Validar resultados de una modelación de dispersión odorante, ¿es necesario?

contreras imagen3   En Chile, el impacto por olores se está convirtiendo en tema fundamental. La comunidad está tomando medidas para presionar a las autoridades y empresas. Algunas empresas están tomando acciones para minimizar al máximo, las molestias por olores.

Sabiendo que existen enfoques para cuantificar y medir olores que permiten entregar resultados “confiables”, como son los modelos de dispersión atmosférica de olor, ¿qué tan confiable puede llegar a ser el resultado de una modelación?, ¿los resultados de una modelación son verdaderamente una representación del impacto real del olor y más importante, la molestia?.

   E. Contreras y V. Zorich M.

   Ecometrika, Américo Vespucio 2296, Conchalí, Santiago, Chile. www.ecometrika.com, econtreras_arroba_ecometrika.cl, vzorich_arroba_ecometrika.cl

   Palabras Claves: Método Belga de la Pluma, estudio de impacto odorante, plan de manejo odorante.

Resumen

    En Chile, el impacto por olores se está convirtiendo en tema fundamental. La comunidad está tomando medidas para presionar a las autoridades y empresas. Algunas empresas están tomando acciones para minimizar al máximo, las molestias por olores. Sabiendo que existen enfoques para cuantificar y medir olores que permiten entregar resultados “confiables”, como son los modelos de dispersión atmosférica de olor, ¿qué tan confiable puede llegar a ser el resultado de una modelación?, ¿los resultados de una modelación son verdaderamente una representación del impacto real del olor y más importante, la molestia?. Para chequear los resultados obtenidos mediante un modelo de dispersión y verificar que sean representativos de la realidad, es necesario “validarlos”. En este paper se dan a conocer dos casos de estudios en los que se realizó un estudio de impacto odorante que incluye la modelación. En ambos casos, la etapa de validación de resultados fue una valiosa herramienta de detección de errores a partir de la cual se pudo obtener resultados confiables. Nuestra política de verificar los resultados del modelo mediante metodologías de panel en terreno pudo demostrar claramente su importancia, llegando a concluir que los resultados de una modelación sin una adecuada evaluación de calidad pueden conducir a conclusiones erróneas.

Video

 

1. Introducción

   El territorio chileno tiene una topografía irregular, influencia costera, vientos calmos predominantes en especial en horarios nocturnos, etc. todas condiciones que son un desafío para los resultados que entregue un software de modelación de olores. Más aún si le sumamos, el que los modelos han tenido una evolución y desarrollo al ser aplicados en estas materias, tenemos factores que deben ser tomados en cuenta en su real dimensión para asegurar que los resultados que se informan sean los que representan la realidad.

   Algunas empresas, que a la fecha en forma voluntaria, dado que en Chile no tenemos estándares de calidad y/o metodología para evaluar la molestia por olores, desean diagnosticar e implementar un Programa de Manejo Odorante (PMO), utilizan como herramienta los resultados que proporciona el Estudio de Impacto Odorante (EIO) que incluye las etapas de muestreo y análisis olfatométrico y modelación vía software matemático del impacto odorante que las emisiones pudieran tener en comunidades adyacentes.

2. Desarrollo

   Presentamos 2 casos en los que el muestreo se llevó a cabo con túnel de viento en muestras difusas y sistema de dilución en fuentes puntuales. El análisis de las muestras fue realizado bajo la EN 13.725:2004 homologada como NCh 3190:2010, en Chile. Una vez obtenida la tasa de emisión de olor se ingresó en un modelo de dispersión y los resultados del modelo se compararon con los resultados de la verificación realizada “in situ”.

   La verificación de la pluma (Caso 1 y 2) y modelación inversa (Caso 2) se realizaron sobre la base de las mediciones en terreno en la zona de inmisión para determinar una serie de inmisiones como plumas o penachos de olor en los alrededores de las plantas. Las observaciones de campo para la determinación de los penachos de olor se llevaron a cabo en días diferentes y bajo condiciones atmosféricas adecuadas (cielo parcialmente cubierto, las velocidades del viento entre 2-6 m/s y direcciones del viento y velocidades estables), de acuerdo con el método Belga (J. Nicolas et al., 2005).

   Los resultados de un estudio de este tipo están influenciados por las etapas de muestreo, análisis y datos meteorológicos, principalmente. La dirección y velocidad del viento son variables fundamentales en la modelación de la dispersión de un contaminante determinado. Contar con datos de calidad para estas variables, es indispensable para conocer en forma fidedigna el impacto que se produce en una determinada área.

   Los casos de estudio a presentar se orientan a destacar la preponderancia de:

  • Datos meteorológicos.
  • Representatividad del muestreo.

2.1. Caso estudio 1

a) La influencia de los datos meteorológicos

contreras imagen3
Figura 3: Ubicación de la estación met.

   El cliente está muy presionado por la autoridad ya que los reclamos de la comunidad tienen una larga data y solicitan definir, en el menor tiempo, si impactan o no en 3 zonas de receptores sensibles. Si hay impacto, indicar en qué grado y dónde hacer las mejoras para evitar molestias en la comunidad. Para ello se acuerda realizar un EIO y la información meteorológica para la modelación de la dispersión del olor es proporcionada por el cliente. Los datos proporcionados se nos entregan como validados y que cumplirían con los requisitos EPA para la modelación realizada con ISC-Aermod.

b) Resultados y análisis

   Los resultados obtenidos de las modelaciones evidenciaron una falta de ajuste entre la dirección del viento que entrega la estación y los datos registrados en la verificación. Se realizó una revisión completa de los datos de cada etapa del estudio y se detectó que en los datos meteorológicos podría estar la clave. Se decide evaluar si los datos proporcionados por el cliente tienen la suficiente calidad para explicar el impacto odorante observado. Para realizar lo anterior, se comparó la serie de datos entregados por el cliente con los obtenidos de la estación meteorológica del aeropuerto cercano, dado que no se dispone de otra fuente en la zona. Estos datos se analizaron de acuerdo a criterios estadísticos de calidad de series de tiempo meteorológicas.

   El indicador de calidad utilizado fue el “Índice de Ajuste” (IOA), siendo:

   contreras formula

   Donde N es el n° de observaciones; Pi son los valores pronosticados (o estación a comparar); Oi son los valores observados (o estación “patrón” o válida); Omean es la media de las observaciones (o la media de la estación patrón).

 

    

Velocidad (m/s)

Dirección (°)

Análisis de ajuste

   Mes

Cliente

Aeropuerto

Cliente

Aeropuerto

Dif. (m/s)

Dif (°)

IOA Dir.

IOA Vel.

   Mes 1

2.1

3.2

206.8

211.8

1.0

5.0

51%

66%

   Mes 2

2.2

3.2

209.5

209.4

1.0

-0.1

49%

87%

   Mes 3

2.3

3.3

217.5

221.9

1.0

4.4

55%

81%

   Mes 4

2.2

3.4

197.6

206.8

1.2

9.2

62%

86%

   Mes 5

2.0

3.6

186.3

202.9

1.5

16.7

71%

89%

   Mes 6

2.1

4.3

167.8

199.9

2.1

32.2

63%

74%

   Mes 7

2.3

4.3

159.4

194.7

2.1

35.3

65%

56%

   Mes 8

2.0

4.0

157.7

195.9

2.0

38.2

67%

65%

   Mes 9

1.8

3.8

168.0

194.0

1.9

26.0

65%

65%

   Mes 10

1.7

3.0

187.2

194.7

1.3

7.5

66%

75%

   Mes 11

1.6

2.5

188.7

196.3

1.0

7.7

66%

77%

   Mes 12

1.8

2.9

202.3

205.2

1.1

2.9

63%

80%

   Mes 13

1.9

2.8

217.8

216.7

0.8

-1.1

60%

86%

   Promedio

2.0

3.4

189.7

203.9

1.4

14.1

62%

76%

Tabla 1 - Resultados comparación estación met. cliente / Aeropuerto

   Los resultados de la comparación se muestran en Tabla 1. Se incluyen como ejemplo la comparación del mes 1, de Rosas de viento con datos entregados por el cliente versus la obtenida con datos del aeropuerto, en las Figuras 1 y 2. Vemos que muestran la no congruencia entre los datos de ambas estaciones meteorológicas. La diferencia promedio en el sentido del viento es de 14,1°, variando de -1.1 a 38.5°, y de 1.4 m/s en la velocidad. Las mayores diferencias en el sentido del viento se presentaban entre los meses de verano – otoño, diciembre a abril, y la diferencia está altamente correlacionada con el ángulo en el que el viento sopla, siendo mayor cuando el viento sopla desde el sureste hacia el noroeste. Esta alta correlación de la diferencia con el sentido del ángulo del viento hace suponer que la ubicación de estación meteorológica del cliente está siendo influida por las instalaciones. El índice de ajuste promedio entre ambas estaciones es de un 62% para la dirección del viento. Esto indica que en caso de corregir la dirección del viento en un ángulo determinado, las perturbaciones generadas por las instalaciones de la planta no desaparecen, sino que se desfasan en el mismo ángulo corregido, lo que no mejora la correlación entre ambas estaciones.

 rosa de los vientos 1 rosa de los vientos 2
 Figura 1. Rosa de viento de mes 1 Cliente.
Figura 2. Rosa de viento de mes 1 Aeropuerto 

   Se modeló y comparó con la serie de datos meteorológicos provistos por el cliente y los obtenidos de la estación meteorológica del Aeropuerto. Se muestran en Figuras 4, 5 y 6. Los perfiles de impacto horario de ambas modelaciones muestran que la principal diferencia radica en los horarios de predicción del impacto. Los resultados de la modelación con la meteorología del cliente no fue preciso en determinar las horas de mayor impacto. Por lo mismo, se realizó una comparación del ajuste o correlación entre ambas estaciones meteorológicas. Lo anterior determinó el descarte de los datos de velocidad y dirección del viento de datos del cliente. Se le probó al cliente que los datos recogidos y utilizados para modelar y entregar resultados oficiales a la autoridad, también en otras materias (particulado, contaminantes, etc.) debían ser corregidos y se le recomendó al cliente realizar mejoras en la instalación de esa estación meteorológica, verificando las recomendaciones de la US EPA para tal efecto.

   Para el receptor 1, tenemos que la modelación con la serie de datos del cliente arrojó impactos durante el día. Al modelar con meteorología del Aeropuerto, los principales impactos ocurren en la noche.

contreras imagen4
Figura 4. Perfil horario en Receptor 1 - Cantidad de horas sobre 1 uoE/m3 -

   En el receptor 2, el análisis de ambas modelaciones arroja la misma diferencia de criterios día –noche, que en el receptor 1.

contreras imagen5
Figura 5. Perfil horario en Receptor 2 - Cantidad de horas sobre 1 uoE/m3

   Para el receptor 3, muestra una diferencia significativa en el horario de impacto, con desfase de casi 6 horas para el mayor impacto.

contreras imagen6
Figura 6. Perfil horario Receptor 3 - Cantidad de horas sobre 1 uoE/m3 -

    

c) Conclusiones Caso 1

   A partir de lo anterior, se compararon los resultados de verificación obtenidos en terreno versus los resultados del modelo con los datos del aeropuerto. La congruencia quedó demostrada. A partir de esos resultados se elaboró el PMO y se definieron los tiempos de ejecución. Junto a lo anterior, el cliente realizó una serie de mejoras en la instalación de la estación meteorológica. Posteriormente, se realizaron 3 estudios en los que se fue evaluando cada una de las medidas de reducción y mitigación. Se comprobó que los datos meteorológicos registrados en la nueva ubicación y condición de la estación meteorológica cumplían los requisitos EPA.

2.2. Caso estudio 2

a) Importancia de la representatividad en la toma de muestra.

      El caso 2 corresponde a una Planta de obtención de aceite vegetal. La presión de la comunidad aledaña les lleva a solicitar caminos de identificación de fuentes y posibles soluciones. Las emisiones provienen de 3 fuentes puntuales, Zona A, B y C. Se sabe también que la operación de una de las 3 fuentes es estacional y responde al tipo de materia prima que se esté trabajando. Adicionalmente, la zona C tiene un impedimento de seguridad para muestrear en el punto y horarios, que sean representativos. Se realizó el plan del levantamiento y se llevó a cabo la ejecución del muestreo, análisis y modelación con CALPUFF View 4.0.

b) Resultados y análisis

Tasa de emisión de olor zona A, B y C
Figura 7: Tasa de Emisión de olor zona A, B y C.

      Los resultados del levantamiento se muestran en Fig. 7, 8, 9 y 10. Una vez obtenidos los resultados de la modelación C98P-1hr= 1 y 5 ou E/m3, se procedió al análisis versus los resultados de la verificación.

contreras imagen8contreras imagen8contreras imagen10
Figura 8: Modelo Zona A
Figura 9: Modelo Zona B
Figura 10: Modelo Zona C

      Como se aprecia en la Figura 10, la modelación de la zona C, C98P-1hr= 1 y 5 ouE/m3no arrojó impacto. Al comparar con la verificación en terreno realizada en las condiciones mencionadas, se obtuvo una percepción de notas de olor que no acusó el modelo. Ver Figuras 11 y 12.

contreras imagen11contreras imagen12
Figura 11: Modelación Zona C
Figura 12: Verificación resultados modelación Zona C
contreras imagen13
Figura 13: Tasa de Emisión de olor Etapa II - zona A, B y C.

      Lo anterior, causó la revisión de todo el proceso tanto operacional como de muestreo y se demostró al cliente que el punto de muestreo no era representativo de la condición de emisión. Se procedió entonces, a como etapa II, a realizar una modelación inversa, Figura 14, y se obtuvo una diferencia en la tasa de emisión casi similar a la zona B, ver Figura 13.

c) Conclusiones Caso 2

contreras imagen14
Fig. 14: Resultados modelación Inversa - Zona C. C98P-1hr= 1 ouE/m3

   Se compararon los resultados de la modelación versus los reclamos recibidos. La congruencia quedó demostrada. A partir de esos resultados se elaboró el PMO, incluyendo rutas de solución y tiempos de ejecución.

3. Conclusiones

   La validación permite corroborar que el resultado de una modelación es coherente con lo percibido en la realidad. Además, las acciones que se derivan de un estudio de este tipo, dan origen a acciones que deben, necesariamente ser acompañadas de la adopción de un adecuado proceso de control de calidad de los resultados a entregar, que aseguren a la industria, autoridades y comunidad, un claro diagnóstico y horizonte de las acciones a realizar.

4. Bibliografía

Department of Environmental Sciences and Management, University of Liége, Belgium. Nicolas et al., 2005. “Estimation of odor emission rate from landfill areas using the sniffing team method”
Gorka Perez-Landa, José Luis Palau, Millán M. Millán, Philippe Ciais. Fundación CEAM, Charles Darwin, Laboratoire des Sciences du Climat et de l’Environnement. Francia. 2006. “Validación de un modelo de predicción meteorológico en terreno complejo: Caracterización de procesos”.
P.S. Farrugia & A. Micallef, Departament of Physics, University of Malta, Malta. 2006. “Comparative analysis of estimators for wind direction standard deviation”,
US EPA. 2000. “Meteorological Monitoring Guidance For Regulatory Modeling Applications”.

 

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