传统的静态空气过滤器,在隔绝空气污染物和保证自身渗透性上难以均衡,稳定的隔绝性和渗透性在某些环境下不一定能给人带来较好的呼吸保护,于是发明一种可以适用于不同环境下的动态空气过滤器势在必行。
韩国首尔国立大学机械工程系和先进机械与设计研究所的Seung Hwan Ko课题组发现了一种以EFM(elastic fiber membrane)材料制作的的DAF(dynamic air filter)动态空气过滤器,这种可拉伸弹性纤维膜结合了机器学习的方法,可以通过简单的气动控制对微孔进行重新缩放,从而立即调整了过滤特性,最终可以在不断变化的环境下实现个性化和持续优化的呼吸保护。
图1:动态空气过滤器的概念。
a、 当前空气过滤器技术的概念说明。目前的空气过滤器是作为固定过滤效率和渗透性的静态对象制造的,这导致其和可变环境的持续不一致。b、 动态空气过滤(DAF)的概念图。在高效低渗透(HELP)和低效高渗透(LEHP)模式之间主动动态调整其过滤特性,使DAF能够适应各种情况,并最大限度地发挥佩戴者的效用。c、 HELP和LEHP模式对应的情况示例。DAF根据佩戴者的当前优先级,在两种模式之间的整个范围内调整其特性。d、 算法驱动的自动DAF调制的概念图。空气质量响应算法(AQA,上图)和呼吸需求响应算法(BDA,下图)能够根据不断变化的空气质量和佩戴者的呼吸需求自动、一致地优化过滤特性(过滤效率和渗透性)。水平虚线表示传统的静态空气过滤器。e、 微孔的主动重新缩放,是动态调整过滤特性的核心机制。小(上部)和大(下部)微孔分别对应于HELP和LEHP模式。
图2:弹性纤维膜(EFM)空气过滤器。
a、 在拉伸60%应变期间和之后,电子纺SBS EFM空气过滤器的数字(上)和SEM(下)图像显示没有明显的微观结构退化。(五个独立样品的代表)标尺,1cm(上部)5μm(下部)b和c,微孔因机械应变而膨胀。b、 毛细流量法(CFP)测量的孔径分布。插图是原始(左)和60%径向应变(右)EFM样品的SEM图像。插入比例尺,5μm(五个独立样本的代表)c,分布的平均值和标准偏差值,以及两个模型平均值的理论估计值:几何膨胀(红色)和纤维变薄组合(蓝色)。d和f,改变入渗特性。(面速度,0.4厘米每秒))在循环径向应变调制期间,改变EFM空气过滤器的渗透效率(PM0.5)和压降。(最大径向应变为60%)e,d标记区域的放大图,显示去除效率和压降分别同时下降6%和62%。X轴由径向应变代替。f、 EFM空气过滤器的品质因数(QF)变化,显示出对60%径向应变的响应增加了2倍。水平虚线表示传统的静态空气过滤器。g和h,EFM空气过滤器应变响应QF增强的示意图解释。g、 在压降降低60%的情况下,EFM与传统空气过滤器的内层比较。h、 纤维减薄效应和扩散机制对效率降低的补偿。i、 循环调制的相图,显示了EFM的修正渗透率-效率负相关和低水平机械滞后
图3:自动控制DAF呼吸器。
a.−c、 气动可控DAF组件。a、 DAF装置的数字图像由各向同性膜拉伸器(IMS)和EFM空气过滤器组成。比例尺,2厘米。(代表>20个独立样品)b,左侧:显示DAF装置组件的分解图示意图:弹性体、刚性导向架、气动管和EFM空气过滤器。右图:突出主要特征的DAF横截面图:隔膜和放气室。c、 DAF气动机构示意图。弹性膜片根据放气室的气压径向移动,并导致EFM延伸。d和e,自动控制DAF呼吸器(DAF-R)。d、 DAF-R的主要部件示意图:带有两个DAF单元的面板、两个数字气压计(用于P1、P2)、PM传感器、轻型空气泵和MCU板,无线连接到运行机器学习控制器算法的外部计算机。插图是DAF-R(代表3个独立样本)的数字图像。呼吸器压力(P1)和放气室压力(P2)是佩戴者呼吸模式和DAF扩张水平的指标。图中的佩戴者是作者之一。比例尺,5厘米。e、 DAF-R的控制器结构包括机器智能和PID控制两个阶段。机器智能阶段有两个子体系结构:长期短时记忆(LSTM)预测和优化阶段
图4:DAF呼吸器的动态调节。
a、 BDA(左)和AQA(右)概念图,分别响应佩戴者的呼吸需求和环境空气质量。b、 BDA的作用。实验场景:在清洁的环境空气(PM2.5<10μg m−3)下 ,体力活动从每小时6公里增加至10公里每小时,分别在60秒的时间内观察。左:实验期间呼吸特征(P1,呼吸频率(RR))的变化。红色,无控制(静态帮助模式);蓝色,BDA控制。右:EFM扩张机动(P2,P2*)和RR稳定响应。递减p2表示EFM扩展。P2*,算法生成的targetp2;P2,测量值。c、 AQA的影响。实验场景:佩戴者以恒定速度(10公里每小时)跑步) 在60秒时进入污染空气。左:PM2的变化。5根据受污染的空气暴露情况在呼吸器内。红色,无控制(静态LEHP模式);蓝色,AQA控制.右:EFM松弛机动和由此产生的PM流入减少。增加的p2表示EFM收缩。d和e,BDA和AQA的联合效应。实验场景:在污染空气(PM2.5∼150μg m−3)下, 相同的体力活动随着b、c的增加而增加。d、 与清洁空气(红色;数据在b、c中)相比,INP1和P2(蓝色)的变化。污染空气条件下的小幅度下降(EFM膨胀)反映了BDA和AQA的同时作用。e、 RR(左)和PM2的变化。5与静态EFM设置相比,呼吸器内部(右侧):无控制帮助模式(黑色),无控制LEHP模式(红色)。f和g,通过迁移学习方法实现个性化。f、通过迁移学习实现个性化概念的示意图。g、 左:转移学习之前(红色)和之后(蓝色)不同人类主观和LSTM预测的归一化P1(黑色)。k、迁移学习前后预测精度的比较(上)以及初始训练和迁移学习所需的数据量(下)。人类受试者:27岁,男性,172厘米,72公斤,非专业志愿者(b−d) );29岁,男性,174厘米,80公斤,非专业志愿者(g)。所有实验数据代表至少五个独立实验(n≥5).
这种新型DAF概念的提出,研究者们在理论和实际上都迈出了坚实的一步,尤其是机器学习的结合可以明显区别开传统的静态口罩。改进EFM材料和更优化的机器学习算法,都可以让DAF的实际应用变得更具价值。目前,DAF-R系统轻量化和小型化的最大障碍是依靠空气泵的气动控制系统。空气泵不仅本身会导致问题,而且还会导致整个系统耗电,从而被迫使用大型电池。因此,通过改变放气室的内部结构,其中DAF装置的旋转可以产生气动压差,可以考虑使用无泵气动驱动解决这个问题。
【参考文献】
https://doi.org/10.1021/acsnano.1c06204
无法设置外链,请点击下方阅读全文浏览。
【相关阅读】
...................................................
WEST可穿戴电子b微信群开通。欢迎加入、推荐、分享和交流,谢谢!
该平台免费提供相关领域的论文宣传和招生招聘,有兴趣请关注订阅号给小编留言或者邮件联系 E-mail:wonger.west@gmail.com