Investigation of aerosol dispersion and air purifier performance in a hospital patient room using CFD and measurements
Notice bibliographique
Résumé
Transmission of airborne disease is a concern in many indoor spaces. Recent studies have identified correlations between poor indoor air quality (IAQ) and COVID-19 vulnerability and mortality. Studying the role building design and ventilation play in both the spread and mitigation of airborne viruses in high-density spaces is thus imperative. However, guidance for IAQ improvement and COVID-19 risk mitigation is general and insufficient for specific application in at-risk spaces like British Columbia’s (BC) patient settings and long-term care homes. What remains underdefined is a workflow for translating site specific data on indoor aerosol spread into actionable tools health officials can use towards building retrofit and intervention planning. The objective of this project was thus to develop a library of ‘digital twin’ models of at-risk indoor spaces that can provide accurate and rapid investigations of indoor air quality improvement measures using computation fluid dynamics (CFD) software. To calibrate these models, 41 repeated controlled experiments of aerosol dispersion and removal were conducted to assess the ventilation patterns of a 4-bed hospital room. From these experiments, a 3D CFD model of the room was created using the RhinoCFD modelling package, calibrated with measured IAQ sensor data, and validated against the results of the live study. This paper presents the methodology and in-progress results of this CFD modelling process.
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 ».