Este artículo presenta un enfoque para el muestreo continuo en conductos, diseñado para alimentar un SIVO entrenado con datos de olfatometría dinámica del mismo sistema. El sistema permite muestrear secuencialmente los flujos de entrada y salida de olores a través de un dispositivo de reducción, evaluando su eficiencia.
Se abordan problemas como la disminución de la humedad, ajustes de hardware/software para fluctuaciones de temperatura y algoritmos para correlacionar las concentraciones de olor entre el muestreo y el SIVO. Se presentan los resultados de un sistema calibrado en campo, instalado en una planta de tratamiento de residuos, donde se analizaron tanto las fluctuaciones de olor durante el ciclo diario como la eficacia de la unidad de reducción de olores.
F. Cangialosia 1*, A. Fornarob 2
1 Tecnologia e Ambiente (T&A), Putignano (BA), Italia
2 Labservice Analytica, Anzola Dell’Emilia (BO), Italia
* federico.cangialosi@icloud.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: F. Cangialosia, A. Fornarob, 2024, OSMOTREFF: an instrumental odor monitoring system from fixed emission sources, ODORA24 Conference, 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: SIVO, IOMS, olfatometría dinamica, algoritmos de aprendizaje, condensación, monitorización.
Vídeo
Resumen
En los últimos años, se han realizado avances significativos en el desarrollo de Sistemas Instrumentales de Monitorización de Olores, aunque se dispone de muy pocos datos para la medición SIVO en fuentes de emisión y se cree que la causa principal está asociada a problemas que afectan al muestreo continuo de corrientes con alta humedad. En este artículo mostramos un enfoque desarrollado para el muestreo continuo de conductos de flujo dirigido a alimentar un SIVO entrenado con datos de olfatometría dinámica (OD) recogidos del mismo sistema de muestreo. El sistema fue ideado para muestrear secuencialmente dos flujos de conductos, permitiendo la caracterización de los flujos de olor de entrada y salida a través de un dispositivo de reducción de olores mientras se monitoriza su eficiencia en la reducción de olores. Las principales cuestiones de diseño abordadas incluyen: 1) la disminución de la humedad relativa a través de la dilución controlada, 2) la implementación de ajustes de hardware y software para dar cuenta de las fluctuaciones de temperatura durante el funcionamiento prolongado y 3) el desarrollo de algoritmos para establecer correlaciones entre las concentraciones de olor obtenidas a través de muestreo / medición de acuerdo con EN 13725:2022 y la concentración de olor instrumental proporcionada por SIVO. Aquí presentamos los resultados calibrados en campo del muestreo continuo acoplado al SIVO: el dispositivo se instaló a través de los conductos de flujo tanto aguas arriba como aguas abajo de una unidad de reducción de olores dentro de una planta de tratamiento de residuos. Tras la formación/calibración final, el sistema funcionó durante varias semanas y se presentan los datos recogidos de concentración instrumental de olor: el análisis abarca tanto las fluctuaciones de olor a lo largo del ciclo de trabajo diario de la planta como la eficacia de la unidad de reducción instalada para reducir la concentración instrumental de olor.
1. Introducción
La adopción de medidas reglamentarias más estrictas, impulsada por una mayor sensibilidad de la población a las emisiones de olor, ha espoleado los esfuerzos de investigación y desarrollo destinados a vigilar y controlar las emisiones de olor de las instalaciones industriales. En la última década, las narices electrónicas o sistemas instrumentales de vigilancia de olores (SIVO) han cobrado importancia, debido a la adopción de conjuntos de sensores de bajo coste y a la capacidad generalizada de los algoritmos de aprendizaje automático. Esta tecnología se ha aplicado en varios estudios de casos medioambientales, especialmente en situaciones en las que la detección de inmisiones de olor, es decir, los olores del aire ambiente a lo largo de la valla de la planta industrial, es una preocupación importante (Oliva at al., 2021, Cangialosi at al., 2021, MacDondald et al. 2022). Por otra parte, aunque las emisiones suelen estar bien definidas en cuanto a los procedimientos de muestreo para analizar la concentración de olor, especialmente en el caso de las fuentes de emisión estacionarias (como se indica en la norma EN 13725:2022), se hace poco hincapié en la monitorización continua destinada específicamente a detectar compuestos olorosos. En consecuencia, existe una notable escasez de datos bibliográficos relativos a la medición de Sistemas Instrumentales de Vigilancia de Olores (SIVO) en fuentes de emisión. En tales escenarios, donde las muestras de OD suelen estar disponibles para tareas sencillas de formación y calibración, pueden surgir desafíos debido a problemas asociados con el muestreo continuo de corrientes con alta humedad. Un estudio de caso digno de mención, en el que SIVO se instaló cerca de la fuente de emisión (Prudenza e al., 2023), implicó el uso de un sistema de dilución. En este trabajo, se describe una tecnología para el muestreo continuo y posterior análisis de los flujos de aire dentro de los conductos de flujo para determinar la concentración de olor. El sistema (OSMOTREFF®) fue diseñado para muestrear secuencialmente dos flujos de conducto distintos, permitiendo la caracterización tanto de los flujos de aire de entrada (en adelante definidos como «brutos») como de salida (definidos como «limpios») que pasan a través de un dispositivo de reducción de olores. Esta evaluación implica la medición de la concentración química de compuestos seleccionados y la posterior cuantificación de la Unidad Instrumental de Olor (IOU/m3) tras un exhaustivo proceso de formación y calibración. Esta calibración se lleva a cabo utilizando muestras recogidas del mismo sistema y analizadas mediante olfatometría dinámica (DO) de acuerdo con la norma EN 13725:2022.
2. Materiales y métodos
2.1 Muestreo contínuo de las emisiones de olor: desarrollo del prototipo
En la Figura 1 se muestra el esquema del sistema OSMOTREFF® (dentro del cuadrado punteado), junto con las líneas de muestreo de una unidad industrial de reducción de olores.
 |
| Fig. 1. Esquema de OSMOTREFF® (dentro del cuadro punteado), junto con las líneas de muestreo de una unidad industrial de abatimiento de olores. |
El principal reto de diseño que se abordó fue la reducción de la humedad relativa mediante dilución controlada: de hecho, encontrar emisiones de chimeneas con niveles de humedad inferiores al 80% es muy poco habitual, sobre todo en emisiones asociadas a plantas de tratamiento de residuos o aguas residuales. En tales condiciones, los conductos de muestreo se obstruyen rápidamente con agua condensada, mientras que es probable que se produzca corrosión o daños en los sensores en pocas semanas de funcionamiento continuo. Para hacer frente a esta preocupación principal, se ideó un sistema de dilución dinámica utilizando dos bombas de diafragma, que funcionaban en una configuración maestro/esclavo y estaban controladas digitalmente por un PLC. Se seleccionaron bombas de diafragma por sus características: gran inercia, mínimo sobrecalentamiento y ausencia de piezas lubricadas en contacto con la muestra. Estas características mitigan problemas como el efecto memoria, la contaminación de la línea de bombeo o las alteraciones en el perfil de olor del flujo de gas. Una de las dos bombas (bomba maestra) está conectada a un sistema de tratamiento capaz de eliminar la humedad y los compuestos olorosos del aire ambiente de dilución. El diseño fluídico del sistema OSMOTREFF® incorpora una cámara de dilución construida con material inerte. Dentro de esta cámara, el caudal de aire de dilución se regula en función de los ajustes definidos por el usuario. Posteriormente, la bomba auxiliar extrae el flujo de gas mezclado de la cámara, dirigiéndolo a la cámara del sensor. El caudal de la bomba auxiliar, es siempre igual o superior al de la bomba maestra que suministra aire de dilución.
Si Q0 es el caudal extraído de la línea de muestreo (ya sea «bruta» o «limpia») con una concentración C0 y αQ0 representa el caudal de aire de dilución, el índice de dilución Dil puede definirse como sigue:
 |
(1) |
donde el denominador es el caudal de la bomba auxiliar que extrae el gas mezclado de la cámara.
Dado el papel fundamental de las bombas de diafragma en la configuración fluídica del diluyente dinámico, ambas bombas se regulan con precisión mediante dos controladores de caudal másico equipados con electroválvulas integradas para garantizar un control óptimo. Para controlar la posible condensación en el flujo diluido, los sensores de temperatura y humedad de la cámara de dilución proporcionan continuamente lecturas digitales al controlador. Dentro del PLC, se ha implementado una rutina operativa para supervisar las distintas fases de muestreo de las corrientes «bruta» y «limpia», con un ciclo intermitente de lavado de la cámara de fluidos y sensores. Como resultado, el sistema funciona en un bucle continuo, ejecutando un programa cíclico. Este programa implica el muestreo de la corriente «bruta» o «limpia» a la relación de dilución designada, con cada intervalo intercalado por una fase de enjuague. Por consiguiente, un ciclo completo comprende la secuencia siguiente: crudo-aclarado-aclarado limpio. Durante la fase de aclarado, sólo se introduce aire ambiente filtrado en el sistema para limpiar los conductos y la cámara del sensor después de cada paso de muestreo, evitando así cualquier posible contaminación cruzada entre las dos corrientes. El PLC también está programado para controlar un grupo de electroválvulas accionadas dentro del colector de distribución de flujo para distribuir el gas mezclado desde la cámara de dilución a las siguientes líneas:
a) SIVO: Línea dedicada a los sensores con un caudal ajustable desde 1 L/min hasta un máximo de 3 L/min.
b) Bolsa 1&2. Líneas dedicadas para el llenado de bolsas para análisis olfatométrico según EN 13725:2022.
c) Trampa de adsorbente. Línea dedicada para la toma de muestras de soportes adsorbentes para análisis químico en laboratorio.
2.2 Integración del diluyente con SIVO: muestreo y medición continuos de olores
La cámara de sensores SIVO (NetPID Plus, Labservice Analytica, Anzola Dell'Emilia (BO), IT), fabricada con material inerte e inodoro, está conectada de forma fluida a la línea de gas aguas abajo de la bomba auxiliar del módulo de dilución a través del colector de distribución de flujo. Los sensores instalados en la cámara SIVO incluyen un detector de fotoionización (PID) calibrado en isobutileno para COV, y dos sensores electroquímicos para H2S y NH3. Sin embargo, el modelo empleado en este estudio de caso sólo estaba equipado con sensores de COV y H2S. La integridad del sellado de la cámara garantiza tanto la precisión de las mediciones como la protección de los componentes electrónicos, al tiempo que evita acumulaciones de gas potencialmente peligrosas en el interior de la caja debido a fugas de gas. Tras la medición, el gas se expulsa de la caja del sistema a través de un sistema de circulación forzada de aire, diseñado también para mitigar el impacto de las fluctuaciones de temperatura en la respuesta del sensor, mejorando así el rendimiento y la fiabilidad generales. El sistema de adquisición y procesamiento de datos funciona en dos fases lógicas distintas:
A. Inicialmente, calcula los valores incrementales de concentración relativos a las condiciones de fondo para cada sensor (C(t)- CBl), utilizando los datos brutos adquiridos, que contienen información agregada de los ciclos de tratamiento (relaciones de dilución para la corriente «bruta» y «limpia», muestreo y tiempo de aclarado).
Con referencia al esquema de la Figura 1 y teniendo en cuenta la definición proporcionada en la Ec (1), suponiendo que la cámara de dilución está completamente mezclada, es sencillo establecer que la concentración C(t), para cada compuesto químico detectado en la cámara del sensor, sigue una ecuación diferencial ordinaria (EDO) de primer orden, cuya solución es:
 |
(2) |
Donde:
CBl es la concentración de referencia, cuando sólo se suministra aire de dilución filtrado al sistema;
Cmix indica la concentración alcanzada en equilibrio cuando se mezclan la corriente de alimentación (ya sea «bruta» o «limpia») con una concentración C0 y la corriente de dilución (caudal αQ0), igual a C0/(1+α);
τ es la constante de tiempo del proceso de dilución, dada por la relación entre el volumen de la cámara de dilución (Vmix) y el caudal total resultante del proceso de dilución: Qmix = Q0(1+α).
En el rango típico de funcionamiento, Qmix es de unos 2 l/min y τ es Vmix/Qmix =4,8 s. Por lo tanto, el tiempo (t90 mix) que hay que esperar para tener el 90% de la concentración final mezclada Cmix es de 2,3 τ = 11 s. Un sensor de CE típico (como el de H2S) tiene un tiempo de respuesta de paso (t90 sensor) de 40-50 segundos. Esto sugiere que la fase de mezcla/dilución no es el paso que limita la velocidad en el proceso de muestreo-dilución-medición, lo que garantiza que la señal medida no se ve afectada por el dispositivo de muestreo continuo.
B. En la segunda fase, un algoritmo, entrenado en muestras de OD recogidas por el propio sistema de muestreo, utiliza los datos de concentración incremental para calcular las unidades instrumentales de olor (IOU/m3) tanto para la corriente «bruta» como para la «limpia».
Los datos de las unidades instrumentales de olor para los dos flujos de muestreo y la eficiencia de la reducción de olores se sincronizan en una plataforma en la nube, lo que permite el acceso en tiempo real a los datos, el análisis de tendencias basado en el intervalo de tiempo definido por el usuario y el establecimiento de valores umbral para notificaciones automáticas por correo electrónico en caso de que se superen las condiciones establecidas.
2.3 Instalación de la planta y formación in situ
Los datos presentados en este documento proceden de la primera campaña experimental de larga duración, que duró varios meses. OSMOTREFF® se instaló en una planta de tratamiento de RSU para evaluar el rendimiento de un lavador húmedo que trata el aire extraído (25.000 Nm3/h) antes de un biofiltro. El biofiltro en el estudio es una fuente de área activa, por lo que no fue posible instalar OSMOTREFF® para muestrear el aire después del tratamiento del biofiltro y evaluar la eficiencia del biofiltro, pero esto debería ser factible en el caso de un biofiltro cerrado, donde el aire tratado se emite por una chimenea. Tras varias pruebas preliminares y mejoras del sistema, en particular para abordar el problema de la temperatura que afectaba inicialmente a la respuesta del sensor, el sistema se sometió a una optimización en términos de duración del ciclo (crudo-enjuague-limpio-enjuague) y relación de dilución Dilución para lograr una respuesta óptima del sensor. De hecho, como se menciona en el párrafo anterior, la duración de la fase de muestreo «en bruto» (o «limpia») y de la fase de aclarado posterior no está limitada por la fase de muestreo/dilución, sino que viene determinada por el menor tiempo de respuesta del sensor. Para el presente estudio de caso, cada ciclo se configuró para que durara 5 minutos, lo que permitía medir tres puntos de datos de la corriente «bruta» (muestra de aire sin tratar) y tres puntos de datos de la corriente «limpia» (muestra de aire después del tratamiento con depurador húmedo) en 1 hora. Con esta configuración, es factible recoger hasta seis bolsas de muestras por hora para el análisis de olfatometría dinámica (DO) de acuerdo con la norma EN 13725:2022 (tres para la corriente «bruta» y tres para la corriente «limpia»). Para el desarrollo y entrenamiento del algoritmo final utilizado para derivar la unidad de olor instrumental a partir de la respuesta de los sensores, se recogieron un total de 42 muestras que fueron analizadas mediante Olfatometría Dinámica (DO) de acuerdo con la norma EN 13725:2022 por el laboratorio T&A. Los algoritmos utilizados para el cálculo del olor instrumental se describen en otro lugar (Cangialosi et al., 2021); aquí, basta con mencionar que se pueden extraer, analizar y utilizar menos señales y características para los algoritmos de aprendizaje automático debido al bajo número de sensores. Sin embargo, esto se compensa con la respuesta más clara de los sensores obtenida de las emisiones de fuentes estacionarias, lo que elimina la necesidad de un pretratamiento o filtrado específico de las señales.
3. Resultados y discusión
3.1 Obtención de datos
En la siguiente figura se muestran los datos brutos adquiridos por los sensores PID y electroquímicos. Los ciclos de trabajo son fácilmente reconocibles, ya que los picos más altos (para COV y H2S) corresponden al análisis del gas bruto, los picos más bajos corresponden al análisis del gas limpio, mientras que las fases de aclarado entre un ciclo «bruto» y «limpio» corresponden a los trozos de concentración decreciente de la señal.
 |
| Fig. 2. OSMOTREFF® datos crudos de respuesta: en azul (eje izquierdo) concentración de VOC, en rojo (eje derecho) concentración de H2S. |
Los gráficos de la primera columna (Figuras 3a y 3b) muestran los datos del sensor PID (COV) y del sensor de H2S, respectivamente, revelando una tendencia con picos periódicos que representan las respuestas de los sensores a los flujos «crudo» y «limpio». Una vez establecidas las duraciones de cada fase del ciclo de trabajo (crudo-enjuague-limpio-enjuague), una rutina de procesamiento de datos calcula los valores de concentración incremental relativos a las condiciones de fondo para cada sensor (C(t)-CBl) y para cada flujo. Estos valores de concentración incremental se representan en las Figuras 3c y 3d para COV, donde los datos recogidos de las muestras no tratadas se representan en líneas continuas (rojas). Las Figuras 3e y 3f ilustran los datos de H2S para las corrientes «brutas» y «limpias». Simplemente examinando las escalas de los gráficos, puede señalarse que el lavador puede conseguir aproximadamente una reducción del 50% en términos de COV. Sin embargo, el H2S no parece verse afectado por el tratamiento del depurador húmedo, como era de esperar, dado que el depurador no emplea productos químicos (como NaOH) para tratar los compuestos reducidos de azufre.
 |
| Fig. 3a-f. Datos de OSMOTREFF®: Figuras a) y b): respuestas de datos crudos para VOC y H2S. Fig. 3c y 3d: concentraciones incrementales de VOC para los flujos “crudo” y “limpio”. Figuras 3e y 3f: concentraciones incrementales de H2S para los flujos “crudo” y “limpio”. |
3.2 Unidad de olor instrumental a partir de los datos de los sensores
En la Figura 4, se muestra la unidad de olor Instrumental para el mismo intervalo de tiempo de 24 horas que en las Figuras 3a-f.
 |
| Fig.4. Respuesta de datos OSMOTREFF® en IOU/m3 (en azul concentración limpia, en rojo concentración cruda). |
En un próximo artículo se ofrecerá un análisis detallado de la correlación entre los análisis de OD y los datos del SIVO. Una conclusión que merece la pena destacar aquí es que la simple correlación de un solo sensor no es suficiente para la predicción de olores, como también han destacado recientemente Prudenza et al. (2023). De hecho, se descubrió que dentro del mismo rango de concentraciones de COV detectadas por el PID, se observan diferentes valores de concentraciones de olor para las corrientes «crudas» y «limpias», y esta diferencia parece aumentar a medida que aumenta la concentración. Evidentemente, la compleja composición química del gas «limpio» difiere de la del gas «bruto», e incluso si el sensor PID, calibrado en isobutileno, da respuestas similares para ambas corrientes, las concentraciones de olor correspondientes pueden ser, y de hecho son, notablemente diferentes debido a las distintas composiciones químicas antes y después del tratamiento. Estos resultados ponen de manifiesto lo siguiente: los sistemas multisensor más sencillos y rentables, en comparación con los SIVO más complejos utilizados para el análisis del aire ambiente o de las vallas, pueden utilizarse para aplicaciones de alta concentración, como las emisiones en origen. Sin embargo, hay una contrapartida: los multisensores entrenados como SIVO para fuentes de emisión estacionarias pueden carecer de generalidad, lo que requiere que el entrenamiento se realice considerando datos «limpios» separados de los datos «brutos». Además, el algoritmo de entrenamiento debe seleccionarse para tener en cuenta todas las respuestas de los sensores, explorando correlaciones no lineales con datos de OD. Las mezclas químicas que contienen dos o más sustancias químicas, cada una de ellas con un umbral de olor y un valor de actividad de olor, a menudo presentan una concentración de olor que difiere significativamente de la combinación lineal de los valores de actividad de las sustancias químicas individuales, lo que demuestra un comportamiento no lineal y multicomponente (Szulczyński y Gębicki, 2019). Tras una extensa fase experimental, se desarrolló un procedimiento estandarizado que incluía entre 40 y 50 muestras de OD y un algoritmo ML apropiado. La validez del algoritmo y el número óptimo de muestras de entrenamiento se comprobaron comparando los resultados de la concentración de olor en DO antes y después del tratamiento con la concentración instrumental de olor IOU/m3 (Cangialosi y Fornaro, 2023). En este caso de estudio, se emplearon 42 muestras para el entrenamiento y las pruebas de ML. Una vez integrado en el sistema OSMOTREFF®, el algoritmo calcula Unidades Instrumentales de Olor (IOU/m3) en tiempo real basándose en las concentraciones incrementales derivadas de la adquisición de datos multisensor.
Es importante destacar que 1) las concentraciones de olor «bruto» presentan un aumento de cuatro veces en el mismo día, coincidiendo los picos con las actividades de tratamiento mecánico de residuos en los edificios; 2) la eficiencia de reducción de olores del depurador durante el periodo de 24 horas es de aproximadamente el 85%, un valor notablemente alto, aunque se recomienda precaución en su interpretación, ya que los análisis a largo plazo del rendimiento del sistema pueden ofrecer datos más representativos. La eficacia del tratamiento de olores es significativamente superior a la derivada del análisis de las concentraciones de un solo sensor (50% para COV y casi cero para H2S). Esta discrepancia se debe a que las concentraciones de olor asociadas a los valores PID obtenidos de la corriente «bruta» son mucho mayores que las obtenidas de la corriente «limpia». Esto pone de manifiesto la importancia de no utilizar exclusivamente concentraciones de sensores individuales para evaluar la eficacia de la reducción de olores. Si no se utiliza un conjunto de datos completo de muestras de OD junto con algoritmos de aprendizaje automático diseñados adecuadamente, este enfoque puede dar lugar a resultados muy engañosos.
4. Conclusiones
En este artículo hemos resumido los avances realizados en el campo de los sistemas instrumentales de monitorización de olores para emisiones estacionarias. Estos avances permiten la caracterización de las concentraciones de olor del flujo de aire de entrada y salida a través de un depurador húmedo mientras se monitoriza su eficiencia en la reducción de olores. El esquema del dispositivo (OSMOTREFF®), diseñado para el muestreo continuo con dilución dinámica, se presenta junto con la integración con un SIVO compuesto por un sensor PID y dos sensores electroquímicos para la detección de sulfuro de hidrógeno y amoníaco. Teniendo en cuenta el tiempo de respuesta típico de los sensores, que se ha identificado como el paso que limita la velocidad en el proceso de muestreo-dilución-análisis, el sistema puede medir hasta 6 puntos de datos por hora, es decir, tres puntos de datos de la línea de muestra sin tratar («cruda»), y tres de la línea de muestra después del depurador húmedo («limpia»). Tras entrenar el SIVO con 42 muestras analizadas en olfatometría dinámica, se calculan las unidades instrumentales de olor (IOU/m3) a partir de las curvas de respuesta de los sensores en tiempo real. Los datos de campo recogidos durante un periodo de 24 horas en un lavador húmedo industrial, que trataba el aire procedente de una planta de tratamiento de residuos sólidos urbanos, mostraron notables variaciones en las concentraciones de olor a diario, con fluctuaciones de hasta el 400% en términos de variación pico a base. La eficacia de tratamiento del depurador para la reducción de olores fue de aproximadamente el 85% durante el periodo de seguimiento, mientras que la reducción de la concentración del sensor único fue del 50% para los COV e insignificante para el sulfuro de hidrógeno. Esta diferencia se explica por pruebas experimentales que indican que las concentraciones de olor (determinadas según la norma EN 13725:2022) correspondientes a los mismos valores PID medidos en la corriente «bruta» son significativamente superiores a las medidas en la corriente «limpia». Esto subraya la importancia de calcular las concentraciones instrumentales de olor tras un procedimiento adecuado de formación/calibración in situ, ya que las mediciones de sensores individuales por sí solas pueden inducir a error al analizar las tendencias de concentración de olor.
5. Referencias
Cangialosi F., Bruno E., de Santis G., 2021, Application of Machine Learning for Fenceline Monitoring of Odour
Classes and Concentrations at a Wastewater Treatment Plant, Sensors, 21, 4716. Cangialosi F., Fornaro A., 2023, IOMS in-situ training and validation for monitoring odour abatement efficiency.
Conference Odour emissions: from reduction technology to new control strategies, November 7th, Rimini, IT. (in Italian)
MacDonald M., Thoma E., George I., Duvall R., 2022, Demonstration of VOC Fenceline Sensors and Canister Grab Sampling near Chemical Facilities in Louisville, Kentucky, Sensors, 22, 3480.
Oliva G., Zarra T., Pittoni G., Senatore V., Galang M.G., Castellani M., Belgiorno V., Naddeo V., 2021, Next generation of instrumental odour monitoring system (IOMS) for the gaseous emissions control in complex industrial plants, Chemosphere, 271,129768.
Prudenza S., Bax C., Capelli L., 2023, Implementation of an electronic nose for real -time identification of odour emission peaks at a wastewater treatment plant, Heliyon, 9(10), E20437.
Szulczyński, B., Gębicki, J., 2019, Determination of Odour Intensity of Binary Gas Mixtures Using Perceptual Models and an Electronic Nose Combined with Fuzzy Logic, Sensors, 19, 3473.