Avances en la Detección de H2S en Plantas de Tratamiento de Aguas: Integración de Machine Learning en Sensores IoT para Medición Eficiente

   Este proyecto demuestra que los sistemas multisensor con sensores electroquímicos, apoyados por modelos de Data Learning, pueden monitorizar el sulfuro de hidrógeno (H₂S) en plantas de tratamiento de aguas residuales de forma precisa y fiable, sin necesidad de calibraciones manuales costosas o frecuentes.

   La fase piloto realizada a principios de 2024 mostró una excelente concordancia con los analizadores de referencia, ofreciendo así una solución innovadora, económica y de bajo mantenimiento para la medición continua de H₂S en EDAR.

M. Padilla, S. Udina, E. Flores, M. Escribano, F. Ramírez & J. Perelló

   ^{Bettair Cities S.L.}

   ^{framirez@bettaircities.com}

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

   Editor académico: Carlos N Díaz.

   Calidad del contenido: Este artículo científico no ha sido revisado por pares.

   Citación: M. Padilla, S. Udina, E. Flores, M. Escribano, F. Ramírez, J. Perelló, 2024, Avances en la Detección de H₂S en Plantas de Tratamiento de Aguas: Integración de Machine Learning en Sensores IOT para Medición Eficiente, Conferencia ODORA24, Barakaldo, Spain, www.olores.org.

   Copyright: 2025 Olores.org. 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: pendiente

   Palabras clave: Olores, odorantes, Sensores IoT, Machine Learning, H₂S, EDAR, monitorización de gases.

Resumen

   Las Estaciones Depuradoras de Aguas Residuales (EDAR) deben medir y gestionar continuamente los niveles de sulfuro de hidrógeno (H₂S), un gas perjudicial para la infraestructura y la salud de los operarios.

   Tradicionalmente, la monitorización se realiza con analizadores de referencia, precisos, pero costosos y que requieren calibración frecuente.

   El presente proyecto explora la capacidad de sistemas de medida multisensor equipados con sensores electroquímicos para medir H₂S con alta precisión y mínima intervención, aprovechando los avances en Aprendizaje de Datos para compensar la degradación sensorial y las variaciones ambientales sin necesidad de calibración manual con gas patrón, ni en fábrica, ni en campo.

   Se presenta parte de un proyecto global de validación y despliegue en marcha durante 2024. En concreto la fase reportada aquí, entre febrero y mayo de 2024 - y a la espera de nuevos resultados - se centró en la implementación y análisis de sensores en una EDAR, donde se compararon los datos recogidos con los de un analizador de H₂S . Los excelentes resultados estadísticos muestran con datos horarios un coeficiente de determinación (R²) de 0.92, un Error Medio Absoluto (MAE) de 12 ppb y una Raíz Cuadrada del Error Cuadrático Medio (RMSE) de 19 ppb, subrayando la calidad y fiabilidad de los datos generados.

   Este enfoque pionero, caracterizado por su bajo coste, ausencia de calibración con gas patrón y el uso eficaz de modelos de Aprendizaje de Datos, proporciona una solución viable para el monitoreo de H₂S en EDAR.

1. Introducción

   Las infraestructuras del ciclo integral del agua enfrentan desafíos ambientales significativos, principalmente relacionados con la emisión de gases odorantes y de efecto invernadero. En particular, las depuradoras de aguas residuales (EDAR) representan fuentes de contaminación preocupantes para gobiernos e instituciones. En Europa, existen más de 25 mil EDAR (EC, 2023), de las cuales más de 2000 están en España.

   En una EDAR, la emisión de sulfuro de hidrógeno (H₂S) es de especial interés debido a sus propiedades corrosivas, inflamables y altamente tóxicas. La inhalación de H2S puede causar efectos adversos significativos en la salud, incluyendo la muerte (Emerson, 2015). Además, el olor característico a huevos podridos del H₂S, cuyo umbral de percepción está entre 0.008 y 0.1 ppm (NRC, 2010), es extremadamente molesto para los vecinos, afectando su calidad de vida, salud y economía local. Por estos motivos, se están buscando soluciones para reducir las emisiones de H₂S (Prathna, 2021).

   Para mitigar la generación de atmósferas perjudiciales, es fundamental monitorear odorantes en el aire mediante analizadores de gases en puntos clave de la planta y sus alrededores. No obstante, las estaciones tradicionales de monitoreo, aunque precisas, son costosas y requieren mantenimiento especializado. Las soluciones basadas en sensores requieren calibración, ya que los sensores electroquímicos de gas presentan desafíos como interferencias, deriva y envejecimiento. Es sabido que la calibración frecuente y precisa con gas patrón y la caracterización exhaustiva del sensor ayudan a lograr resultados confiables y repetibles (Karbach, 2024), pero esta metodología aumenta los costes de operación, la incertidumbre de medida y la dependencia del fabricante.

   En este contexto, los dispositivos bettair®, basados en sensores y técnicas de aprendizaje automático (Machine Learning, ML), ofrecen una alternativa de inversión más eficiente que las estaciones convencionales y otras soluciones IoT, operando con un nivel de precisión similar y requiriendo menor mantenimiento y recalibración, lo que permite una mayor escalabilidad de la tecnología (Figura 1).

   En el pasado, esta metodología de Bettair ha sido validada para los estándares para la medición indicativa de contaminantes urbanos como NO₂, NO, O₂, CO, SO₂, CO₂ y partículas en suspensión, proporcionando datos precisos y fiables sin necesidad de calibración. En concreto, estos dispositivos cumplen con los requisitos tanto europeos (CEN/TS 17660-1:2021) como de la USEPA (Performance Testing Protocols and Targets for Ozone) y han sido reconocidos como el sistema más preciso en el Airlab Challenge 2023. (Airparif and AIRLAB, 2023).

   Sin embargo, la aplicación de la metodología ML en otros gases, como H₂S y NH₃, presenta desafíos significativos. Por una parte, en entornos urbanos, las concentraciones de H₂S y NH₃ suelen ser bajas o moderadas dificultando el entrenamiento de los algoritmos, ya sean físicos o determinísticos. Además, en áreas con altas concentraciones, el mantenimiento de los equipos de medición es irregular debido a que estos gases no están contemplados en la directiva europea que regula la calidad del aire de los gases tóxicos.

   Previo a este ejercicio experimental, las experiencias previas de Bettair en la medición de H2S como odorante, incluyen proyectos en estaciones depuradoras de aguas residuales y plantas de procesamiento de papel. Como resultado, bettair® ha actualizado su tecnología para adaptarse mejor estos entornos, rediseñando la electrónica de sus dispositivos y mejorando sus modelos de ML para mitigar los efectos indeseados de las mezclas de gases, la temperatura, humedad y otros gases interferentes sobre la señal de los sensores.

   Este artículo presenta los resultados del proyecto desarrollado en una EDAR de la Comunidad de Madrid (España) para verificar la adecuación de la metodología ML de Bettair en la medición de H₂S. Reporta el experimento realizado a inicios de 2024, en el cual se instaló un prototipo mejorado para medir H₂S durante 3,5 meses. Se presentan las mediciones del nodo Bettair® y su modelo de calibración, comparados con un equipo de referencia utilizando varias métricas.

   Los resultados validan la hipótesis del experimento, demostrando que es una alternativa viable para la medición indicativa de concentraciones típicas de H₂S en EDAR. Esta solución permite una mayor resolución espacial y temporal que los analizadores tradicionales, y maximiza la eficacia de la inversión al no requerir calibración con gas patrón, ni en fábrica ni en campo.

2. Materiales y métodos

   Para este proyecto, utilizamos un dispositivo bettair® equipado con sensores electroquímicos de gases y sensores ambientales (temperatura, humedad relativa y presión). Como referencia, empleamos el analizador de sulfuro de hidrógeno Ecothech Serinus 55, que toma muestras de aire mediante una sonda ubicada junto al dispositivo en evaluación (Figura 2). Para evaluar la precisión del nodo bettair® mejorado, se ha comparado su señal de salida con la medida de referencia del analizador Serinus utilizando métricas como la Raíz del Error Cuadrático Medio (RMSE), el Error Medio Absoluto (MAE) y el Coeficiente de Determinación (R²), cuyas expresiones son:

    Donde , denotan la medida i = {1, …, N} del nodo y de la referencia respectivamente, , la media de las medidas del nodo y de la referencia respectivamente y ,  las desviaciones estándar de las medidas del nodo y de la referencia respectivamente.

Fig. 2. Detalle del montaje de nodo bettair® y referencia para el proyecto (a), exterior (b) e interior del armario donde se instala el sistema de referencia (c).

   Los modelos se calculan con datos promediados a 5 minutos, utilizando grupos de entrenamiento y prueba con periodos de 7 días intercalados (Aula 2022). Se realizaron dos rondas de evaluación, intercambiando los grupos en la segunda ronda. Se reportan las medias y desviaciones estándar de las métricas de ambas rondas. Es importante destacar que se utilizaron todos los datos para calcular las métricas, sin descartar "outliers".

3. Resultados y discusión

   La Figura 3 muestra las series temporales de concentraciones de H₂S en ppb medidas por el equipo de referencia y por el equipo bettair® promediados a 1h. Puede verse una distribución de las altas concentraciones desigual a lo largo del tiempo: las más altas concentraciones del gas se sitúan en mayo, el último mes del periodo de medidas. Por este motivo ha sido conveniente incorporar medidas distribuidas a lo largo del tiempo en el grupo de entrenamiento.

Fig. 3. Serie temporal de las concentraciones de H2S de referencia y predicha promediadas a 1h.

   Las diferencias entre las dos señales pueden visualizarse claramente en la Figura 4, que muestra la recta de regresión entre las dos señales y la dispersión de las medidas individuales en torno a ella. En esta gráfica hemos descartado los valores extremos para una mejor visualización. Las métricas de evaluación (RMSE, MAE, R², r) se muestran en la Tabla 1.

   Los resultados de la Tabla 1 son muy buenos: en el grupo de test la correlación y la R² son muy altas (>0.92), mientras el RMSE es menor de 20 ppb. Además, la dispersión de las métricas es menor, lo que señala que el modelo es robusto, ya que se han utilizado diferentes conjuntos de entrenamiento y test. Comparando la Figura 3 y la Figura 4, aparte de un sesgo mínimo de 0.5 ppb, se observa que las altas concentraciones de H₂S suelen ser infraestimadas mientras que el error en los valores medios y bajos se produce en ambos sentidos.

Fig. 4. Recta de regresión entre las concentraciones de referencia y la predicha por el dispositivo Bettair®, datos promediados a 1h.

Fig. 5. Métricas de la evaluación por subgrupo de datos.

    Bettair Cities ha desarrollado a lo largo de los años una tecnología propia de transferencia de modelos de calibración de alta precisión que permite que los sistemas comerciales multisensores de calidad del aire obtengan la máxima clasificación de precisión (clase 1) con modelos transferidos. Esta misma tecnología de transferencia se utiliza para transferir el modelo presentado a los nuevos equipos.

4. Conclusiones

   Los excelentes resultados obtenidos en esta fase del diseño experimental, en la medición de la concentración de H₂S en una EDAR con un dispositivo bettair® confirman la precisión y fiabilidad de la tecnología basada en sensores de gases de bajo coste, cuya aplicación en la monitorización de la calidad del aire se expande a entornos más allá del urbano.

5. Referencias

Aula, K., Lagerspetz, E., Nurmi, P., & Tarkoma, S. 2022. Evaluation of low-cost air quality sensor calibration models. ACM transactions on sensor networks, 18(4), 1-32.

European Commission, Environment (2023), Are waste-water treatment plants failing to protect the ecological health of European streams? https://environment.ec.europa.eu/news/are-waste-water-treatment-plants-failing-protect-ecological-health-european-streams-2023-02-15_en

Emerson (2015) Detecting Hydrogen Sulfide Gas and Understanding its Danger in the Field. https://www.emerson.com/documents/automation/technical-note-detecting-hydrogen-sulfide-gas-understanding-its-danger-in-field-rosemount-en-72142.pdf

Karbach (2024) , N., Höhler, L., Hoor, P., Bozem, H., Bobrwoski, N., and Hoffmann, T.: Preparation of low concentration H2 test gas mixtures in ambient air for calibration of H2 sensors, EGUsphere [preprint], https://doi.org/10.5194/egusphere-2024-611, 2024.

Airparif and AIRLAB, 2023. Results of the AIRLAB Microsensors 2023 Challenge. Airlab; 2023. Available from: https://airlab.solutions/en/actualites/resultats-du-challenge-airlab-microcapteurs-2023-203

National Research Council (US) Committee on Acute Exposure Guideline Levels. Acute Exposure Guideline Levels for Selected Airborne Chemicals: Volume 9. National Academies Press (US); 2010. 4, Hydrogen Sulfide Acute Exposure Guideline Levels. Available from: https://www.ncbi.nlm.nih.gov/books/NBK208170/

Prathna, T. C., & Srivastava, A. 2021. Ferric chloride for odour control: Studies from wastewater treatment plants in India. Water Practice & Technology, 16(1), 35-41.v