Optimization of machine learning models for real-time detection and quantification of industrial odour emissions using electronic nose

Odour emissions from industrial plants consist of complex volatile compounds that, if unmonitored, can pose public annoyance and complaints. Effective monitoring is essential for regulatory compliance and mitigating nuisance. Dynamic olfactometry (DO) is the traditional technique for measuring odour concentration; however, it has limitations: it does not provide continuous or real-time data, and incurs high costs due to reliance on human panelists. Given these drawbacks, electronic noses (EN) are gaining popularity as a promising alternative, capable of in-situ, continuous, and real-time monitoring. This study integrates EN with advanced machine learning (ML) techniques to enhance odour monitoring for two objectives: (1) detecting anomalous emission events and (2) quantifying emitted odours. Two case studies—a Waste Water Treatment Plant (WWTP) and a Waste Treatment Plant (WTP)—were evaluated, offering diverse datasets to test ML model performance. For detecting anomalous odour emissions, Principal Component Analysis (PCA) achieved over 90% accuracy in both studies. For quantification, Partial Least Squares (PLS) regression and Support Vector Regression (SVR) were explored. SVR demonstrated a clear advantage, reducing prediction error by 30-40% with respect to PLS, improving repeatability, and minimizing bias. These findings show ML-augmented EN systems are robust, cost-effective, and regulation-compliant solutions for industrial odour monitoring, offering some significant advantages over traditional DO by providing continuous, real-time data and reducing operational costs.

Le emissioni odorigene dagli impianti industriali sono costituite da composti organici volatili complessi che, se non monitorati, possono causare lamentele e reclami. Un monitoraggio efficace è essenziale per garantire la conformità alle normative e mitigare le molestie olfattive. L’ olfattometria dinamica (OD) è la tecnica utilizzata tradizionalmente per misurare la concentrazione di odore; tuttavia, la DO presenta alcune limitazioni: non fornisce dati in continuo e in tempo reale e comporta costi elevati dovuti all'uso di panelisti umani. A fronte di questi limiti, i nasi elettronici (NE) stanno guadagnando popolarità come alternativa promettente, capace di monitorare in loco, in continuo e in tempo reale. Questo studio si pome come obbiettivo quello di integrare la tecnologia dei NE con tecniche avanzate di machine learning (ML) per migliorarne le performance d il monitoraggio degli odori con due obiettivi: (1) rilevare eventi di emissioni anomale e (2) quantificare gli odori emessi. Due casi di studio—un impianto di trattamento delle acque reflue (WWTP) e un impianto di trattamento dei rifiuti (WTP)—sono stati valutati, fornendo dataset diversi per testare le prestazioni dei modelli ML testati. Per il rilevamento delle emissioni anomale, l'Analisi delle Componenti Principali (PCA) ha raggiunto oltre il 90% di accuratezza in entrambi gli studi. Per la quantificazione, sono stati esplorati la regressione Partial Least Squares (PLS) e la Support Vector Regression (SVR). Quest’ultima ha mostrato un chiaro vantaggio rispetto alla PLS, riducendo l'errore di previsione del 30-40%, migliorando la ripetibilità e minimizzando il bias. Questi risultati dimostrano come i sistemi EN integrati con ML rappresentino soluzioni robuste, economiche e conformi alle normative per il monitoraggio degli odori industriali, offrendo un vantaggio significativo rispetto alla OD tradizionale grazie alla possibilità di acquisizione di dati continui, in tempo reale e minori costi operativi.