Contribution of Breathing Frequency and Inhalation Flow Rate on Performance of N95 Filtering Facepiece Respirators
Notice bibliographique
Résumé
The investigation of particle penetration through filtering facepiece respirators under cyclic flows is very necessary because cyclic flows represent actual breathing flow patterns. This article reports the development of a procedure to investigate the individual impact of breathing frequency and flow rate on the performance of N95 filtering facepiece respirators. Experiments were performed for two peak inhalation flows (PIFs; 135 and 360 l min(-1)) and two breathing frequencies [24 and 42 breaths per minute (BPM)] for a total of four cyclic flows (Flow A: 135 l min(-1) and 24 BPM; Flow B: 135 l min(-1) and 42 BPM; Flow C: 360 l min(-1) and 24 BPM; and Flow D: 360 l min(-1) and 42 BPM). Each experiment was performed using two different set-ups: the first set-up included both inhalations and exhalations through the filter media and test chamber, while with the second set-up, only inhalation flows were considered. The results showed that, for the most penetrating particle size range, an increase in both PIF and breathing frequency could potentially enhance the penetration with both set-ups; however, the effect of PIF was observed to be much more pronounced than that of frequency. The results indicated that with both set-ups, when the PIF was increased from 135 to 360 l min(-1) (for the given frequency: 24 or 42 BPM), an increase of up to 139-152% in penetration was observed. On the other hand, only a 10-16% increase in penetration occurred when the frequency was changed from 24 to 42 BPM (for a given PIF: 135 or 360 l min(-1)). This suggests that, from low to high respiratory efforts, a huge portion of penetration enhancement is due to PIF variations and only a small portion is contributed by frequency variations.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| 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) | 0,000 | 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 tête enseignante, 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 ».