En la actualidad, los mapas de modelización de olores representan una foto estática sobre la situación de impacto en P98, 1h. Esta información permite el diseño adecuado de medidas de control de olores, respecto a la reducción de emisiones o la mejora de la dispersión; sin embargo, ésta no es suficiente para llevar a cabo una gestión operativa y proactiva de los posibles riesgos de impacto por olor, los cuales están asociados a las operaciones de la instalación.
Una plataforma como EnviroSuite es un producto tecnológico que aporta una solución integral, diferenciándose por la capacidad de gestión de riesgos medioambientales a tiempo real y predictivo. El objetivo principal de esta plataforma es mejorar la eficiencia operativa en la industria, a través de la planificación empresarial y el enfoque en el cumplimiento ambiental.
A.V. Harreveld*, L. Rodríguez y E. Pagans
Odournet S.L., Av. Corts Catalanes, 5-7. Nave 3. Parc Empresarial Trade Center. 08173 Sant Cugat del Vallès (Barcelona)
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: A.V. Harreveld, L. Rodríguez y E. Pagans, 2017, ¿Cómo determinar el origen de malos olores? Beneficios del control operacional en la industria mediante Plataforma Digital Predictiva de riesgos ambientales, IV Conferencia Internacional sobres gestión de Olores y COVs en el Medio Ambiente, Valladolid, 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: 978-84-697-7359-8
Palabras claves: EnviroSuite, modelización, sistema predictivo, retrotrayectoria, gestión de quejas, meteorología.
Vídeo
Resumen
En la actualidad, los mapas de modelización de olores representan una foto estática sobre la situación de impacto en P98,1h. Esta información permite el diseño adecuado de medidas de control de olores, respecto a la reducción de emisiones o la mejora de la dispersión; sin embargo, ésta no es suficiente para llevar a cabo una gestión operativa y proactiva de los posibles riesgos de impacto por olor, los cuales están asociados a las operaciones de la instalación.
Una plataforma como EnviroSuite es un producto tecnológico que aporta una solución integral, diferenciándose por la capacidad de gestión de riesgos medioambientales a tiempo real y predictivo. El objetivo principal de esta plataforma es mejorar la eficiencia operativa en la industria, a través de la planificación empresarial y el enfoque en el cumplimiento ambiental.
1. Introducción
¿en qué consiste una solución de análisis predictivo para la gestión de olores?
EnviroSuite ofrece soluciones que van desde (1) la monitorización de los parámetros que apliquen, con objeto de tener una visualización continua de dichos valores y poder detectar anomalías, adelantándose a condiciones no deseadas, (2) pronóstico meteorológico predictivo (72 h. vista) y modelos de dispersión a tiempo real (Calpuff), con el objetivo de entender y replanificar operaciones en condiciones adversas, evitando problemas potenciales mediante la realización de actividades de mayor riesgo bajo las condiciones climáticas más favorables, (3) gestión de incidentes e identificación de fuentes potenciales mediante análisis de retrotrayectoria, así como con un manejo proactivo quejas, los cuales pueden ser identificadas mediante una app gratuita, así como gestionarse mediante sistemas de registro.
Estas aplicaciones generan capas de información complementarias entre sí, las cuales constituyen información de valor para implementar el control operacional en la industria que aplique, anticipándose a momentos potenciales críticos. Así mismo, esta información se canaliza mediante informes automatizados y gráficos de comprensión y visualización sencilla, de forma que cualquier persona con acceso a la plataforma pueda visualizar información compleja de forma simplificada.
2. Identificación del foco de olor
La situación en la que más de una instalación en un entorno industrial emite olores no deseados es muy común. La pregunta cuando existen varios actores clave en el mismo entorno es, ¿quién es responsable de dichas emisiones? Desde hace tiempo, se vienen instalando estaciones de monitoreo de aire y narices electrónicas con el objetivo de responder esta pregunta. No obstante para ellos es necesario contar con una red lo suficientemente densa, así como con episodios de olor frecuentes y/o con cantidad de olor suficiente, para ser detectables por estos dispositivos.
El uso de un método alternativo, utilizando el análisis de trayectoria inversa para determinar el recorrido del “puff” o masa de aire oloroso causante de la molestia es menos común. Se necesita un modelo meteorológico localizado no estacionario de alta resolución, con objeto de alcanzar la precisión requerida para rastrear la trayectoria de la masa de aire con respecto a su fuente potencial. La combinación de eventos de percepción de olores (tiempo y ubicación) precisos, preferiblemente utilizando una aplicación telefónica con geolocalización y un modelo preciso de campo de viento, puede proporcionar información útil para 2 objetivos:
- La trayectoria inversa permite confirmar la plausibilidad de que una instalación u otra sea el foco responsable de la observación del olor. La retrotrayectoria se visualiza en el mapa, esta se genera automáticamente una vez que los datos de la queja (a través de app, página web) se vuelcan en la plataforma. Este análisis visual constituye una herramienta poderosa, ya que permite demostrar la plausibilidad o no de la queja, así como actuar de forma rápida en caso de que el foco responsable se sitúe en las instalaciones del cliente.
- Obtener información clara y cuantitativa sobre la procedencia de los impactos de olor atribuidos a diferentes fuentes, ya que hay un mayor número de observaciones procedentes de voluntarios, ciudadanos, miembros del personal o miembros del panel. Esta información puede ser utilizada para calcular la frecuencia del riesgo del potencial impacto de olor en el entorno, debido a los diferentes focos potenciales.
![]() |
Figura 1. Identificación foco de olor mediante análisis de retrotrayectoria. |
3. La relevancia del 98 percentil:
¿Cuándo actuar para evitar el impacto?
El impacto de olor de una instalación se evalúa en base a las 175 horas más desfavorables del año, el percentil 98. El hecho que la instalación pueda tener una previsión de estas horas y en consecuencia poner en marcha las acciones para reducir el riesgo de impacto de olor, permitiría reducir significativamente estos impactos.
Es interesante comentar que la variación de la concentración de olor en el ambiente debido a la dispersión es un factor significativamente más relevante que los cambios asociados a la tasa de emisión de olor. Este hecho se debe a que la distribución de la concentración ambiental en un receptor bajo el impacto de una fuente de emisión continua varía de forma significativa tanto por la dirección y la velocidad del viento, como por la turbulencia en la capa de mezcla. En un ejemplo práctico esta concentración en inmisión puede tener una relación de máximo con respecto al promedio entre 4 y 39. Por el contrario, para muchas industrias la variación de la tasa de emisión es más limitada, de un factor de 2 a 3 (Van Harreveld, 2012).
Por el otro lado, en el mismo ejemplo práctico, la Figura 2 y 3 muestra la distribución de las concentraciones de olor en un punto receptor. Si observamos las horas críticas del año, el 2% de horas peores (Figura 3), la distribución es tal que el riesgo de causar impacto por olor se concentra en un número limitado de horas al año.
![]() |
![]() |
Figura 2. Distribución de las concentraciones de olor en un punto receptor. | Figura 3. Distribución de las concentraciones de olor en un punto receptor: 2% de horas peores. |
Estas horas típicamente tienen lugar hacia al anochecer y especialmente a primera hora de la mañana (Figura 4). Sin embargo, estas horas no siempre coinciden con velocidades de viento bajas (Figura 5).
![]() |
![]() |
Figura 4. Distribución horaria del 2% de horas peores. | Figura 5. Distribución de velocidades de viento durante el 2% de horas peores (rojo) y durante el resto del año (gris). |
En este sentido no es tan fácil identificar estas peores horas del año. La hora del día, combinada con ciertas velocidades del viento y las variables de dispersión proporcionan la mejor correlación. Básicamente en el contexto local, estas condiciones y una dirección concreta del viento habitualmente tienen lugar únicamente en unas horas específicas del año. En cualquier caso, la mejor manera de predecir estas horas peores del año y permitir una planificación proactiva del impacto, pasa por tener el mejor modelo de dispersión 3D posible con los mejores datos de observación WRF combinados con datos meteorológicos de estaciones locales.
El módulo de modelización de EnviroSuite se alimenta de estos datos para modelizar a tiempo real y en continuo los escenarios que se requieran. La herramienta permite visualizar posibles impactos en el área de estudio a tiempo real y a futuro, hasta 72 h. vista, proporcionando otra capa de información adicional al análisis de trayectoria inversa. El modelo utiliza datos del Global Forecast System (GFS) procedente del National Oceanic and Atmospheric Administration (NOAA). Esta información se modela través del Weather Research Forecast Model (WRF). El WRF permite modelar a escala regional, la plataforma puede integrar datos externos (estaciones meteorológicas localizadas en emplazamientos) lo cual conlleva a afinar y enriquecer el modelo meteorológico que se procesará con Calmet.
4. Inteligencia de incidentes
En el módulo de inteligencia de incidentes el esquema de trabajo sería el siguiente:
(a) Se reciben quejas por olor, (b) se recopila la información clave relacionada con la queja (localización geográfica, tiempo, duración, etc.) mediante el módulo de gestión inteligente de incidentes, (c) en unos minutos se genera el análisis de trayectoria inversa, esta información se almacena junto con la información de registro de la queja, la cual a posteriori, permite determinar si esta queja es válida, inválida y si se ha identificado la fuente más probable, (d) se consulta la modelización a tiempo real en el área de estudio, de forma que se obtiene una capa adicional de información para evaluar la plausibilidad de la queja, (e) se genera compromiso tanto con la comunidad como con las industrias de la zona, dado que tenemos un análisis de información relevante prácticamente al momento de recibir una queja.
A continuación, la Figura 6 muestra el uso de plataformas de modelación en línea, así como el análisis de trayectoria inversa como una opción más económica que las redes de monitorización continua de olores.
![]() |
Figura 6. Seguimiento de análisis de quejas y resolución mediante plataforma predictiva EnviroSuite. |
5. Conclusiones
Una plataforma predictiva como EnviroSuite pone en manos de la industria una herramienta de control operacional, la cual nos permite actuar en las horas críticas del año (2% de las horas anuales, 175h). La posibilidad de modelizar en línea, así como el posible análisis de trayectoria inversa desde el punto de origen de una queja, permite identificar los impactos potenciales a futuro, así como las fuentes de origen, de forma que existe la posibilidad de actuar sobre ciertos procesos minimizando o eliminando dicho impacto. EnviroSuite fomenta la interacción entre la industria y la ciudadanía, abogando por la sostenibilidad social a través de las buenas relaciones comunitarias.
6. Referencias
Van Harreveld A.P., 2012. Vo. 30, The need for continuous odour monitoring techniques in odour management and currently available technical solutions. The Italian Association of Chemical Engineering, Copyright © 2012, AIDIC Servizi S.r.l., ISBN 978-88-95608-21-1; ISSN 1974-9791.