Data-Driven Type Classification and Localization of Acoustic Noises in Multi-story Reinforced Concrete Buildings using a Single Sensor

Abstract

The construction of multi-story residential buildings triggers indoor noise. Indoor noise in residential areas has been investigated to ascertain the effect of noise on occupants and to improve their quality of life. In buildings, indoor acoustic noise transmitted from various sources travels through these structures and exerts an unpleasant effect on occupants. Inter-floor noise is identified as a severe type of indoor noise in residential areas. The identification of noise is considered a fundamental step that is essential for studying the challenges of noise pollution. By harnessing a sound level meter, long-term measurement, and site surveying, previous studies have been conducted on the identification of noise in residential areas to estimate the level, type, and position of generated noise. However, it is challenging to identify the source type and position of noise travelling through multi-story residential buildings owing to the difficulty of the human ear in intercepting these sounds. Recent studies on the identification of indoor noise are limited to noise sources and receivers on a single level of the floor, and they require multiple sensor channels to determine the time difference of arrival. Residential buildings, which are usually reinforced concrete structures, are considered to be concrete, steel, and fluid-mixed media with high structural complexity and occupants that have insufficient knowledge of the details of their properties. In this study, we propose a data-driven identification of noise in reinforced concrete buildings via the learning-based localization method using a single sensor. Actual experiments were conducted in a campus building, as well as two apartment buildings. Performance was analyzed according to several source types and positions that apply the deep convolutional neural network (CNN)-based supervised learning. The validations against the datasets obtained in three buildings verified the generalizability of the proposed method. In addition, noise identification data transferred within different floor sections in a single building and between similar buildings were presented in this study. Although indoor noise identification is emphasized in this work, the proposed method can be beneficial for other noise identification methods that employ a single sensor.

공동주택의 증가로 건물 내 이웃 간의 소음 문제가 사회적으로 대두되고 있다. 거주자에게 노출된 소음은 거주자의 건강 문제에 직결될 수도 있으므로 건물 내 소음에 관한 여러 연구가 진행되어 왔다. 다층 건물 내에서 발생한 소음은 건물의 구조를 따라 다른 층으로 전달되며 이러한 층간소음은 주변 이웃에게 고통으로 다가올 수 있다. 소음원의 규명은 소음을 다룰 때 선행되어야 하는 바 건물 내 소음의 준위, 종류, 위치 파악에 관련된 연구들이 진행되어 왔다. 소음의 준위는 소음측정기를 사용하여 측정이 가능하나 건물의 구조를 따라 전달된 소음의 종류와 위치를 판별하는 것은 추정이 필요한 문제이며 사람의 청력에 의존하여서 풀기도 어렵다. 최근 연구된 관련 연구를 살펴보면 건물 내 소음의 종류를 분류하는 연구는 거의 다뤄지지 않았고, 소음원 위치 추정 연구의 경우 동일 층에 소음원과 여러 채널의 수신기가 위치한 경우를 다중측량 (multilateration) 을 통하여 제한적으로 다뤘다. 일반적으로 현대 거주용 건축물의 대부분은 철근 콘크리트 구조이며 층간의 소음 전달 환경은 콘크리트, 철근, 유체가 혼재하는 복잡한 환경이다. 일반인 거주자가 이러한 환경에서의 소음 전달 환경을 파악하고 소음의 전달 모델을 세워 소음을 규명하는 것은 어렵다. 본 논문은 모바일 장치 (mobile device) 의 단일 음향 센서로 측정한 소음과 합성곱 신경망을 활용하여 데이터 기반 (data-driven) 의 건물 내 소음 규명 방법을 제안하고 한 개의 캠퍼스 건물과 두 아파트 건물에서 진행한 실험을 통하여 이 기법의 유용성과 보편성을 보였다. 또한 한 층간에서 학습한 소음 규명 지식을 동일 건물의 다른 층간에서의 소음 규명에, 한 건물에서 학습한 소음 규명 지식을 다른 건물 내 소음 규명에 활용 할 수 있음을 보였다. 제안하는 기법은 소음 전달 환경 파악 및 모델을 얻기 어려운 분야에서의 적용에도 유용할 것으로 기대한다.