Come è ormai noto, i cattivi odori provenienti dalle fabbriche e dagli impianti portano spesso i residenti che abitano nelle vicinanze a contattare le autorità competenti segnalando la problematica: nell’ambito di un monitoraggio continuo di queste emissioni, l’Università di Bari, supportata dai finanziamenti del progetto Horizon 2020 dell’UE, che finanzia la ricerca e lo sviluppo, ha potuto dare vita al progetto ODORPREP (Automated Odor Emission Sampler), in funzione dal 1 Marzo 2017 e fino al 28 Febbraio 2019 nella città di Taranto. Per la sua realizzazione, gli sviluppatori hanno progettato un’applicazione per smartphone utile per i cittadini a segnalare emissioni di odori forti e poco piacevoli e collegata a numerose unità di raccolta sparse per la città che collezionavano un campione d’aria poi da analizzare in laboratorio. ODORPREP ha anche sviluppato dei nasi elettronici, proprio secondo la tecnologia IOMS, per permettere un monitoraggio continuo dell’aria, prevedendo addirittura eventuali emissioni dannose o di disturbo per l’uomo. È stato grazie a questo esperimento e soprattutto al feedback dei cittadini che è stato possibile quindi studiare la qualità dell’aria in maniera tempestiva e continuata.
Un ulteriore esempio dell’impiego delle tecnologie IOMS può essere quello del SEED dell’Università degli Studi di Salerno, il quale ha prestato le sue tecnologie per lo studio delle emissioni odorigene provenienti da un impianto industriale petrolchimico, lavorando con i metodi di pattern-recognition dell’Analisi Discriminante Lineare (LDA) e delle Reti Neurali Artificali (ANN). Lo studio inizia dalla raccolta dei dati di input, ovvero delle emissioni e termina con l’ottenimento di dati in termini di resistenza elettrica fornita dai sensori. I risultati dello studio sono stati poi trasferiti in diagrammi cartesiani dove l’ascissa è rappresentata dalla quantità tempo calcolata in minuti e l’ordinata dai valori in resistenza elettrica. La curva ottenuta è stata poi analizzata sia nella sua totalità, sia nelle sue fasi di rise, intermediate e peak period, ovvero nelle fasi di crescita, intermedia e di picco prese singolarmente. È stata effettuata poi una analisi comparativa dei modelli di monitoraggio e classificazione degli odori ottenuti combinando le diverse tecniche di feature-extraction e i modelli pattern-recognition calcolando in percentuale il rapporto tra il numero di dati classificati correttamente e il numero di dati ottenuti in totale. Dall’applicazione delle tecniche LDA e ANN, dal precedente esperimento si conviene che la tecnica ANN è quella maggiormente indicata, in quanto i risultati sono più realistici e inoltre l’ANN presenta un potenziale maggiore di pattern-recognition in tutti gli esperimenti portati avanti.

Conclusioni