مدلسازی ضریب جذب صدا برای پانل‌های میکرومتخلخل طبیعی چوب کاج یک لایه و دو لایه

پذیرفته شده برای ارائه شفاهی
کد مقاله : 1067-ISAV2024 (R1)
نویسندگان
1هیئت علمی، دانشگاه علوم پزشکی شهید بهشتی تهران
2دانشجوی کارشناسی ارشد
3دانشجویی کارشناسی ارشد
چکیده
جاذب‌های میکرومتخلخل (MPP) به عنوان جاذب سبز به طور گسترده در طراحی آکوستیک و کنترل صدا استفاده می شود. هدف از مطالعه حاضر مدلسازی ضریب جذب صدا در پانل های میکرومتخلخل طبیعی چوب کاج یک لایه و دو لایه می باشد.
روش کار: در این پژوهش، طراحی آزمایش بر اساس فول فاکتور انجام گرفت. پانل‌های میکرومتخلخل تک لایه و دولایه از جنس درخت کاج ساخته شد. در ادامه اثر کاربرد کامپوزیت‌های ساخته شده از الیاف و براده های چوب کاج با دانسیته‌های 200 تا350 کیلوگرم بر متر مکعب و ضخامت متغیر 5/0 تا 5/2 سانتیمتر بر میزان جذب صوت پانل‌های میکرو متخلخل ساخته شده در مراحل قبلی بررسی گردید. برای اندازه گیری ضریب جذب صدا از دستگاه امپدانس تیوب ساخت بر اساس استانداردISO10534_2 استفاده شد از آزمون‌های آماری ناپارامتریک همچون کروسکال-والیس و من ویتنی استفاده شد. تمامی آنالیز‌ها توسط نرم افزار آماری SPSS ورژن IBM SPSS STATISTIC 27 ، مورد تجزیه و تحلیل قرار گرفت. برای مدل‌سازی از الگوریتم‌های مبتنی بر شبکه‌های عصبی مصنوعی، ماشین بردار پشتیبان و یادگیری ماشین استفاده شد.
نتایج: نتایج نشان داد که پانل‌های دولایه ضریب جذب صدای بیشتری نسبت به پانل‌های تک لایه دارند. آزمون کروسکال والیس جهت بررسی میانه و میانگین ضریب جذب در سه ضخامت مختلف معنی‌دار بود(pvalue< 0.05). در پانل‌های تک لایه تغییر فاصله هوایی باعث افزایش معنی دار ضریب جذب صدا شد(p-value=0.006<0.05). در پانل‌های دولایه تغییر فاصله هوایی باعث تغییر معنادار در میانه ضریب جذب پانل‌ها شد. نتیجه آزمون در پانل‌های دولایه معنی‌دار است (pvalue<0.05) بنابراین فرض صفر رد و فرض مقابل در مورد این چوب‌ها پذیرفته می‌شود.
نتیجه گیری: استفاده از مدل‌های یادگیری ماشین نسبت به مدل رگرسیون باعث تخمین دقیق‌تر ضریب جذب پانل می‌شود. همچنین ضخامت پانل در ضریب جذب تاثیرگذار است. میتوان با انتخاب ضخامت، قطر تخلخل و تعداد لایه و دیگر ویژگی‎‌ها و همچنین انتخاب چوب مناسب به صورت قابل قبولی ضریب جذب را پیش‌بینی کرد. در مجموع، با توجه میزان خطای مدل‌های یادگیری ماشین میتوان گفت این مدل‌ها از توانایی بهتری در تخمین ضریب جذب صدا برخوردارند و تخمین ضریب جذب را با خطای کمتری نسبت به مدل رگرسیون انجام می‎‌دهند.
کلیدواژه ها
 
Title
Modeling the sound absorption coefficient of natural single-layer and double-layer pine wood microporous panels
Authors
roohalah Hajizadeh, Fereshteh Tavakoli, Fereshteh Tavakoli
Abstract
Microporous absorbers (MPP) as green absorbers are widely used in acoustic design and noise control. The purpose of the present study is to model the sound absorption coefficient in natural microporous panels of single-layer and double-layer pine wood.
Methodology: In this research, the experiment was designed based on full factor. Single-layer and double-layer microporous panels were made of pine wood. Next, the effect of using composites made of pine wood fibers and shavings with densities of 200 to 350 kg/m3 and variable thickness of 0.5 to 2.5 cm on the sound absorption of microporous panels made in the previous stages was investigated. To measure the sound absorption coefficient, the tube impedance device made according to the ISO10534-2 standard was used, and non-parametric statistical tests such as Kruskal-Wallis and Mann-Whitney were used. All analyzes were analyzed by SPSS statistical software version IBM SPSS STATISTIC 27. Algorithms based on artificial neural networks, support vector machine and machine learning were used for modeling.
Results: The results showed that double-layer panels have a higher sound absorption coefficient than single-layer panels. Kruskal-Wallis test to check the mean and average absorption coefficient in three different thicknesses was significant (pvalue<0.05). In single-layer panels, changing the air gap caused a significant increase in the sound absorption coefficient (p-value=0.006<0.05). In double-layer panels, changing the air gap caused a significant change in the average absorption coefficient of the panels. The result of the test in double-layer panels is significant (pvalue<0.05), so the null hypothesis is rejected and the opposite hypothesis is accepted in the case of these woods.
Conclusion: The use of machine learning models compared to the regression model causes a more accurate estimation of the absorption coefficient of the panel. Also, the thickness of the panel has an effect on the absorption coefficient. It is possible to predict the absorption coefficient by selecting the thickness, porosity diameter and number of layers and other characteristics as well as choosing the right wood. In general, considering the error rate of machine learning models, it can be said that these models have a better ability to estimate the sound absorption coefficient and estimate the absorption coefficient with less error than the regression model.
Keywords
Modeling, sound absorption coefficient, natural microporous panels, one-layer panel, two-layer panel, pine wood