Ao ouvir falar de um sensor de metano NDIR, vocês podem esperar que ele meça de forma estável em qualquer ambiente. Mas é preciso distinguir as vantagens do princípio de funcionamento do desempenho necessário no campo. No capítulo 8 de Tecnologia e soluções para comprovar a redução de carbono, abordo o método do sensor, a calibração de sensores de metano, a contaminação e os efeitos ambientais. É um passo além de conhecer o princípio: é preciso considerar as condições reais de operação.
O que vale a pena distinguir primeiro no livro
Talvez vocês se perguntem se todos os dados anteriores precisam ser descartados quando se identifica uma anomalia na calibração. Primeiro, é preciso encontrar evidências para avaliar o período afetado e o impacto ocorrido. Também se deve examinar até que ponto os registros de inspeção e recalibração permitem recuperar os dados. Para os períodos sem evidências suficientes, pode ser necessário limitar as alegações quantitativas. Manter registros da cadeia de calibração, das condições dos gases padrão e do histórico de uso ajuda a tomar essas decisões. Com registros, é possível continuar explicando a situação mesmo quando surge um problema.
Um erro que exige atenção especial ao definir os limites é a seleção conveniente (cherry-picking): incluir apenas as fontes de emissão em que a redução é maior e excluir as demais. Esse erro geralmente não é intencional. Pode ocorrer naturalmente quando se incluem apenas os itens para os quais há dados disponíveis.
Calibração. Registre quando e segundo quais normas e procedimentos foi realizada, distinguindo o estado antes da calibração do estado após os ajustes. A diferença entre dois momentos de verificação não permite determinar o percurso do desvio ocorrido no intervalo. Examine em conjunto as verificações intermediárias, os registros ambientais e os dados de recalibração; se faltarem evidências sobre o período afetado ou sobre a base do ajuste, reflita isso na incerteza dos resultados ou nas restrições ao seu uso.
Em galpões com ventilação mecânica, verifique não apenas a classificação nominal dos ventiladores, mas também a pressão estática, o estado de operação e as mudanças reais na vazão de ar causadas por contaminação ou desgaste. Na ventilação natural, examine a direção e a velocidade do vento, as diferenças de temperatura e o estado das aberturas. Avalie, dentro do modelo de medição, quanto a incerteza da estimativa da taxa de ventilação afeta a taxa de emissão.
Os métodos em nível individual têm vantagens e limitações diferentes conforme o objetivo. Uma câmara respirométrica de circuito aberto calcula o balanço de massa usando o ar de entrada e saída e a vazão, mas envolve adaptação dos animais e custos elevados. O GreenFeed usa a concentração e o fluxo de ar durante as visitas ao capuz; por isso, a representatividade dessas visitas ao longo do dia é importante. O método SF6 utiliza um tubo permeável com taxa de liberação conhecida, inserido no rúmen, e um dispositivo externo de coleta para captar gases da respiração e da eructação. Em vez de criar uma classificação única de precisão baseada no nome da tecnologia, compare a taxa de recuperação, a calibração, a amostragem e os registros de execução. A concentração em um ponto do galpão não é a mesma grandeza medida que essas taxas de emissão.
O infravermelho não dispersivo (NDIR) é um método que utiliza a absorção de luz infravermelha pelo metano. Não depende de oxigênio como a combustão catalítica e não sofre envenenamento do catalisador, mas não está livre dos efeitos de contaminação óptica, temperatura, pressão e umidade. Não se deve concluir, com base apenas no princípio de funcionamento, que o método é adequado ao monitoramento de longo prazo em uma propriedade. Para cada produto, verifique se o limite de detecção, a repetibilidade e o desvio são adequados diante da concentração esperada e da diferença entre as concentrações interna e externa.
Como examinar isso no campo
Imagine um galpão em que os sensores estão funcionando há muito tempo. Mesmo que os números continuem aparecendo na tela, é preciso verificar o estado da janela óptica e os efeitos da temperatura e da umidade. Também são necessários registros de inspeção e calibração que mostrem como o desempenho se manteve nesse período. Mesmo produtos que usam o mesmo princípio podem ter especificações e métodos de gestão diferentes.
O intervalo de calibração deve ser definido com base no ambiente de uso, nos procedimentos do fabricante, nos registros reais de desvio e na incerteza exigida. Mesmo os equipamentos que não permitem calibração em campo podem ser gerenciados por meio de uma combinação de comparações periódicas com padrões de referência, calibração após retirada e verificações com gás de teste. O essencial não é adotar um intervalo uniforme, mas manter registros que sustentem o desempenho entre calibrações e regras para tratar os dados quando forem detectadas anomalias.
Ao comparar sensores, examine em conjunto a faixa de medição, a resolução, a sensibilidade cruzada a outros gases, o tempo de resposta e o desvio. Também é preciso avaliar as condições ambientais, como temperatura, umidade e poeira, e os requisitos de calibração. Se o objetivo for distinguir pequenas diferenças de concentração, verifique, para cada produto e modo de operação, se a unidade indicada pelo equipamento e sua incerteza são adequadas a esse objetivo. O nome do princípio de funcionamento do sensor não substitui essa avaliação.
A IA pode ser usada para identificar possíveis anomalias, estimar pequenos períodos com dados ausentes sob condições definidas e explorar relações entre múltiplas variáveis. Também pode ajudar a organizar dados, verificar sua qualidade e preparar rascunhos de relatórios. Os objetivos e custos das falhas de cada função são diferentes, portanto não se deve avaliar todas com a mesma métrica de desempenho. É preciso informar quais dados de entrada e hipóteses geraram cada resultado e distinguir os valores estimados daqueles observados diretamente.
Perguntas a incluir na análise de investimento
Ao avaliar os equipamentos, em vez de definir o intervalo de calibração com um único número, é melhor examinar os procedimentos do fabricante, o ambiente de uso e os registros reais de desvio. Se uma inspeção detectar uma anomalia, também é preciso verificar quais períodos de dados foram afetados. Mais importante do que saber se houve uma calibração é saber como os dados foram gerenciados depois dela.
Separe primeiro os dados de avaliação. Se os dados de horários próximos da mesma propriedade forem distribuídos aleatoriamente entre os conjuntos, o desempenho de um modelo que memorizou padrões recorrentes do local poderá ser confundido com seu desempenho em propriedades novas. Se o objetivo for prever operações futuras, separe os dados por ordem temporal; para uso em outras propriedades, faça a separação por propriedade. Diferencie os dados de validação usados na seleção do modelo daqueles reservados para a avaliação final de desempenho; execute também o pré-processamento e o preenchimento de dados ausentes segundo regras definidas com base nos dados de treinamento.
Os dados de avaliação de IA devem ser separados de acordo com a finalidade de uso. Para prever a operação futura, considere a ordem temporal; para aplicar o modelo em outras propriedades, considere a separação por propriedade. Também separe os dados usados para selecionar o modelo daqueles reservados para a verificação final de desempenho. Compare o modelo com um modelo de referência simples e examine não apenas o erro médio, mas também os vieses por propriedade e estação do ano e as condições de falha. Assim será possível explicar o escopo real de uso.
Uma pergunta para levar ao fechar o livro
Quando compreendemos o princípio de funcionamento do sensor, conseguimos ver tanto suas vantagens quanto seus pontos vulneráveis. Relacione isso ao histórico de calibração e às inspeções no campo. Isso ajudará a explicar em que condições esses números podem ser usados.
Sobre o autor
Bongjun Lee concluiu a pós-graduação em Gestão de Tecnologia (MOT) da Sogang University. Trabalhou durante 27 anos no setor de medição de gases, incluindo 7 anos na Infitron Co., Ltd. e 20 anos na Honeywell, atuando como engenheiro de serviços, em vendas técnicas e na gestão de canais. Atualmente, como fundador da AI Safety Korea Co., Ltd., pesquisa o monitoramento de metano na pecuária com o uso de sensores, IA e análise de dados, bem como sistemas de medição, relato e verificação (MRV).