PrOlor, Pronostica el Olor Dos Días Antes. Caso de Estudio en una Planta de Procesado de SANDACH

sesion04 diaz02   PrOlor es la primera aplicación informática comercial en el mundo que es capaz de predecir un impacto por olores con dos días de antelación mediante el uso de modelos de dispersión avanzados junto con medidas de olor realizadas en las fuentes.

   En el siguiente trabajo se usó la herramienta PrOlor durante diez meses para pronosticar el impacto por olor de una planta de procesado de subproductos animales en un municipio cercano a la planta.

 

Carlos Nietzsche Díaz Jiménez 1*, Cyntia Izquierdo Zamora 1, David Cartelle Fernández 2, Jose M. Vellón Graña 2, Ángel Rodríguez López 2

1. SVPA, Servicios de Protección Ambiental. carlosdiaz@svpa.es

2. Troposfera Soluciones Sostenibles S.L., C/ Real 217, 15401 Ferrol, A Coruña, España.

   Conflictos de interés: El autor declara que no existe conflicto de intereses.

   Editor académico: Carlos N Díaz.

   Calidad del contenido: Este artículo científico ha sido revisado por al menos dos revisores. Vea el comité científico aquí

   Cita: Carlos Nietzsche Díaz Jiménez, Cyntia Izquierdo Zamora, David Cartelle Fernández, Jose M. Vellón Graña y Ángel Rodríguez López, 2015, PrOlor, Pronostica el Olor Dos Días Antes. Caso de Estudio en una Planta de Procesado de SANDACH, III Conferencia Internacional sobres gestión de Olores en el Medio Ambiente, Bilbao, España, www.olores.org

   Copyright: Los autores retienen la propiedad del copyright de sus artículos, pero los autores permiten a cualquier persona descargar, reusar, reimprimir, modificar, distribuir y/o copiar artículos del sitio web de olores.org, siempre que se citen los autores originales y las fuentes. No es necesario permiso específico de los autores o de los editores de esta web.

   ISBN: 978-84-608-2262-2.

   Palabras claves: CALPUFF, PrOlor, WRF, olores, olfatometría dinámica, quejas.

 

Descargar presentación

Vídeo

 

Resumen

   PrOlor es la primera aplicación informática comercial en el mundo que es capaz de predecir un impacto por olores con dos días de antelación mediante el uso de modelos de dispersión avanzados junto con medidas de olor realizadas en las fuentes. De esta forma el operador de una planta industrial tiene un margen suficiente para poder llevar a cabo medidas correctoras y evitar el impacto justo antes de que ocurra. En el siguiente trabajo se usó la herramienta PrOlor durante diez meses para pronosticar el impacto por olor de una planta de procesado de subproductos animales en un municipio cercano a la planta. Complementariamente, se han ido recibiendo incidencias por olores durante ese periodo de tiempo mediante una página web accesible desde dispositivos móviles. Los resultados muestran que PrOlor pronostica correctamente el 99,1% de todos los eventos.

1. Introducción

   Tradicionalmente, las plantas de procesamiento de Subproductos Animales No Destinados al Consumo Humano (SANDACH) o plantas de "rendering” tienen una tasa alta de emisión de vapor de agua debido a los procesos de evaporación de agua de la materia prima implicados en el procesamiento de esta materia prima.

   Junto con la emisión de vapor de agua se liberan a la atmósfera una cantidad de gases no condensables procedentes de esta materia prima y que suelen tener un bajo umbral de olor.

   En el entorno de la planta se sitúan varios núcleos urbanos situados a una distancia de entre 6 y 13 km de la actividad. La dirección preferente del régimen de vientos es Sudoeste, donde existe un núcleo habitado con un historial alto de quejas por impactos de olor. No obstante existen otros municipios en la zona que también han planteado quejas por olores.

   Con el objeto de saber cuando, dónde y cual era la intensidad de los olores percibidos a tiempo real hace tres años, se decidió instalar un sistema de registro de quejas on-line para enviar un aviso a la planta y detectar malfuncionamientos de equipos, facilitando un acceso directo a las voluntarias seleccionadas a un formulario online en el que se pueden registrar los olores recibidos.

   La planta recibió 91 y 68 incidentes por olores durante los años 2013 y 2014, respectivamente. Debido a este alto número de incidentes, la planta decidió instalar PrOlor, el primer software comercial de predicción de impactos por olores existente en el mundo. De esta forma el operador de esta planta comenzó a predecir con dos días de antelación cuando iba a producirse un incidente por olores. Con estos datos, la planta comenzó a programar varias paradas o a redireccionar la producción hacia horas en las cuales no era previsible un impacto por olores.

   PrOlor es un sistema de pronóstico de olores, operativo e innovador. Permite actuar en las condiciones de operación de la fuente emisora de olores, con antelación de hasta 72 horas. Es un sistema capaz de ejecutarse en tiempo real, asimilando los datos de emisiones y ejecutándose horariamente para poder conocer las concentraciones de olores futuras. Por último, con el desarrollo de una interfaz para smartphones, es posible consultar desde el móvil la ubicación geográfica y conocer las zonas de superación del umbral de olor en un futuro.

   El objetivo del presente trabajo es comparar los datos pronosticados con incidentes reales de olor y episodios de no-olor para esta fábrica de SANDACH. Asimismo, a lo largo de este estudio se llevó a cabo un aumento de la resolución de WRF. El segundo objetivo del presente trabajo es valorar el impacto de la mejora de WRF en el desempeño de PrOlor.

2. Metodología

   PrOlor está basado en el sistema de modelos WRF/CALMET/CALPUFF, compilado e instalado para plataformas Linux (Cartelle et. al., 2014).

   El Sistema PrOlor utiliza el modelo lagrangiano de calidad del aire CALPUFF (Scire et al., 2000b). El modelo CALPUFF posee un módulo meteorológico propio, denominado CALMET, donde se procesan los datos meteorológicos de estaciones de superficie y altura o bien de modelos meteorológicos tridimensionales.

   Para alimentar el modelo CALMET con datos meteorológicos, se ejecuta previamente el modelo meteorológico de mesoescala WRF. En PrOlor se ejecuta diariamente el modelo WRF para un horizonte temporal de 2 días, siguiendo un patrón de dominios anidados. Una vez terminado el proceso del WRF, se ejecuta el modelo CALMET 3D y posteriormente se ejecuta el modelo CALPUFF.

   PrOlor, trabaja con tiempos de promedio horarios no obstante con el objeto de reflejar de alguna forma los eventos de olor de corta duración tiene implementado la aplicación de una relación de Máximos al Promedio (peak to mean ratio) de acuerdo al criterio establecido por la Agencia de Medio Ambiente de Nueva Gales del Sur, Australia (NSW, 2005).

   En este caso el modelo CALPUFF consideró las emisiones de olor procedentes de 6 focos diferentes. Las tasas de emisión de olor para cada uno de los focos se obtuvieron de varias campañas de toma de muestra y análisis mediante olfatometría dinámica.

   La emisión de cada uno de los focos se caracterizó a partir del análisis de triplicados en varias campañas de medición. El tiempo de muestreo para cada bolsa fue de 30 minutos. El tiempo total de muestreo para cada foco fue de una hora y media para cada triplicado dado que los procesos eran estables. Paralelamente, se registró la temperatura, caudal y humedad relativa.

   Tras cada toma de muestra se realizó una purga de la línea de muestreo con nitrógeno para evitar efectos de contaminación cruzada. En los casos que fue necesario, se llevó a cabo una predilución de la muestra para evitar condensaciones. Los dos laboratorios olfatométricos que participaron en el análisis de las muestras están acreditados bajo criterios EN ISO/IEC 17025 para la determinación de la concentración de olor por olfatometría dinámica según la Norma EN 13725 y participan regularmente en ensayos interlaboratorio.

   En febrero del año 2013 se implementó un registro de incidencias mediante el cual voluntarias del municipio más afectado por quejas por olores comenzaron a avisar sobre incidencias por olores con una aplicación informática. Dicho registro de incidencias sigue en la actualidad abierto.

   Cada vez que las voluntarias detectan olores con la calidad de "olor a procesado de SANDACH" proceden a rellenar un formulario online. Una vez enviado el formulario, se generan automáticamente alertas online por correo electrónico con destino a un grupo de personas tales como el gestor de la planta, el jefe de planta, el departamento de medio ambiente, ingeniería, etc.

   Para este estudio se compararon los registros de incidencias reales con las incidencias pronosticadas con PrOlor. El periodo de análisis de datos se encuentra comprendido entre agosto de 2014 y junio de 2015.

   Para este estudio se han considerado como acierto dos posibilidades: que el sistema prediga que va a existir un impacto por olores y se reciba una queja por parte de alguna de las voluntarias (coincidencia de olor), y que el sistema pronostique que no va a haber ningún impacto por olores y no se reciba ninguna incidencia (coincidencia de no-olor).

   Dado que esta segunda posibilidad (no-olor) es muchísimo mayor que la primera debido al escaso número de incidencias recibidas, se han ajustado las horas de no-olor, descartando varios periodos horarios tales como las horas de parada de la planta, el horario laboral de las voluntarias, ya que no trabajan en dicha población, y las horas nocturnas de sueño. El total de horas analizadas ha sido de 2185 horas.

   En el transcurso del estudio se implementó una mejora en la resolución espacial del modelo WRF, desde 9 km hasta los 3 km. También se ha estudiado el impacto de esta mejora en el desempeño de PrOlor.

3. Resultados y discusión

   En el periodo de estudio de 10 meses se recibieron 49 alertas validadas de incidencias por olor en el registro habilitado.

   El siguiente paso fue determinar qué nivel de concentración de olor calculada por el modelo puede ser considerado una incidencia. Para ello se calculó el porcentaje óptimo de acierto con respecto a diferentes niveles de olor en inmisión predichos por el software. La gráfica 1 muestra que el nivel óptimo para considerar que un episodio pronosticado por PrOlor implique un impacto por olores es de 2,1 uoE/m3.

   Considerando el nivel de 2,1 uoE/m3, en el periodo de estudio considerado PrOlor predijo 73 incidencias.

sesion04 diaz01Gráfica 1: Representación de los porcentajes de acierto de previsión de olor, considerando diferentes niveles pronosticados por PrOlor.

   Tomando cada una de las quejas enviadas por las voluntarias, se comprobó si PrOlor predijo esos impactos por olor 1) a la hora exacta, 2) en el intervalo de 1 hora más o menos con respecto a la hora del incidente y 3) en el intervalo de 2 horas antes o después de la hora registrada de la incidencia. Los resultados obtenidos se reflejan en la primera columna de la tabla 1.

Tabla 1: Ajuste de la predicción de PrOlor con diferentes intervalos horarios respecto de la hora de la incidencia registrada.
 

Coincidencia

Olor

Coincidencia

no-olor

Coincidencia

olor + no-olor

Hora exacta de la incidencia

23,5%

97,7%

96,6%

1h de la incidencia

35,3%

100%

99,0%

2h de la incidencia

41,2%

100%

99,1%

   Además se ha estudiado el número de coincidencias de no-olor de las predicciones, es decir, el pronóstico de eventos en los que no huele con respecto a los momentos en los que no se registraron incidencias en los mismos intervalos horarios descritos anteriormente. Los resultados obtenidos se reflejan en la segunda columna de la tabla 1.

   Por último, se ha estudiado la coincidencia del total de las predicciones, es decir, la previsión de PrOlor respecto a los eventos de olor y no-olor en los mismos intervalos horarios descritos anteriormente. Los resultados obtenidos se reflejan en la segunda columna de la tabla 1.

   Los resultados muestran que PrOlor pronostica adecuadamente en un 96,6% cuando se consideran los episodios en los que hay incidencias y en los que no hay incidencias. Es posible mejorar este pronóstico cuando se considera el intervalo de ±2 h con respecto a la hora del evento olor o evento no-olor, pues el porcentaje aumenta hasta un 99,1%.

   PrOlor consigue pronosticar adecuadamente en un 100% cuando se consideran los episodios en los que no hay incidencias en el intervalo óptimo de 1 o 2 horas antes y 1 o 2 horas después, con respecto a la hora del episodio real. Sin embargo, PrOlor sólo consigue pronosticar con un acierto del 41,2% cuando se consideran los episodios en los que existe una incidencia en un intervalo de ± 2h.

   En segundo lugar, se ha examinado el impacto que ha tenido en las predicciones de PrOlor la mejora en la resolución espacial del modelo WRF en la resolución espacial del modelo WRF desde 9 km hasta los 3 km, con un intervalo óptimo de ± 2h con respecto a la hora del incidente de olor. Los resultados se muestran en la tabla 2.

Tabla 2: Resultados de la comparación del modelo de pronóstico PrOlor con las incidencias recibidas (± 2 h), en diferentes etapas de mejora del sistema.
 

Coincidencia

Olor

Coincidencia

no-olor

Coincidencia

olor + no-olor

incidencias

Estado inicial PrOlor

41,2%

100%

99,1%

37

Estado tras mejora resolución WRF

12,5%

100%

98,6%

12

   Los resultados muestran que la mejora de resolución WRF llevada a cabo disminuyó el porcentaje de aciertos de eventos de olor y no ha supuesto un impacto relevante en la tasa de aciertos de eventos de no-olor. En este sentido, cabe señalar que el aumento de la resolución de WRF no ha supuesto ninguna mejora, consiguiendo incluso un empeoramiento del porcentaje de pronóstico de PrOlor, por lo que esta implementación será eliminada del software.

4. Conclusiones

   Una industria de procesado SANDACH implantó en agosto de 2014 el sistema PrOlor para la predicción de eventos de olor en su entorno. PrOlor está basado en el modelo lagrangiano CALPUFF y, en este caso, consideró las emisiones de olor de la planta medidas mediante olfatometría dinámica.

   Tras 10 meses, los resultados muestran que el umbral óptimo para considerar que un episodio pronosticado por PrOlor implique un impacto por olores es de 2,1 uoE/m3.

   Asimismo, PrOlor consigue pronosticar adecuadamente en un 41,2%, 100% y 99,1% cuando se consideran los eventos de olor, no-olor y totales, respectivamente. Estos resultados se alcanzan en el intervalo óptimo de 2 horas antes y 2 horas después, con respecto a la hora del episodio real.

   Una vez examinados los resultados, se puede determinar que el aumento de la resolución del modelo meteorológico no supone una mejora en los pronósticos de PrOlor.

5. Agradecimientos

   Agradecemos la ayuda y el apoyo prestado en este proyecto por el personal de Render Grasas, S.L. sobre todo a Luís Cabotá Gimeno, Paqui Macías Polvillo y Raúl Díaz Aguilera. Además este trabajo no habría sido posible sin el trabajo de las voluntarias sobre todo de Pilar Sánchez Lianez y de Maria José Pisonero Campos.

6. Referencias

Carslaw, D.C. y Ropkins, K. 2012. Openair — an R package for air quality data analysis. Environmental Modelling & Software. 27-28, 52-61.

Cartelle Fernández David, Díaz Jiménez Carlos Nietzsche, Vellón Graña Jose Manuel, Rodríguez López Ángel. NOSE 2014, Venice. PrOlor, Forecast 2 Days Beforehand an Odour Incident.

Chang, C.-Y. y Chang L.Y. 2000. Effect of meteorology and air pollutant transport on ozone episodes at a subtropical coastal Asian city, Hong Kong. Journal of Geophysical Research Atmospheres, 105 (D16), 20707–20724.

Chang, J.C. y Hanna, S.R. 2004. Air quality model performance evaluation. Meteorology and Atmospheric Physics, 87, 167-196.

Díaz Jiménez, Carlos Nietzsche, 2009. El Apasionante Estudio de la Relación de Máximos al Promedio, Olores.org

Díaz Jiménez, Carlos Nietzsche, Cartelle Fernández David y Barclay Jennifer. 2014, Seminario Internacional olores.org Santiago de Chile. Revisión de Modelos de Dispersión Normativos, una Clave Importante en la Gestión de Olores en el Medio Ambiente.

Emery, C.A., Tai, E. y Yarwood, G. 2001. Enhanced Meteorological Modeling and Performance Evaluation for Two Texas Ozone Episodes. Prepared for the Texas Natural Resource Conservation Commission, by ENVIRON International Corp, Novato, CA.

Gonzalez, J.A., Hernandez-Garces, A., Rodriguez, A., Saavedra, S., Casares, J.J. 2014. A comparison of different WRF-CALMET simulations against surface and PBL rawinsonde data. 16th International Conference on Harmonisation within Atmospheric Dispersion Modelling for Regulatory Purposes. 8-11 September 2014, Varna, Bulgaria.

Gostelow, P., Parsons, S.A. y Stuetz, R.M. 2001. Wat. Res., 35 (3), 579-597.

NSW Environment Protection Authority (EPA), 2005, Approved Methods for the Modelling and Assessment of Air Pollutants in New South Wales

Scire, J.S., Robe, F.R., Fernau, M.E. y Yamartino, R.J. 2000a. A User’s Guide for the CALMET meteorological model. Earth Tech, Inc., Concord, MA 01742.

Scire, J.S., Strimaitis, D.G., M.E. y Yamartino, R.J. 2000b. A User’s Guide for the CALPUFF dispersion model. Earth Tech, Inc., Concord, MA 01742.

Skamarock, W. C. y Klemp, J.B. 2008. A time-split nonhydrostatic atmospheric model for weather research and forecasting applications. Journal of Computational Physics, 227(7), 3465-3485.

Smith, M. E. 1973. Recommended Guide for the Prediction of the Dispersion of Airborne Effluents. ASME, N.Y.

 

Si le ha interesado esta noticia, probablemente le interesen los siguientes artículos:

Cyntia Izquierdo

Todo el contenido en esta web está sujeto a la Licencia de Acceso Abierto.