Adjustable mold for the manufacture of reusable, personalized N95masks
Notice bibliographique
Résumé
During the COVID-19 pandemic, healthcare workers faced several challenges while adapting to the regular use of N95 face masks: skin damage after extended use, headaches due to re-inhaled CO2, imperfect airtight seal with the user's face, and excessive waste caused by disposable masks. Here we discuss a mask design and manufacturing process for mitigating these concerns, in which an adjustable mold is used to rapidly produce reusable, custom-fitted masks. Topography analysis of human head forms and anthropometric survey data were used to create a parametric mask design based on eight control points which can be adapted to fit 99.7% of the population. Measurements are taken from a 3D-scanned model of the user's head and used to adjust the dimensions of a flexible silicone mold, in which key parametric points are driven by linear actuators. Rotational molding is then used to produce silicone masks from liquid silicone resin: a process requiring very low initial investment compared to injection molding, and which can scale to produce many masks simultaneously. This work reports on the development of the parametric model and mask design, the novel rotational molding system for manufacturing personalized masks, and the development of three personalized masks. Results from initial materials and fit testing are presented. The results indicate that the proposed design and manufacturing process has the potential to develop more effective and sustainable PPE. Future work includes increasing the precision of the prototype manufacturing system and additional materials testing to improve mask performance.
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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».