Development of specific multivariate techniques and machine learning algorithms for the implementation of electronic noses for process control and emission monitoring

Among the emerging technologies for odour emission measurement, Electronic Noses (EN), which are often referred to as “Instrumental Odour Monitoring Systems” (IOMS), have proven over the years to represent an innovative promising technology in the environmental sector. Exploiting the combination of non-specific sensors and machine learning techniques, these systems enable continuous and real-time monitoring of emissions, offering a significant advantage over the traditional and regulated reference method (EN 13725:2022): Dynamic Olfactometry (DO), whose primary limitation is its discontinuous nature. Evidence of their potential lies in the successful application of these tools across various industrial context, including landfills, wastewater treatment plants, agricultural activities, and more. Despite their potential, this technology still faces several limitations that hinder its widespread adoption. The main challenges include the poor sensor reproducibility, sensor deterioration over time (drift), and environmental interferences affecting their performances. This research aimed to study, develop, and implement machine learning techniques to improve IOMS performance in odour monitoring, focusing on two key areas: 1. Anomaly detection: Developing models capable of distinguishing between normal emission profiles and the presence of anomalous events. 2. Odour quantification: Optimizing regression models to accurately estimate odour concentrations, taking into account the intrinsic uncertainty of the reference method used for training (DO). The opportunity to test these methodologies on datasets collected in real-world contexts provides a crucial added value to this work, allowing the developed approaches to be validated under practical and complex conditions, thus demonstrating their effectiveness and real-world applicability in addressing operational challenges related to odour emission monitoring and management. The results demonstrated excellent performance in both anomaly detection, achieving an accuracy rate of 90% in external validation, and in optimizing odour concentration estimation. By utilizing non-linear algorithms, a significant reduction in errors was achieved compared to traditional methods commonly employed for this purpose. These findings highlight the potential of IOMS, which, when properly trained with appropriate ML techniques, can offer innovative solutions for odour emission monitoring in real-world scenarios.

Tra le tecnologie emergenti per la misura delle emissioni odorigene, i Nasi Elettronici (EN) comunemente noti come “Instrumental Odour Monitoring System” (IOMS), hanno dimostrato negli anni di essere una soluzione promettente e ed innovativa per il settore ambientale. Grazie all’uso combinato di sensori aspecifici e di tecniche di machine learning, questi sistemi consentono un monitoraggio in continuo e in tempo reale delle emissioni, offrendo così un significativo vantaggio rispetto al metodo tradizionale e normato (EN 13725:2022) di riferimento: l’Olfattometria Dinamica (DO), il cui limite principale risulta essere attualmente la sua discontinuità. A prova di ciò, negli anni, questi strumenti sono stati applicati con successo in diversi contesti industriali, come discariche, impianti di trattamento delle acque, attività agricole etc.… Nonostante il loro potenziale, questa tecnologia presenta ancora oggi diverse limitazioni che ne limitano l’adozione su larga scala. Le principali di queste possono essere ricondotte alla scarsa riproducibilità dei sensori, il loro deterioramento nel tempo (drift) e le interferenze ambientali sui loro segnali che possono comprometterne le performance. Questa ricerca si è posta come obbiettivo lo studio, lo sviluppo e implementazione di tecniche di machine learning per il miglioramento delle prestazioni degli IOMS nel campo del monitoraggio degli odori, concentrandosi su due aree chiave: 1. Rilevamento delle anomalie: sviluppo di modelli capaci di distinguere tra il profilo normale dell’emissione e la presenza di eventi anomali. 2. Quantificazione degli odori: ottimizzazione dei modelli di regressione per stimare accuratamente le concentrazioni di odore, tenendo conto delle incertezze intrinseche del metodo di riferimento utilizzato per l’addestramento (DO). La possibilità di testare tali metodiche su dataset raccolti in contesti reali ha rappresentato un valore aggiunto fondamentale per questo lavoro, consentendo di validare le metodologie sviluppate in condizioni pratiche e complesse, dimostrando la loro efficacia e applicabilità concreta nel risolvere problemi operativi legati al monitoraggio e alla gestione delle emissioni odorigene. I risultati ottenuti hanno mostrato ottime capacità sia nel riconoscimento di condizioni anomale, per le quali il modello sviluppato ha ottenuto un ‘indice di accuratezza del 90% in validazione esterna, sia per quanto riguarda l’ottimizzazione della stima delle concentrazioni di odore, che grazie all’utilizzo di algoritmi non lineari ha permesso una riduzione drastica degli errori rispetto ai metodi classici impiegati per tale scopo. Ciò dimostra il potenziale degli IOMS, che se opportunamente addestrati con le adeguate tecniche di ML, possono fornire soluzioni innovative per il monitoraggio delle emissioni odorigene in contesti reali