش‌بینی عایق صدا با استفاده از شبکه‌های عصبی مصنوعی

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 29

تعداد کلمات : 9300

مجله : acoustics

انتشار : 2022

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
25 مارس 2022
دسته بندی
تعداد بازدیدها
1190 بازدید
38,000 تومان

عنوان فارسی مقاله:پیش‌بینی عایق صدا با استفاده از شبکه‌های عصبی مصنوعی – بخش اول: سازه‌های کف چوبی سبک وزن

 چکیده

  رویکرد شبکه‌های عصبی مصنوعی برای تخمین عملکرد صوتی برای منحنی‌های عایق صوتی در هوا و ضربه کف‌های مختلف چوبی سبک‌وزن اعمال می‌شود. مدل پیش‌بینی بر اساس ۲۵۲ منحنی اندازه‌گیری استاندارد آزمایشگاهی در باندهای یک سوم اکتاو (۵۰-۵۰۰۰ هرتز) توسعه یافته است. مشخصات فیزیکی و هندسی هر سازه طبقه (مواد، ضخامت، چگالی، ابعاد، جرم و موارد دیگر) به عنوان پارامترهای شبکه مورد استفاده قرار می گیرد. قابلیت پیش‌بینی رضایت‌بخش است و این مدل می‌تواند صدای هوابرد را بهتر از موارد صدای ضربه‌ای به‌ویژه در محدوده فرکانس متوسط ​​(۲۵۰ تا ۱۰۰۰ هرتز) تخمین بزند، در حالی که باندهای فرکانس بالاتر اغلب خطاهای بالایی را نشان می‌دهند. پیش بینی شاخص کاهش صدای هوابرد وزنی Rw با حداکثر خطای ۲ دسی بل محاسبه شد. با این حال، در پیش‌بینی حالت بدتر سطح فشار صوتی ضربه نرمال شده وزنی Ln,w، خطا تا ۵ دسی بل افزایش یافت. مدل تغییرات زیادی را در نزدیکی نواحی فرکانس اساسی و بحرانی نشان داد که بر دقت تأثیر می گذارد. تجزیه و تحلیل اسناد ویژگی پارامترهای اساسی در برآورد عایق صدا را بررسی کرد. به نظر می رسد ضخامت مواد عایق، تراکم دال های چوبی چند لایه و کف های شناور بتنی و تراکم کل سازه های کف بیشترین تأثیر را بر پیش بینی ها دارد. مقایسه بین سیستم‌های محلول کف مرطوب و خشک نشان‌دهنده اهمیت قسمت بالایی طبقات برای تخمین صدای هوا و ضربه در فرکانس‌های پایین است.

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Prediction of Sound Insulation Using Artificial Neural Networks—Part I: Lightweight Wooden Floor Structures

Abstract

 The artificial neural networks approach is applied to estimate the acoustic performance for airborne and impact sound insulation curves of different lightweight wooden floors. The prediction model is developed based on 252 standardized laboratory measurement curves in one-third octave bands (50–5000 Hz). Physical and geometric characteristics of each floor structure (materials, thickness, density, dimensions, mass and more) are utilized as network parameters. The predictive capability is satisfactory, and the model can estimate airborne sound better than impact sound cases especially in the middle-frequency range (250–1000 Hz), while higher frequency bands often show high errors. The forecast of the weighted airborne sound reduction index Rw was calculated with a maximum error of 2 dB. However, the error increased up to 5 dB in the worse case prediction of the weighted normalized impact sound pressure level Ln,w. The model showed high variations near the fundamental and critical frequency areas which affect the accuracy. A feature attribution analysis explored the essential parameters on estimation of sound insulation. The thickness of the insulation materials, the density of cross-laminated timber slab and the concrete floating floors and the total density of floor structures seem to affect predictions the most. A comparison between wet and dry floor solution systems indicated the importance of the upper part of floors to estimate airborne and impact sound in low frequencies.