Introduzione
Negli ultimi anni, la tecnologia IOMS ha preso piede nell’ambito dello studio della qualità dell’aria e in particolare nel monitoraggio delle emissioni odorigene, in aumento a causa delle attività industriali in continua crescita. Il sistema IOMS (Instrumental Odour Monitoring System) è anche noto come “naso elettronico” e la sua peculiarità consta nella combinazione della sensibilità della percezione olfattiva umana e di una parte analitica di acquisizione, misurazione e lavorazione dei dati.
Uno dei maggiori benefici della tecnologia IOMS, risiede nella possibilità di ottenere misurazioni continue con ricezione di dati sugli odori in tempo reale, scenario ideale per il loro monitoraggio: i vantaggi del suo impiego superano ormai quelli dei metodi sensoriali (es. olfattometria dinamica, riconosciuta dalla normativa EN13725/2003 a livello europeo) e analitici (es. GasCromatografia-Spettrometria di Massa (GC-MS)). Tuttavia, questa tecnologia richiede ancora alcuni miglioramenti nelle applicazioni in situ, per le quali è infatti oggetto di studio. Sono numerosi i gruppi di ricerca che focalizzano la loro attenzione sui possibili modi di migliorare la tecnologia del naso elettronico. Si parla principalmente di tre modi per ottimizzare questo strumento: migliorare i sensori in quanto a numero o posizione oppure focalizzarsi sulle tecniche di feature-extraction e sui metodi di pattern-recognition. A livello nazionale, è con il D.Lgs. n. 102/2020 che si introduce finalmente nel precedente D.Lgs. n. 152/2006 la nozione di “emissioni odorigene”, definite come “emissioni convogliate o diffuse aventi effetti di natura odorigena”; è dunque chiaro come l’interesse generale per questo argomento aumenti proporzionalmente negli anni con l’aumentare delle attività industriali.
Gli IOMS, sono generalmente costituiti da un sistema di campionamento e da una unità di rilevamento nella quale sono allocati l’array di sensori e un sistema di elaborazione del segnale. L’output sarà costituito da un modello di monitoraggio degli odori (OMM, Odour Monitoring System) e per ottenerlo sono previsti tre passaggi principali: acquisizione dei dati, elaborazione dei segnali e riduzione dei dati acquisiti e applicazione delle tecniche di pattern-recognition. A causa del grande numero di valori di input, l’output prevederà una quantità di dati sensibilmente ridotta in modo da mantenere soltanto quelli fondamentali, riducendo i tempi necessari alla computazione e migliorando la velocità e l’accuratezza del sistema. Questo è il compito delle tecniche di feature-extraction dei dati: quella di cui si vuole trattare nel presente articolo è soprattutto la curva di risposta originale dei sensori abbinata alle tecniche di pattern-recognition quali la Rete Neurale Artificiale (ANN, Artificial Neural Network) e l’Analisi Discriminante Lineare (LDA, Linear Discriminant Analysis). Queste ultime, sono invece dei modelli matematici che sono usati per stabilire una relazione tra le variabili di input (indipendenti) e le variabili di output (dipendenti) presenti nel dataset. La tecnica ANN è un metodo biologico progettato per simulare il modo in cui il cervello umano elabora le informazioni: una ANN è formata da moltissimi neuroni artificiali connessi tra loro a formare una rete. La tecnica LDA, invece, è un metodo statistico tradizionale che adotta combinazioni lineari di variabili. È particolarmente importante, pertanto, la trattazione matematica della correlazione tra questa “metrica degli odori” e la percezione umana degli stessi. Il presente articolo vuole descrivere la tecnologia IOMS e l’importanza dell’applicazione di diverse tecniche combinate tra loro per ottenere i migliori risultati possibili, specificamente la combinazione tra i dati della curva di risposta originale dei sensori e le tecniche di ANN e LDA.