La detección y gestión en tiempo real y a distancia de episodios de contaminación

La detección de los episodios de contaminación se realiza determinando parámetros físicos, químicos y biológicos. Las medidas en laboratorio, realizadas siguiendo métodos estándares definidos y aprobados, permiten obtener una larga lista de compuestos con unos límites de detección muy bajos y con una precisión muy alta. Pero esta visión exhaustiva es estática, ya que solo corresponde al momento en que se toma la muestra que posteriormente se analiza en el laboratorio. Además, como el proceso de toma de muestra y posterior análisis no es, en general, inmediato, se obtiene un resultado «a posteriori», en algunos casos días, semanas o hasta meses después de la toma de la muestra.

Las medidas «en tiempo real y en remoto», por el contrario, permiten tener una visión dinámica, ya que la obtención del dato es continua e inmediata y la medida se realiza en el lugar en que se toma la muestra. Estas medidas generan un conocimiento de las tendencias y evolución de la calidad del agua, con una visión sintomática que permite realizar diagnósticos para la detección rápida de anomalías y actuar de forma inmediata.

La digitalización en la detección y gestión

Es necesario detectar los episodios de contaminación allí donde se producen y en el momento en que se producen para poder tomar medidas

Gracias a los sistemas de alerta temprana, los responsables de la gestión del agua pueden detectar episodios de mala calidad del medio acuático en tiempo real y a distancia, lo que permite tomar medidas instantáneas que minimicen los efectos de la contaminación. Las principales etapas para realizar este tipo de medidas son:

• Capturar la muestra para llevarla hasta el dispositivo de medida o situar el dispositivo de medida en el punto de captación.
• Medición de diversas características del agua, parámetros o compuestos, que nos permitan identificar que hay contaminación. La ventaja respecto a los dispositivos instalados en la propia captación es que los procesos para minimizar los mantenimientos pueden ser mucho más efectivos. De hecho, en muchas ocasiones se acaba instalando el sensor dentro de las estaciones para tener un mayor control del proceso. En ambos casos los datos se recogen en los datalogger de los equipos. También en estos dispositivos de medida puede haber un cierto tratamiento de los datos (edge computing), por ejemplo, para detectar mal funcionamiento del dispositivo o derivas en la medida.
• Transmisión de los datos obtenidos por los diferentes dispositivos de medida a un centro de control o a la nube.
• Almacenamiento y adición de datos multidimensionales como la hora, la ubicación, datos de muestras manuales… Tratamiento y procesamiento de los datos para obtener la información.
• Explotación de la información para obtener el conocimiento de lo que está sucediendo, detectar los vertidos, analizar su origen, predecir su evolución…

El gran desarrollo de las TIC e IoT, el mayor uso de técnicas de IA o machine learning para el análisis de datos, están mejorando el proceso de detección y gestión en tiempo real y a distancia. Por el mismo coste que hace diez años, hoy disponemos de cuarenta veces más de capacidad de comunicaciones y sesenta veces más de capacidad de computación que entonces.

Los dispositivos de medida

Los dispositivos de medida permiten la obtención de los parámetros en formato digital a partir de diferentes tipos de sensores, que son el elemento que genera la señal eléctrica digitalizable, y el dispositivo de medida, todo el conjunto de elementos necesarios para obtener el parámetro de la señal del sensor.

Para los parámetros físicos se dispone de sensores que convierten de forma simple el parámetro a medir en señal digitalizable, con lo que el dispositivo de medida es prácticamente el sensor. Además, estos sensores son muy estables en el tiempo, no tienen desgaste excesivo, y necesitan poca calibración. Un ejemplo de sensor sería la termorresistencia PT100 o PT1000, y un ejemplo de dispositivo de medida sería un medidor de temperatura que generaría una señal de 0 a 10v correspondiente a una temperatura de 0 a 40 °C.

Para los parámetros químicos se debe realizar una conversión del parámetro químico a un parámetro físico mediante una reacción química, que se puede producir dentro o fuera del sensor. Esto implica que el dispositivo de medición puede ser complejo, ya que el sensor puede operar solo bajo ciertas condiciones, o se necesitan reactivos para la reacción química. Además, el proceso de conversión de parámetro químico a físico suele producir «desgaste», con lo que suelen necesitar calibración o referencias. Un ejemplo sería un dispositivo de medida de fosfatos que utilizase la reacción colorimétrica del molibdato de amonio y un sensor de absorbancia óptica.

Para los parámetros biológicos se debe realizar una conversión del parámetro biológico a parámetros químicos y estos a físicos, o de biológicos a físicos directamente. En este caso, el control de las condiciones de medida durante el proceso de análisis son críticas, por lo que el dispositivo de medición suele ser muy complejo y normalmente necesita reactivos. Un ejemplo sería un medidor de concentración de coliformes totales y E. coli.

Como algunos de los dispositivos de medida de parámetros químicos o biológicos son complejos y necesitan reactivos, su coste de adquisición y mantenimiento no es bajo. Además, la implementación de algunas técnicas estándares de laboratorio en dispositivos de campo no es factible y ha limitado la disponibilidad de compuestos que se pueden obtener en los sistemas de alerta. Como alternativa se han desarrollado dispositivos de medida que, si bien no utilizan métodos estándares aprobados para la obtención de los valores de los compuestos de interés, sí que permiten su monitorización indirecta a un coste inferior, pero con unos límites de detección o precisiones inferiores a las analíticas de laboratorio. Un ejemplo serían los sistemas de medida espectrofotométrica en las bandas UV, visible e Infrarrojo, que mediante el análisis de la absorbancia son capaces de estimar los valores de nitratos, COD, DQO o DBO₅.

La gran disminución de los costes de computación está generando que se apliquen cada vez más técnicas de IA para la generación de sensores virtuales, que estiman indicadores o compuestos a partir de otros parámetros medidos en tiempo real. Estos se entrenan en base a conjuntos de datos históricos de medidas de laboratorio y de medidas en tiempo real de otros parámetros. No obstante, en el caso de la detección de vertidos, el principal problema para su aplicación es disponer de suficientes datos válidos y variados (sin sesgos) para poder entrenar los sistemas.

Es importante destacar que las medidas en tiempo real de los sistemas de alerta y las analíticas de laboratorio no son substitutivas, sino complementarias: no todos los parámetros y compuestos de normativa se pueden obtener en los sistemas de alerta, ni se pueden hacer análisis de laboratorio en tiempo real de todos los puntos de interés; pero un sistema de alerta puede determinar cuándo y dónde es necesario tomar la muestra para su posterior análisis en laboratorio.