Schallschutz im Holzbau mit maschinellem Lernen

Entwicklung eines Prognoseverfahrens für den Schallschutz von Holzdecken

Der Holzbau gewinnt weiterhin an Bedeutung. Neben den ökologischen und ökonomischen Vorteilen gibt es jedoch bauphysikalische Herausforderungen, insbesondere beim Schallschutz. Besonders tieffrequenter Trittschall wird in Holzgebäuden oft als störend empfunden. Die akustischen Eigenschaften von Holzdecken werden traditionell durch Messungen an Prototypen in Prüflaboren oder direkt vor Ort analysiert. Solche Messungen und die Herstellung von Prototypen verursachen jedoch erhebliche Kosten. Dieses Projekt zielt darauf ab, diese Herausforderungen zu bewältigen, indem eine Planungssoftware entwickelt wird, die die akustischen Kennwerte von Holzdecken – also Luft- und Trittschallpegel – basierend auf verschiedenen konstruktiven Variablen abschätzt. Das zugrundeliegende Prognosemodell wird mithilfe von neuronalen Netzen trainiert und nutzt dabei vorhandene Daten zur Schalldämmung von Holzdecken aus Forschung und Praxis. Eine umfangreiche Messdatenbank wird aufgebaut, um künstliche neuronale Netze zur Vorhersage von Schallkennwerten zu entwickeln und zu trainieren. Diese Modelle werden anhand von Testdatensätzen validiert und ein Modul zur Unsicherheitsanalyse implementiert, um die Auswirkungen variabler Eingangsparameter auf die akustischen Eigenschaften zu bewerten. Schließlich werden die Modelle in eine benutzerfreundliche Software-Applikation integriert und frei zugänglich gemacht. Das übergeordnete Ziel dieses Projekts ist es, die Akzeptanz der Holzbauweise in der Bevölkerung durch die Verbesserung der akustischen Gegebenheiten zu erhöhen. Ein präzises Berechnungstool ermöglicht es, die akustischen Eigenschaften von Holzdecken genau vorherzusagen und so die Planungsprozesse zu optimieren. Durch eine verstärkte Verwendung von Holz statt Stahlbeton fördert der gewählte Ansatz zudem die Nachhaltigkeit im Bausektor und unterstützt nationale und internationale Nachhaltigkeitsziele.