SOUNDLAB AI Tool – Machine Learning zur Bestimmung des bewerteten Schalldämmmaßes

Die moderne Architektur strebt nach transparenten Gebäudehüllen und insbesondere nach nachhaltigen und bauphysikalisch adäquaten Glasfassaden. Typischerweise werden Glasfassaden entworfen, um eine Vielzahl von Zielen zu erfüllen, eines davon sind die Anforderungen an den Schallschutz. Eine zuverläss...

Full description

Saved in:
Bibliographic Details
Published in:ce/papers 2022-02, Vol.5 (1), p.147-156
Main Authors: Drass, Michael, Kraus, Michael Anton, Riedel, Henrik, Stelzer, Ingo
Format: Article
Language:English
Subjects:
acoustics
Akustik
artificial intelligence
Glas
glass
Künstliche Intelligenz
machine learning
Maschinelles Lernen
Citations: Items that this one cites
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:Die moderne Architektur strebt nach transparenten Gebäudehüllen und insbesondere nach nachhaltigen und bauphysikalisch adäquaten Glasfassaden. Typischerweise werden Glasfassaden entworfen, um eine Vielzahl von Zielen zu erfüllen, eines davon sind die Anforderungen an den Schallschutz. Eine zuverlässige Abschätzung der Schalldämmeigenschaften beliebiger Glasaufbauten ist aufgrund der Komplexität experimenteller Tests oder numerischer Simulationen zeitaufwendig und kostenintensiv. Daher wird in dieser Arbeit ein maschineller Lern‐Ansatz zur Prädiktion der akustischen Eigenschaften beliebiger Glasaufbauten vorgestellt. SOUNDLAB AI Tool – Machine learning for the determination of the weighted sound Insulation Value. Modern architecture strives for transparent building envelopes and, in particular, for sustainable and physically adequate glass facades. Typically, glass facades are designed to meet a variety of objectives, one of which is to satisfy sound insulation requirements. Reliable estimation of the sound insulation properties of arbitrary glass assemblies is time consuming and costly due to the complexity of experimental tests or numerical simulations. Therefore, this paper presents a machine learning approach for predicting the acoustic properties of various glass setups.
ISSN:2509-7075
2509-7075
DOI:10.1002/cepa.1665