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

Eduardo Illueca Fernández

• español

  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

• English

  The World Health Organization (WHO) claims that air pollution will be a significant environmental concern in the coming years, leading to increased emphasis on actions focused on reducing pollutant levels in the air, from which particulate matter (PM) is the most harmful to health, with a large percentage of the population exposed to levels exceeding WHO standards. In this sense, air quality monitoring is essential to know pollutant levels in the air. However, traditional measuring devices are expensive and not automatic, making necessary to develop solutions based on new paradigms such as the Internet of Things (IoT) that are able to reduce costs. However, IoT devices present significant biases in measurement processes, especially concerning particles, due to the influence of external factors such as humidity. Therefore, this thesis explores solutions to improve signal in particle sensors using a bottom-up methodology. Firstly, a dryer system based on silicone columns has been developed, which has been evaluated with respect to reference methods. Next, an edge computing layer has been deployed allowing data processing using machine learning models to make short-term particle concentration predictions. Later, hyperlocal data from devices is used to calibrate the CHIMERE-WRF chemical transport model. The results demonstrate that the developed drying system improves PM2.5 accuracy compared to existing sensors, with a coefficient of determination (R2) equal to 0.83. Additionally, these devices can be easily integrated into an IoT-Edge-Cloud architecture for risk assessment in work environments, using machine learning to predict exceedances with 80 % accuracy. On the other hand, calibration of the CHIMERE-WRF model allows for a 63 % improvement in system correlation for NO2 and a 25 % improvement for O3. Lastly, a new proposal for air quality zoning for the Murcia Region, using an automated methodology, allows for the identification of new monitoring points. In conclusion, the combination of hyperlocal air quality measurements and simulations with chemical transport models allows for improved particle measurement and the generation of products to assess the impact on sustainability of different policies, known as sustainability impact assessment. This knowledge is crucial in the Smart Cities sector. The future challenge lies in applying large amounts of data generated by IoT in more complex scenarios and digital solutions for cities.