Al hablar de un sensor de metano NDIR, quizá esperen que mida de forma estable en cualquier entorno. Sin embargo, hay que examinar por separado las ventajas del principio de funcionamiento y el rendimiento que se necesita en campo. En el capítulo 8 de «Tecnología y soluciones para demostrar la reducción de carbono» se abordan, junto con los métodos de detección, la calibración de sensores de metano, la contaminación y los efectos ambientales. Se trata de pasar de conocer el principio a considerar las condiciones reales de operación.
Lo primero que conviene distinguir en el libro
Quizá se pregunten si deben descartar todos los datos anteriores cuando se detecta una anomalía en la calibración. Primero hay que buscar evidencia para evaluar qué periodo se vio afectado y de qué manera. También hay que revisar qué parte puede reconstruirse a partir de los registros de inspección y recalibración. Si no hay evidencia suficiente para un periodo, puede ser necesario limitar las afirmaciones cuantitativas. Conservar la cadena de calibración, las condiciones de los gases patrón y el historial de uso ayuda a tomar estas decisiones. Los registros permiten seguir dando explicaciones cuando surge un problema.
Un error que hay que evitar especialmente al definir los límites es la selección interesada (cherry-picking): incluir solo las fuentes de emisión con buenos resultados de reducción y excluir las demás. Este error no suele ser intencionado. A menudo surge de forma natural cuando solo se incluyen los elementos cuyos datos están disponibles.
Calibración. Se registra cuándo se realizó, con qué patrón y procedimiento, y se diferencia el estado anterior de la calibración del estado posterior al ajuste. La diferencia entre dos inspecciones no basta para establecer cómo evolucionó la deriva durante el periodo intermedio. Hay que revisar conjuntamente las comprobaciones intermedias, los registros ambientales y los datos de recalibración; si faltan fundamentos para determinar el periodo afectado y la corrección, se refleja en la incertidumbre de los resultados o en las restricciones de uso.
En los establos con ventilación mecánica, hay que comprobar no solo la potencia nominal de los ventiladores, sino también la presión estática, su estado de funcionamiento y los cambios reales en el caudal de aire debidos a la suciedad o al desgaste. En la ventilación natural, hay que examinar la dirección y velocidad del viento, las diferencias de temperatura y el estado de las aberturas. El efecto de la incertidumbre en la estimación del caudal sobre la tasa de emisión se evalúa dentro del modelo de medición.
Los métodos a nivel de animal tienen ventajas y limitaciones distintas según el propósito. Las cámaras de respiración de circuito abierto calculan el balance de masas a partir del aire de entrada y salida y del caudal, pero exigen adaptación de los animales y suponen costes elevados. GreenFeed utiliza la concentración y el flujo de aire durante las visitas a la campana, por lo que es importante que las visitas representen adecuadamente el día. El método SF6 introduce en el rumen un tubo permeable con una tasa de liberación conocida y recoge gases de respiración y eructos mediante un dispositivo de muestreo externo. En lugar de establecer una clasificación única de exactitud por nombre de tecnología, hay que comparar la recuperación, la calibración, las muestras y los registros de ejecución. La concentración en un punto del establo no es la misma magnitud que estas tasas de emisión.
El infrarrojo no dispersivo (NDIR) es un método que utiliza la absorción de luz infrarroja por el metano. No depende del oxígeno como la combustión catalítica ni sufre envenenamiento del catalizador, pero no está libre de los efectos de la contaminación óptica ni de la temperatura, la presión y la humedad. No se debe considerar adecuado para observaciones prolongadas en granjas basándose únicamente en su principio de funcionamiento; hay que comprobar para cada producto si el límite de detección, la repetibilidad y la deriva son suficientes frente a las concentraciones previstas y las diferencias entre el interior y el exterior.
Así pueden examinarlo en el campo
Imaginen un establo donde los sensores llevan mucho tiempo funcionando. Aunque la pantalla siga mostrando cifras, hay que comprobar el estado de la ventana óptica y los efectos de la temperatura y la humedad. También se necesitan registros de inspección y calibración que muestren cómo se mantuvo el rendimiento durante ese tiempo. Incluso los productos que utilizan el mismo principio pueden tener especificaciones y métodos de mantenimiento distintos.
El intervalo de calibración se determina según las condiciones de uso, el procedimiento del fabricante, los registros reales de deriva y la incertidumbre requerida. Los equipos que no admiten calibración en campo también pueden gestionarse combinando comparaciones periódicas con un instrumento de referencia, calibraciones de retorno o comprobaciones con gas patrón. Lo importante no es fijar un intervalo uniforme, sino disponer de registros que respalden el rendimiento entre calibraciones y de reglas para tratar los datos cuando se detectan anomalías.
Al comparar sensores, hay que examinar conjuntamente el rango de medición, la resolución, la sensibilidad cruzada a otros gases, el tiempo de respuesta y la deriva. También deben revisarse las condiciones ambientales, como la temperatura, la humedad y el polvo, además de los requisitos de calibración. Si el propósito exige distinguir diferencias pequeñas de concentración, hay que comprobar, para cada producto y modo de funcionamiento, si las unidades indicadas y la incertidumbre del equipo son adecuadas. El nombre del principio de funcionamiento del sensor no sustituye a esta revisión.
La IA puede utilizarse para identificar posibles anomalías, estimar breves intervalos sin datos en condiciones definidas y explorar relaciones entre distintas variables. También puede ayudar a organizar datos, revisar su calidad y preparar borradores de informes. Como el propósito y el coste de los fallos difieren entre funciones, no deben evaluarse todas con el mismo indicador de rendimiento. Hay que indicar con qué entradas y supuestos se obtuvo cada resultado, y distinguir los valores estimados de los observados directamente.
¿Qué conviene preguntar también al evaluar una inversión?
Al evaluar equipos, en vez de fijar el intervalo de calibración con una sola cifra, conviene revisar el procedimiento del fabricante, las condiciones de uso y los registros reales de deriva. Si una inspección detecta una anomalía, también hay que comprobar a qué periodo de datos afecta. Lo importante no es solo si se hizo una calibración, sino cómo se gestionan los datos posteriores.
Primero se separan los datos de evaluación. Si se mezclan aleatoriamente mediciones cercanas en el tiempo de una misma granja, el rendimiento que refleja patrones repetidos del sitio puede confundirse con el rendimiento en granjas nuevas. Si el propósito es predecir operaciones futuras, se separan los datos cronológicamente; si se quiere aplicar el modelo en otras granjas, se separan por granja. Hay que distinguir los datos de validación utilizados para seleccionar el modelo de los datos reservados para la comprobación final del rendimiento, y aplicar el preprocesamiento y la imputación de datos faltantes según reglas definidas a partir de los datos de entrenamiento.
Los materiales para evaluar la IA se organizan según el propósito de uso. Para predecir condiciones futuras de funcionamiento, hay que considerar el orden temporal; para desplegar un modelo en otras granjas, conviene separar los datos por granja. También deben distinguirse los datos usados para seleccionar el modelo de los reservados para la evaluación final del rendimiento. Hay que compararlo con un modelo de referencia sencillo y comprobar no solo el error medio, sino también los sesgos por granja y estación y las condiciones de fallo, para poder explicar el ámbito de uso real.
Preguntas para llevarse al cerrar el libro
Entender el principio de funcionamiento de un sensor permite ver tanto sus ventajas como sus puntos vulnerables. Relacionen esta comprensión con el historial de calibración y las inspecciones en campo. Así podrán explicar en qué condiciones se pueden utilizar esas cifras.
Sobre el autor
Bongjun Lee se graduó de la Escuela de Posgrado de Gestión de Tecnología (MOT) de Sogang University. Trabajó durante 27 años en el campo de la medición de gases, incluidos 7 años en Infitron Co., Ltd. y 20 años en Honeywell, desempeñando funciones de ingeniería de servicio, ventas técnicas y gestión de canales. Actualmente, como fundador de AI Safety Korea Co., Ltd., investiga el monitoreo de metano en la ganadería y los sistemas de medición, presentación de informes y verificación (MRV) mediante sensores, IA y análisis de datos.