Particulate Matter and Total Volatile Organic Compound Emissions Following Surface Cleaning: Comparison of Cleaning Agents and Locations
Notice bibliographique
Résumé
High Resolution Image Download MS PowerPoint Slide Cleaning activities are essential for maintaining hygiene in indoor environments but can significantly influence indoor air quality (IAQ). We investigated emissions of volatile organic compounds (VOCs) and particulate matter (PM) during cleaning events across various indoor settings including two laboratories, an office, and a residential bathroom, with room volumes ranging from 22 to 206 m 3 and air changes rates (ACR) of 0.85–9.14 h -1 . Four cleaning solutions with different active ingredients were evaluated: quaternary ammonium compounds (quats), hydrogen peroxide (H 2 O 2 ), sodium hypochlorite (bleach), and thymol. Cleaning increased PM 2.5 by 0.7–14.5 μg m –3, depending on location and cleaning solution, with quats generally yielding the greatest increases. Measured total volatile organic compound (TVOC) mixing ratios also increased following cleaning by 10–104 ppbv, with the exception of experiments performed using thymol. We note that sensors such as the photoionization detector (PID) used in this work do not provide quantitative TVOC measurements. In general, greater emissions of PM 2.5 and TVOCs were observed in locations with lower ACR. We also measured PM 2.5 in a lobby, elevator, and public bathroom in a hotel with a number of COVID-positive occupants during routine surface disinfection using a quats-based disinfectant: increases of 5.5–14.2 μg m –3 were observed. This study demonstrates that emissions other than active ingredients can affect IAQ during surface cleaning, and provides information that may help mitigate harmful effects. It also provides insight into the use and limitations of low-cost sensors (LCS) in determining IAQ impacts from cleaning.
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 ».