Development of artificial intelligence systems for signal processing and signal enhancement in particulate matter sensors

Resumen

La Organización Mundial de la Salud (OMS) afirma que la contaminación del aire será una preocupación ambiental importante en los próximos años, lo que conlleva un mayor énfasis en acciones enfocadas a la reducción de los niveles de contaminantes en el aire, siendo la materia particulada (PM) el contaminante más dañino para la salud, con una gran parte de la población expuesta a concentraciones que exceden los estándares de la OMS. En este sentido, la monitorización de la calidad del aire es esencial para conocer los niveles de contaminantes en el aire. Sin embargo, el empleo de equipos de medición es costoso y poco automatizable, por lo que es necesario recurrir a nuevos paradigmas como el Internet de las Cosas (IoT) que son capaces de ofrecer soluciones de menor coste. Sin embargo, los dispositivos IoT presentan sesgos importantes en los procesos de medición, especialmente en lo que respecta a partículas, debido a la influencia de factores externos como la humedad. Por ello, esta tesis explora soluciones para mejorar la señal en sensores de partículas utilizando una metodología bottom-up. En primer lugar, se ha desarrollado un sistema hardware corrector de humedad basado en columnas de silicona, que ha sido evaluado con respecto a los métodos de referencia. A continuación, se ha desplegado una capa edge que permite el procesamiento de datos mediante modelos de machine learning para realizar predicciones de concentración de partículas a corto plazo. Posteriormente, los datos hiperlocales de los dispositivos se utilizan para calibrar el modelo de transporte químico CHIMERE-WRF. Los resultados demuestran que el sistema de secado desarrollado mejora la precisión en PM2.5 en comparación con los sensores existentes, con un coeficiente de determinación (R2) igual a 0.83. Además, estos dispositivos pueden integrarse fácilmente en una arquitectura IoT-Edge-Cloud para la evaluación de riesgos en entornos laborales, utilizando el aprendizaje automático para predecir superaciones con una precisión del 80 %. Por otro lado, la calibración del modelo CHIMERE-WRF permite mejorar la correlación del sistema en un 63 % para NO2 y un 25 % para O3. Por último, una nueva propuesta de zonificación de la calidad del aire para la Región de Murcia, utilizando una metodología automatizada, permite identificar nuevos puntos de monitorización. En conclusión, la combinación de mediciones hiperlocales de calidad del aire y simulaciones con modelos de transporte químico permite mejorar la medición de partículas y la generación de productos para evaluar el impacto en la sostenibilidad de diferentes políticas. Estos conocimientos son cruciales en el sector de Ciudades Inteligentes. El desafío futuro radica en aplicar grandes cantidades de datos generados por IoT en escenarios más complejos y soluciones digitales para ciudades