Prediction of the Porosity of Barrier Woven Fabrics with Respect to Material, Construction and Processing Parameters and Its Relation with Air Permeability

• Autorzy: Malik S. A. , Kocaman R. T. , Gereke T. , Aibibu D. , Cherif C.

Identyfikatory

DOI

10.5604/01.3001.0011.7306

Warianty tytułu

PL

Prognozowanie porowatości tkanin barierowych pod względem parametrów materiałowych, konstrukcyjnych i technologicznych oraz ich związku z przepuszczalnością powietrza

• Języki publikacji: EN

Abstrakty

EN

Porosity is one of the most important characteristics of fabrics that dictate the permeability and retention properties of fabrics. Several technical uses require textiles with a combination of definite permeability and retention properties. Besides filtration, surgical textiles require these contrary properties to offer an effective barrier against particle laden fluids, such as bacteria and viruses, together with added wearer comfort. Pore size and pore size distribution are important characteristics to determine the permeability and retention behaviour of multifilament barrier textiles by influencing the effective porosity, which can be tailored according to end use requirements by material, weave construction and processing factors. The present research was aimed at developing the relationship that material, construction and loom parameters have with porosity in terms of the mean pore size and mean flow pore size of the fabric, and thereby with air permeability. To map such nonlinear complex relations, an artificial neural network (ANN) was employed. From the findings, it was observed that the porosity of barrier fabrics can be predicted with excellent accuracy using an ANN.

PL

Porowatość jest jedną z najważniejszych cech tkanin, które decydują o przepuszczalności i właściwościach retencyjnych tkanin. Zastosowania techniczne wymagają tekstyliów z kombinacją określonej przepuszczalności i właściwości retencyjnych. Oprócz filtracji, tekstylia chirurgiczne muszą charakteryzowac się właściwościami zapewniającymi skuteczną barierę przeciwko płynom z cząstkami objętościowymi, takim jak bakterie i wirusy oraz zapewniać komfort użytkowania. Wielkość porów i rozkład wielkości porów są ważnymi cechami określającymi przepuszczalności i zachowanie retencyjne tkanin barierowych wielowłókienkowych. Przeprowadzone badania miały na celu rozwinięcie związku pomiędzy parametrami materiału i konstrukcji z porowatością w kategoriach średniej wielkości porów, a tym samym z przepuszczalnością powietrza. Aby zmapować takie nieliniowe złożone relacje, zastosowano sztuczną sieć neuronową (ANN). Z ustaleń zaobserwowano, że porowatość tkanin barierowych można przewidzieć z doskonałą dokładnością za pomocą SSN.

Słowa kluczowe

EN

barrier fabrics; porosity; permeability; prediction; artificial neural network

PL

tkaniny barierowe; porowatość; przepuszczalność; prognoza; sztuczna sieć neuronowa

• Wydawca: Sieć Badawcza Łukasiewicz - Łódzki Instytut Technologiczny
• Czasopismo: Fibres & Textiles in Eastern Europe
• Rocznik: 2018
• Tom: Vol. 26, no. 3 (129)
• Strony: 71--79
• Opis fizyczny: Bibliogr. 36 poz., rys., tab.

Twórcy

autor

Malik S. A.

• Technische Universität Dresden, Institute of Textile Machinery and High Performance Material Technology, 01062 Dresden, Germany
• Mehran University of Engineering & Technology, Department of Textile Engineering, 76062 Jamshoro, Sindh, Pakistan

autor

Kocaman R. T.

• Technische Universität Dresden, Institute of Textile Machinery and High Performance Material Technology, 01062 Dresden, Germany

autor

Gereke T.

• Technische Universität Dresden, Institute of Textile Machinery and High Performance Material Technology, 01062 Dresden, Germany

autor

Aibibu D.

• Technische Universität Dresden, Institute of Textile Machinery and High Performance Material Technology, 01062 Dresden, Germany

autor

Cherif C.

• Technische Universität Dresden, Institute of Textile Machinery and High Performance Material Technology, 01062 Dresden, Germany

Bibliografia

• 1.Sieminski MA, Hotte G. The porosity of the textile materials. Rayon Text Mon. 1944; 25(12): 608–10.
• 2.Zupin Z, Hladnik A, Dimitrovski K. Prediction of one-layer woven fabrics air permeability using porosity parameters. Text Res J. 2012; 82(2): 117–28.
• 3.Ogulata RT, Mezarcioz S (Mavruz). Total porosity, theoretical analysis, and prediction of the air permeability of woven fabrics. J Text Inst. 2012;103(6):654– 61.
• 4.Xu G, Wang F. Prediction of the Permeability of Woven Fabrics. J Ind Text. 2005; 34(4): 243–54.
• 5.Xiao X, Zeng X, Longa., Lin H, Clifford M, Saldaeva E. An analytical model for through-thickness permeability of woven fabric. Text Res J. 2012;82(5): 492–501.
• 6.Havlová M. Air Permeability and Costructional Parameters of Woven Fabrics. FIBRES & TEXILES in Eastern Europe 2013; 21 2(98): 84–89.
• 7.Burleigh EG, Wakeham H, Honold E, Skau EL. Pore-Size Distribution in Textiles. Text Res J. 1949; 19(9): 547–55.
• 8.Xiao X. Modeling the Structure-Permeability Relationship for Woven Fabrics. PhD Thesis, The Unievrsity of Nottingham, 2012.
• 9.Laourine E, Cherif C. Characterisation of barrier properties of woven fabrics for surgical protective textiles. Autex Res J. 2011; 11(2): 31–6.
• 10.Aibibu D. Charakterisierung , Modellierung und Optimierung der Barriereeigenschaften von OP-Textilien. PhD Thesis, Technische Universität Dresden, 2005.
• 11.Aibibu D, Lehmann B, Offermann P. Barrier effect of woven fabrics used for surgical gowns. Autex Res J. 2003; 3(4): 186–93.
• 12.Farooq A, Cherif C. Use of artificial neural networks for determining the leveling action point at the auto-leveling draw frame. Text Res J. 2008; 78(6): 502–9.
• 13.Malik SA, Arain RA, Khatri Z, Saleemi S, Cherif C. Neural network modeling and principal component analysis of antibacterial activity of chitosan/AgCl-TiO2 colloid treated cotton fabric. Fibers Polym. 2015; 16(5): 1142–9.
• 14.Malik SA, Farooq A, Gereke T, Cherif C. Prediction of blended yarn evenness and tensile properties by using artificial neural network and multiple linear regression. Autex Res J. 2016; 16(2): 43–50.
• 15.Malik SA, Saleemi S, Mengal N. Predicting hydrophobicity of silica sol-gel coated dyed cotton fabric by artificial neural network and regression. Indian J Fibre Text Res. 2016; 41(1): 67–72.
• 16.Behera BK, Mani MP. Characterization and Classification of Fabric Defects using Discrete Cosine Transformation and Artificial Neural Network. Indian J Fiber Text Res. 2007; 32(4):421–6.
• 17.Jin G, Zhu C. Artificial Neural Network Modeling for Predicting Pore Size and Its Distribution for Melt Blown Nonwoven. SEN’I GAKKAISHI. 2015; 71(11): 317–22.
• 18.Ibrahim MZ, Norashikin MZ. Pore Size Prediction of Polyethersulfone Ultrafiltration Membranes Using Artificial Neural Networks. J Nanosci Nanotechnol 2010;10(9):6211–5.
• 19.Malik SA, Kocaman RT, Kaynak HK, Gereke T, Aibibu D, Babaarslan O, et al. Analysis and prediction of air permeability of woven barrier fabrics with respect to material, fabric construction and process parameters. Fibers Polym [Internet]. 2017 Oct; 18(10): 2005–17. Available from: https://doi.org/10.1007/s12221- 017-7241-5
• 20.Wakeham H, Spicer N. Pore-Size Distribution in Textiles-A Study of Windproof and Water-Resistant Cotton Fabrics *. Text Res J. 1949; 19(11): 703–10.
• 21.Bhatia SK, Smith JL. Application of the bubble point method to the characterization of the pore-size distribution of geotextiles. Geotech Test J. 1995; 18(1): 94–105.
• 22.Li D, Frey MW, Joo YL. Characterization of nanofibrous membranes with capillary flow porometry. J Memb Sci. 2006; 286(1–2): 104–14.
• 23.Kopitar D, Skenderi Z, Matijasic G. Influence of nonwoven fabric pore sizes on water vapor resistance. Text Res J [Internet]. 2017; Available from: http://journals.sagepub.com/doi/10.1177/0040517517700200
• 24.Angelova RA. Determination of the pore size of woven structures through image analysis. Cent Eur J Eng. 2012;2(1):129–35.
• 25.Gong RH, Newton A. Image-analysis Techniques. Part I: The Measurement of Pore-size Distribution. J Text Inst [Internet]. 1992;83(2):253–68. Available from: http://www.tandfonline.com/doi/abs/10.1080/00405009208631195
• 26.316-03 AF. Standard Test Methods for Pore Size Characteristics of Membrane Filters by Bubble Point and Mean Flow Pore Test. ASTM International, West Conshohocken, PA. 2011. p. 1–7.
• 27.E1294-89(1999) A. Standard Test Method for Pore Size Characteristics of Membrane Filters Using. ASTM Int West Conshohocken, PA. 1999;1–2.
• 28.Walz F, Luibrand J. Die Gewebedichte. Text Prax. 1947;2:330–5.
• 29.Backer S. The Relationship Between the Structural Geometry of a Textile Fabric and Its Physical Properties Part IV: Interstice Geometry and Air Permeability. Text Res J. 1951; 21(10): 703–14.
• 30.Rumelhart DE, Hinton GE, Williams RJ. Learning representations by back- propagating errors. Nature. 1986;323:533–6.
• 31.Minsky M, Papert S. Perceptrons. MIT Press, Cambridge MA; 1969.
• 32.Hagan MT, Menhaj MB. Training Feedforward Networks with the Marquardt Algorithm. IEEE Trans Neural Networks. 1994;5(6):989–93.
• 33.Marquardt DW. An Algorithm for Least Squares Estimation of Nonlinear Parameters. J Soc Ind Appl Math. 1963;11(2):431–41.
• 34.Wilamowski BM, Iplikci S, Kaynak O, Efe MO. An algorithm for fast convergence in training neural networks. In: Proceedings IJCNN ’01 International Joint Conference on Neural Networks 2001, p. 1778–82.
• 35.MacKay DJC. Bayesian Interpolation. Neural Comput. 1992;4(3):415–47.
• 36.Döbrich O, Gereke T, Cherif C. Modeling of textile composite reinforcements on the micro-scale. Autex Res J. 2014; 14(1): 28-33.

Uwagi

PL

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2018).