Suscríbete a DeepL Pro para poder traducir archivos de mayor tamaño.

Más información disponible en www.DeepL.com/pro.

energías
Artículo
Medición de la concentración de gases inflamables en
vertederos con un sensor de bajo coste
Ignas Daugela 1,2,* , Jurate Suziedelyte Visockiene 1 , Jurate Kumpiene 3 e Ivan Suzdalev 2

1 Departamento de Geodesia y Catastro, Universidad Técnica Vilnius Gediminas, 10223 Vilnius, Lituania;
[email protected]
2 Instituto de Aviación Antanas Gustaitis, Universidad Técnica Vilnius Gediminas, 10223 Vilnius, Lituania;
[email protected]
3 Departamento de Ingeniería Civil, Medioambiental y de Recursos Naturales, Universidad Tecnológica de
Luleå, 97187 Luleå, Suecia; [email protected]
* Correspondencia: [email protected]; Tel.: +37-0676-094-70

Resumen: El calentamiento global, como resultado del impacto negativo del ser humano en el
cambio climático, se ha observado a partir de diversas fuentes de datos. Diversas medidas han
tenido como objetivo reducir los factores antropogénicos, así como disminuir las emisiones de
dióxido de carbono (CO2 ) y metano CH4 . Uno de los principales contribuyentes a los factores
antropogénicos son los residuos orgánicos en los vertederos de residuos sólidos urbanos. Hay
muchos vertederos en los que no se aplican tecnologías rápidas y rentables para la identificación y
cuantificación de los lugares de emisión de CH4 . Sigue siendo necesario el desarrollo de métodos accesibles
y rentables que reaccionen en tiempo real para la rápida detección y monitorización de las emisiones de
comprobar ror
actualiza
metano. El objetivo principal de este trabajo es crear un prototipo de sensor adecuado para la
medición operativa del valor del gas, apto para su integración en equipos geodésicos o en un
Citación: Daugela, I.; Suziedelyte
sistema de vehículos aéreos no tripulados. Se desarrolló un sistema de sensores (dispositivo) compuesto
Visockiene, J.; Kumpiene, J.; Suzdalev,
por tres sensores semiconductores -MQ2, MQ4 y MQ135- cuyo objetivo era captar gases inflamables
I. Mediciones de la concentración de
(CO2 , CH4 , O2 pureza) y evaluar los promedios de los valores medidos de los componentes
gases inflamables en vertederos con
un sensor de bajo coste. Energías 2021,
montados en la placa -los sensores semiconductores-. Los sensores se calibraron en un laboratorio
14, y se probaron en un vertedero cerrado. Los datos de medición consistían en las resistencias de
3967. https://doi.org/10.3390/ lectura (señal analógica) de los sensores MQ2, MQ4 y MQ135, y la humedad relativa y la
es14133967 temperatura (señal digital) del sensor DHT2 con una marca de tiempo calculada por el módulo
RTC. El uso del método se confirmó porque los sensores reaccionaron como se esperaba cuando se
Editores académicos: Krzysztof colocaron en las proximidades del pozo de recogida de gas. Además, el sensor se probará y
Górecki y Rao Martand Singh
mejorará para el trabajo de campo en vertederos.

Recibido: 13 de mayo de 2021

Palabras clave: gases de efecto invernadero; metano; análisis de regresión; calibración de sensores;
Aceptado: 29 de junio de 2021
Arduino
Publicado: 1 de julio de 2021

Nota del editor: MDPI se mantiene

neutral con respecto a las
1. Introducción
reclamaciones jurisdiccionales en los
mapas publicados y las Las emisiones de gases de efecto invernadero (GEI) son uno de los principales
a f i l i a c i o n e s institucionales. motores del cambio climático [1,2]. Por lo tanto, es importante controlar y prever la
liberación al medio ambiente de GEI como el dióxido de carbono (CO2 ), el dióxido de
nitrógeno (NO2 ) y el metano (CH4 ). Los vertederos de residuos sólidos urbanos (RSU)
se encuentran entre los principales contribuyentes de CH4 y CO2 a la atmósfera. Se
Copyright: © 2021 por los autores.
necesitan tecnologías de detección eficaces y rentables de las emisiones incontroladas de
Licenciatario MDPI, Basilea, Suiza.
GEI al medio ambiente.
Este artículo es un artículo de acceso En la actualidad, el control de gases en los vertederos de RSU de Lituania se lleva a
abierto distribuido bajo los términos y cabo en puntos definidos en un plan de control. Se miden las emisiones de CH4 , CO2 , ácido
condiciones de la licencia Creative sulfhídrico (H2 S) y oxígeno (O2 ), junto con la temperatura del aire y la presión atmosférica
Commons Attribution (CC BY) (barométrica). En los puntos en los que se detectan las emisiones de gas procedentes de
(https:// la superficie del vertedero, se calculan la densidad del flujo de gas y el flujo de emisión.
creativecommons.org/licenses/by/ Las emisiones atmosféricas (CO2 , CH4 y N2 O) pueden determinarse con un analizador
4.0/). multicanal Dräger X-am 7000 [3]. Este sensor cumple la Directiva 94/9/CE de la Unión
Europea para contadores mediciones se realizan en una caja de flujo de acero inoxidable de 6877 cm3 [4-7].
de biogás. Las Basándose en el gas realizado

Energías 2021, 14, 3967. https://doi.org/10.3390/en14133967 https://www.mdpi.com/journal/energies

Energías 2021, 14, 3967 2 de 15

En función de las mediciones de la concentración de gas en la "caja de flujo" y de los

resultados de los cálculos, se traza un gráfico de la variación de la concentración de gas a
lo largo del tiempo y se elabora un informe de seguimiento repetido. Una desventaja de
una caja de medición de flujo de gas cerrada es que las mediciones se realizan
ocasionalmente, por ejemplo, varias veces al año para estimar el flujo de gas estacional o
anual [5]. De este modo, las emisiones no controladas que se producen entre las
mediciones pasan desapercibidas.
Los métodos que proporcionan mediciones más continuas de los cambios en las
emisiones de gases y su composición podrían reducir las incertidumbres. Uno de ellos es
la teledetección, en la que la información medioambiental se obtiene mediante sensores
electrónicos de plataforma abierta y láseres integrados con cámaras [8-11]. Diversos
sensores captan la gama de longitudes de onda y frecuencias de la radiación
electromagnética. Los tipos de sensores más comunes son el Rojo-Verde-Azul (RGB),
que es el modelo de color más común de la luz visible, y el espectral, que puede ser
monoespectral o multiespectral [12], y en los últimos años hiperespectral. Este último
tipo de cámara se ha utilizado en laboratorios de investigación, satélites artificiales de la
Tierra, aviones y, en los últimos años, en vehículos aéreos no tripulados (UAV) para
estudiar la composición de la superficie de la Tierra (incluida su química) [11,12]. La NASA
(EE.UU.) ha construido el espectrómetro HyTES para la investigación de las ciencias de la
Tierra, que puede utilizarse para detectar estructuras espaciales individuales de penachos
procedentes de fuentes de contaminación CH4 , H2 S, NH3 , NO2 , y SO2 [13-15]. Sin
embargo, el acceso a estas técnicas por parte de un operador de vertederos es limitado.
La abundancia de sensores actualmente en producción permite el desarrollo de
sistemas electrónicos de código abierto adecuados para la vigilancia de la contaminación
atmosférica, incluidos indicadores meteorológicos, como temperatura, velocidad del
viento, humedad relativa y presión, e indicadores químicos, como SO2 , NO, NO2 ,
PM10, PM2,5, O3 , CO y compuestos orgánicos volátiles (COV) [16]. Los sistemas de
código abierto pueden ser utilizados por un UAV debido a su bajo coste, tamaño
relativamente pequeño y peso. Una tendencia espacial general de las concentraciones y
una precisión de ±30% podrían ser aceptables para la detección y localización de fuentes
de emisión de gases y para el seguimiento adicional de puntos débiles. Otras
investigaciones requerirían una precisión de <20% [16,17]. Para detectar trazas de GEI y
COV en la baja atmósfera, un UAV puede equiparse con varios tipos de sensores y los
resultados de los datos, complementados con imágenes de cámara RGB procesadas de
alta resolución, incorporarse a sistemas de bases de datos SIG espaciales terrestres para
su almacenamiento y posterior análisis [17]. Estas soluciones pueden ser más accesibles para los
operadores de vertederos y proporcionar datos de calidad aceptable para la rápida
identificación de fugas de gas de vertedero.
El objetivo de este estudio era fabricar un prototipo de microcontrolador basado en
un conjunto de sensores de gas especializado en la exploración de zonas de vertederos en
puntos de interés seleccionados a partir de imágenes de satélite y UAV o de mediciones
in situ. Este prototipo de microcontrolador puede ser una alternativa sencilla y rentable
al método de la caja de flujo, al alcance de cualquier operador de vertederos.

2. Materiales y métodos
2.1. Área de estudio
Las pruebas se realizaron en el vertedero de Kariotiskes, situado en Lituania,
Europa. Era el principal vertedero municipal de residuos sólidos de la capital, Vilna. El
vertedero se cerró en 2008 y se plantó con vegetación un año después. A lo largo de dos
décadas, el vertedero ha acumulado 3 millones de toneladas de residuos. Se ha
construido una plataforma de observación en la cima del vertedero y se ha inaugurado
una central térmica en el vertedero de Kariotiskes, que produce energía a partir del gas
de vertedero que se extrae en él. Sin embargo, todo el territorio debe ser observado
durante al menos tres décadas.
El estudio se diseñó para comprobar determinadas ubicaciones descritas por otros
métodos de teledetección o encontrar el punto más débil de la cubierta final del
vertedero desplazándose en un sitio hacia el aumento de las lecturas en tiempo real.
Para obtener una mayor exactitud absoluta o una mejor precisión, era necesario tener en
Energías 2021, 14, 3967 3 de 15

cuenta las lecturas de tensión, temperatura, humedad y regulación del caudal, ya que
son fuentes de error sobre el terreno. Tras la localización de determinadas zonas
problemáticas en los vertederos, por el momento deberían utilizarse otros métodos con
mayor precisión de concentración; sin embargo, este prototipo podría resolver el
problema de encontrar puntos calientes influidos por la emisión de CH4 de forma rápida
y barata para cada vertedero, como método complementario a
Energías 2021, 14, 3967 4 de 15

teledetección. Esto se debe a que otros métodos son caros, requieren una preparación
y aplicación largas o complejas, o los resultados llegan al cabo de un par de semanas
debido a la logística y el trabajo de laboratorio.

2.2. Métodos
Dado que este tipo de aplicación de sensores en el dispositivo para vertederos es
novedoso, en primer lugar se presenta el principio y el diseño del prototipo. A
continuación, sigue un apartado sobre la calibración del dispositivo y, por último, otro
sobre los procesos de medición en la zona de interés.

2.2.1. Concepto y diseño del sistema

Se diseñó un nuevo conjunto de sensores especializados para medir los valores
medios de concentración de gases inflamables (objetivo específico-CH4 ) de los
componentes montados en la placa: sensores semiconductores. Los sensores
semiconductores responden a la relación entre la mezcla de gases y el oxígeno (O2 ). Los
sensores electrónicos de humedad y vapor, que miden la concentración de un líquido en
fase gaseosa, también funcionan según este principio. Los componentes seleccionados
que se utilizan en equipos domésticos e industriales (calefacción, ventilación, aire
acondicionado, equipos médicos, meteorológicos, almacenamiento, procesos de
mantenimiento de archivos) son de alta calidad y se han ido mejorando en función de los
comentarios de los usuarios debido a una gran demanda que dura ya un par de décadas
(Figura 1).

Figura 1. Dispositivo para medir la concentración de gas en un vertedero.

Los principales componentes del nuevo sistema de sensores se ilustran en la figura

2. El sistema consta de tres módulos: (1) conjunto de sensores de gas (MQ2, MQ4,
MQ135, DHT22); (2) controlador del sistema; y (3) captura de datos de medición.
El componente principal del módulo del sistema sensorial, el sensor MQ4, está
especializado en la captación de gases inflamables en el ambiente y tiene una mayor
sensibilidad al gas CH4 (en comparación con otros gases explosivos). Un componente
adicional integrado en el módulo es el sensor de gases explosivos MQ2, que es un sensor
semiconductor optimizado para una respuesta y sensibilidad más rápidas a
concentraciones de gas más bajas. El sensor MQ135 es sensible a diversos contaminantes
atmosféricos y a cambios en la proporción de dióxido de carbono (CO2 ) con otros gases
en el aire. El DHT22 registra la temperatura actual y la humedad relativa.
El sistema de sensores está controlado por un microcontrolador Arduino, una
pantalla de cristal líquido (LCD) de dos líneas conectada a su salida de datos, un módulo
integrado con un chip de reloj en tiempo real (RTC) y un lector de tarjetas digitales
seguras (SD) para registrar los sellos de fecha y hora (Figura 3).
Energías 2021, 14, 3967 5 de 15

MQ2 reacciona a MQ4 aumentó la MQ135 reacciona a

gas inflamable; sensibilidad a cualquier aire
CH4 ppm calibrado CH4, gases contaminación; CH4
naturales; CH4 ppm ppm calibrado
calibrado
DHT22 detecta el Tarjeta SD y RTC
tempe-
MICROINFORMÁTI módulo; proporciona
ratura, humedad CA
la fecha y la hora
relativa

Módulo BlueTooth
Pantalla LCD
Archivo CSV
(Excel)

Datos instantáneos medidos Aplicación

sobre el terreno Android

Figura 2. Esquemas de las interacciones entre los principales componentes del sistema de sensores de gas: sensores de gas (naranja),
hardware de procesamiento y salida (azul), resultados en tiempo real y guardados (verde).

Figura 3. Microcontrolador Arduino con bloque principal (disposición aproximada) (a) sensores de gas
(MQ2, MQ4 y MQ135) y módulo de temperatura, humedad y Bluetooth; (b) reloj en tiempo real, lector
de tarjetas SD y LCD; (c) regulador de corriente y baterías.

El flujo de datos se transmite en tiempo real a través del módulo BlueToothTM HC-06
integrado a cualquier dispositivo capaz de recibirlos en un radio de 10 m o más (la
distancia máxima exacta no se probó, ya que varía debido a las condiciones ambientales).
Se desarrolló e implementó un algoritmo en lenguaje de programación Arduino (basado
en C/C ++) para el control del sensor.
Múltiples sensores en el sistema de sensores permiten comprobar los resultados
entre sensores en tiempo real y rechazar lecturas incorrectas o estimar los valores medios
entre varios sensores y aplicar algoritmos de fusión de sensores y aprendizaje
automático, evitando así mediciones incorrectas con componentes electrónicos rentables.
Una línea de datos consta de las resistencias de lectura (señal analógica) de los sensores
MQ2, MQ4 y MQ135, y la humedad relativa y la temperatura (señal digital) del sensor
DHT22 con una marca de tiempo calculada por el módulo RTC. La cadena de datos se
guarda en la tarjeta SD (4 Gb, clase de velocidad 10 utilizada) mediante el módulo RTC
en formato CSV creando un nuevo archivo después de iniciar el dispositivo o añadiendo
una nueva línea al final del archivo digital abierto. El módulo HC-06 empareja
Energías 2021, 14, 3967 6 de 15

con el dispositivo Android deseado y recibe un paquete de datos cuando se transmite a

una velocidad de 115.200 kbps a un dispositivo móvil (se utilizó un Samsung S6 Edge +)
que ejecuta el sistema operativo Android a través de una aplicación de escaneo Bluetooth
(se utilizó la aplicación gratuita ArduTooth). Durante los estudios experimentales, los
datos también se transfirieron al controlador Spectra Precision MobileMapper 50 del receptor
geodésico GPNS SP60 de Spectra Precision (figura 4).

Figura 4. Medición estática con un sensor: poste geodésico con receptor del sistema mundial de
navegación por satélite (GNSS), el dispositivo de medición de gases se fija cerca del suelo.

Las coordenadas geográficas globales registradas por un dispositivo GNSS geodésico

profesional (equipo de ocio o de consumo si es necesario) que se desplaza en el vertedero,
en lugares característicos o a un intervalo determinado (tiempo o distancia) se recalculan
en el sistema de coordenadas del estado y la altura de cada punto. El sensor mide,
registra y transmite lecturas continuamente a una frecuencia de 1 Hz. El receptor GPNS
funciona en modo RTK, se con- figura y recibe correcciones a través de la conexión
GSM de la red de estaciones continuas permanentes del sistema de información de
control (LitPOS), obteniendo así un error medio no superior a 2 cm para la posición
horizontal. El preprocesamiento no es necesario después de realizar mediciones con el
dispositivo en la zona, pero en caso de obstáculos técnicos, algunas filas de datos pueden
dañarse o registrarse de forma incompleta. Estas filas deben eliminarse o completarse
manualmente con los valores más comunes o medios de las filas incompletas utilizando
herramientas de programación o Microsoft Excel.
El dispositivo se calibró antes de utilizarlo en las mediciones sobre el terreno.

2.2.2. Calibración de dispositivos

La calibración del prototipo de sensor de gas se realizó en el laboratorio
medioambiental de la Universidad Tecnológica de Luleå (Suecia). Para las pruebas se
utilizó una bolsa sellada de recogida de gases a prueba de difusión. El aire se extrajo
de la bolsa antes de la prueba mediante un compresor de aire. Una vez calentados los
componentes electrónicos (se habían alcanzado lecturas estables), se inyectó en la bolsa
una cantidad conocida de gas a través de un sistema de válvulas con una jeringa de
vidrio (Figura 5). Para la calibración del sensor se utilizó un gas de alta pureza para
calibración de instrumentos de laboratorio de AGA Gas AB.
Tras extraer el gas con un compresor de aire, se inyectaron cantidades conocidas de
gases conocidos (CH4 , CO2 ) utilizando una jeringa de vidrio. Los valores de resistencia
medidos con el sensor electrónico se convirtieron en la concentración de gas expresada en ppm.
Tras el primer intento de calibrar los sensores, se mejoró el dispositivo rediseñando las
conexiones, separando el bloque de sensores y repitiendo las mediciones. Los datos
obtenidos se utilizaron
Energías 2021, 14, 3967 7 de 15

para generar una curva de calibración. Además, se realizaron varias pruebas para
determinar la sensibilidad de los sensores y definir los límites y condiciones de
medición.

Figura 5. Diagrama explicativo de la obtención de datos de calibración en el laboratorio.

Se compilaron tablas de doce puntos con concentraciones crecientes conocidas de

CH4 y otros gases para cada sensor. Los valores oscilaban entre 100k ppm y 500k ppm.
Cada concentración de gas se comparó con el valor analógico decimal obtenido sobre
una media de varias lecturas de 300 s. Se realizaron tres sesiones de prueba con
diferentes concentraciones de CH4 y He como gas de fondo.
Los valores de cada sensor se compararon con la cantidad de gas conocida con
precisión mediante la ecuación de regresión lineal para la calibración de cada sensor.
Para obtener la ecuación, se calculó una correlación lineal entre los parámetros. Se
realizó una aproximación lineal de la relación real. Un objetivo importante del
análisis de regresión es estimar los parámetros desconocidos en el modelo de regresión;
este proceso también se denomina ajuste del modelo a los datos [18,19].
La finalidad del MCO es determinar estimaciones de los parámetros de regresión
que minimicen la suma de los cuadrados de los valores de la variable dependiente de las
dependencias reales (yi ) y calculadas (yˆi ) de la ecuación de regresión seleccionada. El
método de los mínimos cuadrados ordinarios se escribe matemáticamente como sigue:
∑
ˆ 2 2
∑ (yi - yi ) = ∑ ei → min, (1)

donde yi es el valor real, yˆi es el valor calculado y ei es el residuo de cada punto de

datos. Utilizando la teoría estadística [18,19], se calcularon los coeficientes de
correlación y el coeficiente de determinación, y los valores analógicos del sistema
decimal de la
y las concentraciones conocidas estaban relacionadas.
Durante las pruebas, la calibración y los experimentos, las lecturas de los sensores y
las transmisiones de los datos de medición se producían una vez por segundo. Tras la
calibración del dispositivo, se obtuvo una ecuación para cada sensor; se calculó la
varianza de los valores de la muestra y la bondad del ajuste se expresó mediante el
coeficiente de determinación.
Utilizando una hoja de datos de fábrica, se realizó otra pendiente a partir de la tabla de
puntos representada en una figura con base logarítmica. La ordenada era la relación de
resistencia del sensor (R /Rso ), y la abscisa era la concentración de gases. Rs representaba la
resistencia en un gas objetivo con diferentes concentraciones, Ro indicaba la resistencia
del sensor en aire limpio [20]. Se extrajeron dieciocho puntos de datos utilizando el
software de gráficos denominado "GetData Graph Digitizer", extrayendo los valores de
las intersecciones de las líneas inclinadas de la curva de sensibilidad típica y el eje menor
[21]. A continuación, se derivó la ecuación utilizada para la calibración de
concentraciones de 200 ppm a 5000 ppm. Para obtener la relación R /Rso , se utilizó una
ecuación para convertir los valores analógicos a digitales del microcontrolador a Ro en
aire limpio y, posteriormente, se volvieron a calcular los valores analógicos a digitales
para cada segundo de mediciones en campo y se dividieron por Ro para obtener la
Energías 2021, 14, 3967 8 de 15

relación R /Rso de las mediciones en el vertedero. A continuación, se invirtió

Energías 2021, 14, 3967 9 de 15

de laboratorio y se volvieron a utilizar las ecuaciones de calibración de fábrica.

Utilizando las ecuaciones, los valores medidos en el vertedero se transformaron en
cantidades de metano en un lugar y momento determinados.

2.2.3. Procesos de medición en el área de interés

El módulo principal del sistema de sensores consistía en un análogo del
microcontrolador de plataforma abierta Arduino Uno con un paquete de seis pilas AA y
un conector de cable compatible fijado a una placa metálica mediante un soporte para la
varilla del receptor GNSS, que se fijó a 20 cm del suelo (Figura 6).

Figura 6. Dispositivo listo para realizar mediciones justo encima del suelo.

Las mediciones se iniciaron inicializando cada sensor. Los sensores de gas se

pusieron en marcha inmediatamente (<1 s), pero las lecturas tardaron en estabilizarse. La
duración dependía de la frecuencia de uso del aparato y de la temperatura de cada sensor
de gas. Si el aparato se había encendido durante las dos últimas horas, las lecturas
tardaban sólo unos 30 s en estabilizarse. En caso contrario, si el dispositivo se mantenía
caliente, tardaba unos minutos, si se utilizaba en el plazo de un mes. El dispositivo se
reiniciaba cuando se conseguían lecturas estables.
En primer lugar, los valores de Ro se obtuvieron a partir de una media de al menos
30 s de lecturas en aire limpio (sin gases que detectar). A continuación, se recalcularon
las lecturas basándose en la ecuación de calibración y en Ro para unas condiciones de
aire determinadas (temperatura, humedad, presión) y tensiones, que dependían de la
suma de todos los componentes del hardware (resistencia interna) y del nivel de carga de
la batería. A continuación, las resistencias en tiempo real se recalcularon a cantidades de
la cantidad de gas CH4 en ppm.
Para que las mediciones del sensor sean más precisas, la temperatura debe ser
cercana a la recomendada previamente durante la calibración y en la especificación de
fábrica (aprox. 22 ◦C); el viento no debe ser fuerte o debe haber un flujo interno
constante. Debe evitarse un cambio fuerte en la humedad si el cambio no se
compensa mediante un algoritmo en tiempo real. Los sensores pueden actualizarse a
otros más nuevos o construirse con mejores características, en la mayoría de los casos
con poco o ningún cambio en el código del algoritmo y el circuito, y algunos sensores
pueden venderse precalibrados de fábrica.
Energías 2021, 14, 3967 10 de 15

3. Resultados experimentales y análisis

En esta subsección se presentan los resultados de las mediciones obtenidas con el
conjunto de sensores desarrollado. En primer lugar, se proporcionan los resultados de la
calibración del sistema para determinar la correlación entre los valores de voltaje y la
concentración de gas, junto con una descripción concisa de los datos experimentales con
mediciones de gas metano en el vertedero.
Se derivó una ecuación para la relación Rs/Ro que se expresará como concentración
de CH4 ppm a partir de las características conocidas del hardware y las directrices según
las especificaciones del fabricante:

R /Rsoppm = ((V/(V/ADCscale -ADCval ))-1)-RL /Rclean (2)

donde V-voltaje de la fuente de alimentación del sensor (aquí 5V), ADCscale -valor
máximo del convertidor analógico-digital del microcontrolador (aquí 1024), ADCval -
lectura de corriente del microcontrolador, RL -resistencia de carga (aquí 500 ohm), Rclean
-relación R /Rso en aire limpio (o cuando la concentración de gas que estamos calibrando
no está presente en las proximidades de los sensores).

3.1. Resultados de la calibración del sistema de sensores

Para cada sensor, se ajustó la regresión lineal mediante el método OLS y se
calcularon y proporcionaron los principales estadísticos (coeficiente de determinación,
ajustado, estadísticos p y t). Para los cálculos se utilizó el entorno de programación
Python 3 con las bibliotecas matplotlib, statsmodels y pandas.
Todos los resultados se muestran en las figuras 7-9. El eje vertical muestra la
relación entre la resistencia del sensor en contacto con CH4 y la resistencia en el
denominado aire limpio (sin CH4 ni gases similares). El eje horizontal muestra la
concentración de CH4 en mil partes por millón (abreviado k ppm o 103 ppm). Se
obtuvieron ecuaciones de regresión lineal con un buen ajuste, ya que los coeficientes de
determinación r2 oscilaban entre 0,937 y 0,987.

R2: 0.937

Figura 7. Curva de calibración del sensor MQ2 integrado en un dispositivo Curva de calibración del sensor MQ2 integrado en un
dispositivo.

: 0.965
R2

Figura 8. Curva de calibración del sensor MQ4 integrado en un dispositivo.

Energías 2021, 14, 3967 11 de 15

MQ135
: 0.975
R2

Figura 9. Curva de calibración del sensor MQ135 integrado en un dispositivo.

Basándose en los informes recientes de seguimiento de vertederos tradicionales en

Lituania, cuando se comunican los resultados, es habitual afirmar que la correlación de
la calibración se considera fiable cuando r2 > 0,8.
De acuerdo con la curva de calibración (Figura 7), la ecuación se forma como:

yˆ = -0,0082-x1 + 8,0024 (3)

para el que p = 0,001 (p < 0,05), y el coeficiente de determinación ajustado r2adj = 0,930
(Tabla 1). Se utilizó la biblioteca "statmodels" para calibrar el sensor MQ2, y las Tablas 1 y 2
muestran los resultados de las estadísticas matemáticas que se crearon.

Tabla 1. Resultados de la regresión MCO (MQ2).

Dep. Variable: MQ2 R-cuadrado: 0.937

Modelo: OLS R-cuadrado adjunto: 0.930
Método: Mínimos cuadrados Estadístico F: 148.2
No. Observaciones: 12 Prob (estadístico F): <0.001
Df. Residuales: 10 Log-Likelihood: -0.34493
Df. Modelo: 1 AIC: 4.690
Tipo de covarianza: no robusto BIC: 5.660

Tabla 2. Resultados de la regresión MCO (MQ2 continuación).

Valor Coef. Error t p > [t] [0.025 0.975]

estándar
Constante 8.0024 0.174 45.896 0.000 7.614 8.391
PPM -0.0082 0.001 -12.173 0.000 -0.010 -0.007

Se utilizó la biblioteca "statsmodels" para calibrar el sensor MQ4, y las tablas 3 y 4

muestran los resultados de las estadísticas matemáticas creadas, como se muestra en la
figura 8.

Tabla 3. Resultados de la regresión MCO (MQ4).

Dep. Variable: MQ4 R-cuadrado: 0.965

Modelo: OLS R-cuadrado adjunto: 0.961
Método: Mínimos cuadrados Estadístico F: 273.9
No. Observaciones: 12 Prob (estadístico F): <0.001
Df. Residuales: 10 Log-Likelihood: 21.327
Df. Modelo: 1 AIC: -38.65
Tipo de covarianza: no robusto BIC: -37.68
Energías 2021, 14, 3967 12 de 15

Tabla 4. Resultados de la regresión OLS (MQ4 continuación).

Valor Coef. Error t p > [t] [0.025 0.975]

estándar
Const 1.0981 0.029 38.329 0.000 1.034 1.162
PPM -0.0018 0.000 -16.551 0.000 -0.002 -0.002

De acuerdo con la curva de calibración (Figura 8), la ecuación se forma como:

yˆ = -0,0018-x1 + 1,0981 (4)

que es p = 0,001 (p < 0,05). El coeficiente de determinación ajustado r2adj = 0,961 (Tabla 3).
De acuerdo con la curva de calibración (Figura 9), la ecuación se forma como:

yˆ = -0.0041-x1 + 2.9936 (5)

que es p = 0,001 (p < 0,05). Coeficiente de determinación ajustado r2adj = 0,972 (Cuadro 5).
Coeficientes descritos en la Tabla 6.

Tabla 5. Resultados de la regresión MCO (MQ135).

Dep. Variable: MQ135 R-cuadrado: 0.975

Modelo: OLS R-cuadrado adjunto: 0.972
Método: Mínimos cuadrados Estadístico F: 387.9
No. Observaciones: 12 Prob (estadístico F): <0.001
Df. Residuales: 10 Log-Likelihood: 13.802
Df. Modelo: 1 AIC: -23.60
Tipo de covarianza: no robusto BIC: -22.63

Tabla 6. Resultados de la regresión MCO (MQ135 continuación).

Valor Coef. Error t p > [t] [0.025 0.975]

estándar
Const 2.9936 0.054 55.813 0.000 2.874 3.113
PPM -0.0041 0.000 -19.694 0.000 -0.005 -0.004

La descripción del ajuste de los datos muestra una correlación segura en

concentraciones altas de aproximadamente 100k a 500k ppm CH4 , y se podría conseguir
una resolución aún mejor calibrando para rangos más cortos como 250k-500k ppm o ajustando
polinomios de 2 grados, o en algunos casos, aplicando escalas logarítmicas para un rango
más amplio.
Para concentraciones menores que las descritas anteriormente, de 200 ppm a 10k
ppm, el fabricante proporcionó esta tabla de datos (Tabla 7):

Tabla 7. Rs/Ro y valores de concentración de CH4 de la hoja de datos del sensor MQ4.

PPM 200 300 400 500 600 700 800 900 1000
Ratio Rs/Ro 1.752 1.518 1.369 1.264 1.186 1.122 1.070 1.028 0.988
PPM 2000 3000 4000 5000 6000 7000 8000 9000 10,000
Ratio Rs/Ro 0.772 0.675 0.613 0.566 0.527 0.495 0.468 0.450 0.432

A partir de los datos siguientes, la ecuación se deduce como:

y = 11,531x−0.355 (6)

con R2 = 0,9998. Tras las pruebas sobre el terreno, se utilizó la inversa de esta ecuación.
Energías 2021, 14, 3967 13 de 15

3.2. Resultado de la medición en el vertedero

El sensor, probado en condiciones de laboratorio, se utilizó en el objeto de la
investigación en las condiciones del vertedero de Kariotiskes. Los datos de medición de
los cambios en la concentración de gas se trazan en una escala temporal absoluta y, si se
utiliza un dispositivo GPS geodésico profesional, puede obtenerse un mapa temático de
la zona del vertedero, en el que las ordenadas y abscisas de los puntos medidos se
relacionan con las concentraciones de CH4 medidas o los valores mV de cada sensor. La
prueba sólo se realizó en partes del vertedero donde las condiciones de la vegetación
eran inferiores a las de sus alrededores.
Antes de las mediciones, se inicializó el sensor en el vertedero (parte central). El gas
medido emanó del pozo encerrándolo en una bolsa y se seleccionaron cinco regiones en
la zona en las que el índice NDVI vegetal anterior tenía valores de 0,1-0,2 y podían
contener vegetación que experimentaba estrés hídrico debido a la exposición al gas del
vertedero. Los resultados de las observaciones de vegetación y cobertura se generaron
utilizando datos del UAV Trimble UX5 adquiridos en 2018. El sensor NIR (una cámara
Sony NEX-5R sin espejo) se utilizó para capturar dos bandas de color y una banda NIR.
Las imágenes TIR del mismo día se generaron a partir de datos adquiridos con el UAV
DJI Matrice 200 en 2018. Las imágenes se adquirieron en zonas que presentaban valores
de NDVI inusualmente bajos para determinar si sus temperaturas diferían de las de su
entorno (Figura 10) [22].

Figura 10. Representación gráfica de los puntos de interés y de la sesión de prueba.

El primer punto se encontraba al sur de la parte central, cerca del pozo de recogida
de gas; el segundo, en el centro de la ladera noreste; el tercero, en la parte más
septentrional de la joroba; el cuarto, en la parte norte del cubo; y el quinto, en la parte
sureste de la joroba (figura 10).
La figura 11 muestra los datos recogidos durante aproximadamente dos horas de
recorrido por el campo y más de 5.000 líneas de datos con los valores de tensión de los
sensores (resultados del convertidor analógico-digital de 10 bits integrado en el
microcontrolador) expresados en función del tiempo.
 Suscríbete a DeepL Pro para poder traducir archivos de mayor tamaño.
Más información disponible en www.DeepL.com/pro.
Energías 2021, 14, 3967 12 de 15

Figura 11. Gráfico que muestra los datos de los estudios experimentales realizados por los sensores MQ2, MQ4 y MQ135 en el
vertedero de Kariotiskes.

Los datos registrados por el sensor MQ2 mostraron un valor mínimo de 390 mV, un
valor máximo de 835 mV, un valor medio de 571 mV y una desviación estándar de 49
mV; la media del 75% de los valores más altos fue de 615 mV. Los datos registrados por
el sensor MQ4 mostraron un valor mínimo de 376 mV, con un valor medio de 493 mV,
una desviación estándar d e 4 9 mV, y el 75% de los valores más altos con una media
de 552 mV. Los datos registrados por el sensor MQ135 mostraron un valor mínimo de
396 mV, un valor máximo de 879 mV, un valor medio de 616 mV, y una desviación
estándar de 52 mV; la media del 75% de los valores más altos fue de 654 mV.
En resumen, se obtuvieron los valores mínimos del sensor de 376 mV a 879 mV
para todos los datos de medición y los valores medios de 493 a 612 mV. Aunque los
valores absolutos no coincidieron entre los sensores, en la mayoría de los casos
coincidieron las tendencias (aumento o disminución).
Los valores detectados con un sensor de gas metano especializado se convirtieron
de milivoltios a ppm y se representan en la Figura 12.
Los valores medidos se generalizaron, interpolaron y superpusieron en un mapa
ortofotográfico, que se muestra en la figura 13.
Las zonas o puntos de interés mencionados anteriormente mostraban valores
diferentes, pero todos estaban por debajo del valor mínimo detectable del sensor de gas
especificado.
Energías 2021, 14, 3967 13 de 15

Figura 12. Datos del sensor de gas MQ4, valores de ppm en función del tiempo en el vertedero de
Kariotiskes.

Figura 13. Datos del sensor de gas de los estudios experimentales realizados con el sensor MQ4 en el vertedero de
Kariotiskes.

4. 4. Debate y conclusiones
Se construyó un prototipo de sensor para comprobar fácil y rápidamente las
emisiones de gas CH4 de los vertederos. Los componentes y el diseño del sistema tenían
por objeto crear un dispositivo de respuesta rápida con capacidad de itinerancia para
mejorar el proceso de control y detección de gases. Una solución de este tipo tiene
potencial para sustituir a la cámara de flujo estática en determinadas situaciones, está
económicamente más disponible que los sistemas de detección por láser y es mejor para
la detección detallada de pequeñas fuentes de emisión que las imágenes por satélite.
Existen otros métodos más
Energías 2021, 14, 3967 14 de 15

Existen dispositivos y tecnologías muy precisos, pero su coste es elevado y carecen de la

velocidad de detección o de la capacidad de escanear toda la zona con una buena
resolución.
La calibración de los sensores de gas semiconductores de bajo coste probados
mostró un buen ajuste del modelo a los datos, lo que indica que estos sensores pueden
utilizarse más allá de la aplicación doméstica y fuera de los límites especificados en una
hoja de datos. La calibración del conjunto de sensores (para los sensores MQ2, MQ4 y
MQ135) de 100k ppm a 500k ppm de CH4 dio como resultado coeficientes de
determinación r2 que oscilaban entre 0,94 y 0,99; estos y otros parámetros indican que las
fórmulas proporcionadas pueden utilizarse para la conversión de una relación de
resistencia a ppm de CH4 en condiciones similares utilizando este prototipo. Aunque el
riesgo de dañar el sensor era posible cuando se trataba de concentraciones tan altas, las
pruebas realizadas indicaron que la aplicación del conjunto de sensores era capaz de
mostrar fugas de gas de hasta 500k ppm. Aunque en el vertedero estudiado no se
encontraron fugas de gas que indicaran la existencia de grietas en las emisiones de CH4 a
través de la cubierta del vertedero, el conjunto de sensores reaccionó al flujo de gas
procedente del pozo de recogida de gas cuando se encontraba en sus proximidades. Para
concentraciones de 200 ppm a 10k ppm, se extrajeron puntos de datos del gráfico de la
hoja de datos de fábrica y se obtuvo la ecuación logarítmica con r2 = 0,9998. El sensor
reacciona proporcionalmente con una curva similar a través de un largo rango de
concentraciones con un buen ajuste a un modelo estadístico. La idea principal no es
encontrar una cantidad exacta de CH4 , sino encontrar la dirección geográfica en la que
aumenta la cantidad, mientras se recorre el vertedero o se comprueban puntos de interés
y se determina si está bajo la influencia de la contaminación atmosférica. Basándose en
los resultados, se demuestra que es posible utilizar el prototipo para comprobar si hay
fugas con emisión de CH4 .
Las mediciones en tiempo real de las cantidades relativas de determinados gases
con contenidos específicos, en este caso aplicadas en un vertedero para la detección de
CH4 , pueden proporcionar una herramienta rápida e itinerante para comprobar cualquier
lugar o parte del territorio de forma casi instantánea, a d i f e r e n c i a de la recogida de
muestras de aire de forma estática en lugares predefinidos o con equipos mucho más
caros. Las piezas económicas y accesibles disponibles en todo el mundo podrían
o f r ecer a muchos ingenieros de vertederos cerrados la posibilidad de probar esta
configuración de sensores para explorar grandes zonas en busca de grietas con fugas de
CH4 en el caso de algunos indicios visuales o de vigilancia con vehículos aéreos no
tripulados. Cuando se esperan concentraciones pequeñas o insignificantes, se puede
utilizar la hoja de datos de fábrica con la curva de calibración. Para concentraciones
superiores a 100k, se recomienda una calibración específica del sensor.

Contribuciones de los autores: Conceptualización, I.D. y J.K.; metodología, I.D., J.K.; software,
I.D., I.S.; validación, I.D., J.K., J.S.V., I.S.; análisis formal, I.D.; investigación, I.D.; recursos, J.S.V.;
conservación de datos, I.D., I.S.; redacción-redacción del borrador original, J.S.V., I.D.; redacción-revisión
y edición, J.K.; visualización, I.D.; supervisión, J.S.V.; administración del proyecto, J.S.V.;
obtención de fondos, J.S.V. Todos los autores han leído y aceptado la versión publicada del
manuscrito.
Financiación: Esta investigación no ha recibido financiación externa.
Declaración de disponibilidad de datos: Los datos presentados en este estudio están disponibles
previa solicitud al autor correspondiente.
Conflictos de i n t e r e s e s : Los autores declaran no tener ningún conflicto de i n t e r e s e s .
Referencias
1. Allen, M.R.; Babiker, M.; Chen, Y.; Coninck, H.D.; Connors, S.; Diemen, R.V.; Dube, O.P.; Ebi, K.L.; Engelbrecht, F.; Ferrat, M.; et
al. Resumen para responsables políticos. En Calentamiento global de 1,5: Un informe especial del IPCC sobre los impactos del
calentamiento global de 1,5\C por encima de los niveles preindustriales y las vías de emisión de gases de efecto invernadero globales
relacionadas, en el contexto del fortalecimiento de la respuesta global a la amenaza del cambio climático, el desarrollo sostenible y los
esfuerzos para erradicar la pobreza IPCC; Organización Meteorológica Mundial: Ginebra, Suiza, 2018; pp. 1-24. Disponible en línea:
https://www.ipcc.ch/sr15/chapter/spm/ (consultado el 13 de mayo de 2021).
2. Rahmstorf, S. A semi-empirical approach to projecting future sea-level rise. Science 2007, 315, 368-370. [CrossRef]
3. Dräger X-am®7000. Disponible en línea: https://www.draeger.com/Products/Content/x-am-7000-pi-9044772-en-gb.pdf
Energías 2021, 14, 3967 15 de 15

(consultado el 4 de mayo de 2021).

4. Marcinonis, A. Babe˙nu˛ Buitiniu˛ Atlieku˛ Sa˛vartyno Teritorijos Aplinkos Monitoringas. Disponible en línea:
https://www.kaunoratc. lt/wp-content/uploads/2019/12/Babenai_2010-2013ataskaita_internetui.pdf (consultado el 4 de mayo de
2021).
Energías 2021, 14, 3967 16 de 15

5. Rolston, D.E. Flujo de Gases. Métodos de análisis de suelos. Part 1. Physical and Mineralogical Methods. Physical and Mineralogical
Methods; SSSA Book Ser. 5; SSSA: Madison, WI, USA, 1986; pp. 1103-1119. [CrossRef]
6. Lindau, C.W.; DeLaune, R.D. Dinitrogen and nitrous oxide emission and entrapment in Spartina alterniflora saltmarsh soils
following addition of N-15 labelled ammonium and nitrate. Estuar. Coast. Shelf Sci. 1991, 32, 161-173. [CrossRef]
7. Yu, K.; Hiscox, A.; DeLaune, R.D. Greenhouse Gas Emission by Static Chamber and Eddy Flux Methods. SSSA Book 2013,
10. Disponible en línea: http://faculty.troy.edu/kyu/2013-methods-wetlands-22.pdf (consultado el 4 de mayo de 2021).
8. Yang, S.; Liu, Y.; Wu, N.; Zhang, Y.; Svoronos, S.; Pullammanappallil, P. Low-cost, Arduino-based, portable device for
measurement of methane composition in biogas. Renew. Energy 2019, 138, 224-229. [CrossRef]
9. Bennetts, V.M.H.; Lilienthal, A.J.; Khaliq, A.A.; Sese, V.P.; Trincavelli, M. Towards real-world gas distribution mapping and leak
localization using a mobile robot with 3d and remote gas sensing c a p a b i l i t i e s . En Proceedings of the 2013 International Conference
on Robotics and Automation, Karlsruhe, Alemania, 6-10 de mayo de 2013. [CrossRef]
10. Innocenti, F.; Robinson, R.; Gardiner, T.; Finlayson, A.; Connor, A. Differential absorption Lidar (DIAL) measurements of landfill
methane emissions. Remote Sens. 2017, 9, 953. [CrossRef]
11. Tanda, G.; Migliazzi, M.; Chiarabini, V.; Cinquetti, P. Application of close-range aerial infrared thermography to detect
landfill gas emissions: Un estudio de caso. J. Phys. 2017, 796, 012016. [CrossRef]
12. Adão, T.; Hruška, J.; Pádua, L.; Bessa, J.; Peres, E.; Morais, R.; Sousa, J.; Adão, T.; Hruška, J.; Pádua, L.; et al. Hyperspectral
imágenes: Una revisión sobre sensores basados en UAV, procesamiento de datos y aplicaciones para agricultura y silvicultura.
Remote Sens. 2017, 9, 1110. [CrossRef]
13. Abrams, M.J.; Hook, S.J. NASA's hyperspectral infrared imager (HyspIRI). En Thermal Infrared Remote Sensing; Kuenzer, C.,
Dech, S., Eds.; Springer: Dordrecht, Países Bajos, 2013; Volumen 17. [CrossRef]
14. Hochberg, E.J.; Roberts, D.A.; Dennison, P.E.; Hulley, G.C. Special issue on the Hyperspectral Infrared Imager (HyspIRI): Emerging
science in terrestrial and aquatic ecology, radiation balance and hazards. Remote Sens. Environ. 2015, 167, 1-5. [CrossRef]
15. Hulley, G.C.; Duren, R.M.; Hopkins, F.M.; Hook, S.J.; Johnson, W.R.; Eng, B.T.; Mihaly, J.M.; Chazanoff, V.M.; Staniszewski, S.L.;
Aubrey, A.D. High spatial resolution imaging of methane and other trace gases with the airborne Hyperspectral Thermal Emission
Spectrometer (HyTES). Atmos. Meas. Tech. 2016, 9, 2393. [CrossRef]
16. Bhargava, A.K. Atmospheric Monitoring Using Arduino Boards and Low Cost Sensors. Conferencia Internacional sobre
Nuevos Horizontes en Ciencia y Gestión y Humanidades 2021 (NHSEMH-18). Disponible en línea:
http://data.conferenceworld.in/ IIMT_NHSEMH/1.pdf (consultado el 4 de mayo de 2021).
17. Schuyler, T.J.; Guzman, M.I. Unmanned Aerial Systems for Monitoring Trace Tropospheric Gases. J. Atmos. 2017, 8, 206. [CrossRef]
18. Thompson, B. Análisis de correlación canónica. Sage Publications 1984, EE.UU. Disponible en línea:
https://books.google.lt/books? hl=lt&lr=&id=Dk0XINOvsw8C&oi=fnd&pg=IA1&dq=correlation+analysis&ots=3buz-
30Wrd&sig=kR5N5rJw4knQipZWU3 8d1cOt5vQ&redir_esc=y#v=onepage&q=correlation%20analysis&f=false (consultado el 4
de mayo de 2021).
19. Montgomery, D.C.; Peck, E.A.; Vining, G.G. Introduction to Linear Regression Analysis, 2ª ed.; Wiley: Hoboken, NJ, EE.UU., 1992.
20. Datos técnicos del sensor de gas MQ-4 de SparkFun Electronics. Disponible en línea:
https://www.sparkfun.com/datasheets/Sensors/ Biometric/MQ-4.pdf (consultado el 4 de mayo de 2021).
21. Zein, H.; Tran, V.L.H.; Abdelmotaleb, G.A.; Mohammed, A.T.; Ahmed, A.; Iraqi, A.; Nguyen, H. How to Extract Data from Graphs
Using Plot Digitizer or Get Data Graph Digitizer. Informe técnico 2015. Disponible en línea:
https://www.academia.edu/32440572
/How_to_Extract_Data_from_Graphs_using_Plot_Digitizer_or_Getdata_Graph_Digitizer (consultado el 4 de mayo de 2021).
22. Dauge˙la, I.; Suziedelyte Visockiene, J.; Kumpiene, J. Detección y análisis de las emisiones de metano de un vertedero mediante
sistemas de drones aéreos no tripulados y sensores semiconductores. Detritus-Multidiscip. J. Waste Resour. Residues 2020, 10, 127-
138. [CrossRef]