Axillary odour build-up in knit fabrics following multiple use cycles
Notice bibliographique
Résumé
Purpose – Fibre content can influence the intensity of odour that develops within clothing fabrics. However, little is known about how effective laundering is at removing malodours in clothing which differ by fibre type. The purpose of this paper is to investigate whether a selected cotton fabric differed in odour intensity following multiple wear and wash cycles compared to a polyester fabric. Design/methodology/approach – Eight (male and female) participants wore bisymmetrical cotton/polyester t-shirts during 20 exercise sessions over a ten-week trial period. Odour was evaluated via a sensory panel, bacterial populations were counted and selected odorous volatile organic compounds were measured with comprehensive two-dimensional gas chromatography and time-of-flight mass spectrometry detection. Analysis occurred both before and after the final (20th) wash cycle. Findings – Findings showed that laundering was effective in reducing overall odour intensity (p0.001) and bacterial populations (p0.001) in both cotton and polyester fabrics. Odour was most intense on polyester fabrics following wear, not just before, but also after washing (p0.001); although, no differences in bacterial counts were found between fibre types (p>0.05). Chemical analysis found C4-C8 chained carboxylic acids on both types of unwashed fabrics, although they were more prevalent on polyester. Originality/value – The findings suggest that the build-up of odour in polyester fabrics may be cumulative as important odorants such as the carboxylic acids were not as effectively removed from polyester compared to cotton.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».