DESCRIPCIÓN DE LA NECESIDAD DEMANDADA
1.- Descripción de la demanda tecnológica.
1.1 IMPORTANCIA DE LA MONITORIZACIÓN DE CONTAMINANTES ATMOSFÉRICOS PARA LA SALUD Y EL MEDIO AMBIENTE
La monitorización de los contaminantes atmosféricos es fundamental para proteger la salud humana y el medio ambiente, ya que permite identificar y controlar las fuentes de emisión de sustancias nocivas que afectan la calidad del aire. La exposición a contaminantes atmosféricos puede provocar enfermedades respiratorias, cardiovasculares y cáncer en las personas, además de exacerbar condiciones como el asma y otras afecciones crónicas. Por este motivo, la monitorización de contaminantes como el material particulado (PM2.5 y PM10), los óxidos de nitrógeno (NOx), el monóxido de carbono (CO), el dióxido de azufre (SO₂), el ozono troposférico (O₃) y los compuestos orgánicos volátiles (COV) en ámbito urbano es esencial para identificar riesgos para la salud pública y adoptar las medidas correctivas necesarias de manera oportuna.
1.2 DETECCIÓN DE CONTAMINANTES ATMOSFÉRICOS: VENTAJAS Y DESAFÍOS DE LOS SISTEMAS CONVENCIONALES
Hoy en día, la detección de cada uno de los contaminantes mencionado requiere el uso de un sensor especifico. Por lo tanto, para medir este conjunto de contaminantes de manera efectiva, las instituciones recurren a la instalación de ESTACIONES DE MONITOREO de calidad del aire, las cuales utilizan una combinación de sensores electroquímicos, ópticos y de otras tecnologías para cubrir múltiples contaminantes a la vez. Sin embargo, al ser infraestructuras fijas y de gran volumen (4÷10m3, 200÷500 kg), estas estaciones solo pueden ser instaladas en puntos muy específicos de la ciudad y en número muy limitado, lo que dificulta obtener una visión panorámica de la contaminación en toda el área urbana.
En los últimos años, la miniaturización de los sensores electroquímicos a bajo coste (aptos para la detección de COx, NOx, O₃, H₂S, SO₂ y NH₃) está impulsando comercialización de PLATAFORMAS COMPACTAS DE MONITORIZACIÓN (0.01÷0.02m3, 2÷5 kg). El despliegue masivo de estas plataformas en las ciudades facilita una monitorización más detallada y distribuida de la contaminación. No obstante, los sensores electroquímicos no permiten detectar algunos contaminantes críticos para la salud humana, como los compuestos orgánicos volátiles (COV), los metales pesados y los hidrocarburos aromáticos policíclicos (PAHs), lo que resulta en una monitorización incompleta de la calidad del aire.
1.3 SENSORES RAMAN: UNA SOLUCIÓN INNOVATIVA PARA LA DETECCIÓN DE CONTAMINANTES
Estudios preliminares indican que la tecnología Raman podría representar la solución ideal para la monitorización futura de contaminantes atmosféricos. Por un lado, la reciente miniaturización de sus componentes ha permitido la comercialización de ESPECTROMETROS RAMAN ULTRACOMPACTOS (0.0001 m3, 0.4 kg), lo que facilita la integración de redes de monitoreo mas extensas y versatiles. Por otro lado, se ha demostrado que, mediante la integración de tecnologías emergentes (ver sección “antecedentes”), los espectrómetros Raman permiten la DETECCIÓN SIMULTANEA DE CASI CUALQUIER TIPO DE GAS Y MOLECULA CONTAMINANTE (orgánica o inorgánica) dispersa en la atmósfera. Esta versatilidad permite la detección de contaminantes emergentes que todavía no suelen ser monitorizados por sistemas convencionales, incluyendo los compuestos Perfluoroalquilados y Polifluoroalquilados (PFAS), el amoniaco (NH3), y el oxido de aluminio (Al2O3).
1.4 EL RETO TECNOLÓGICO DE LOS SENSORES ATMOSFÉRICOS BASADOS EN TECNOLOGÍA RAMAN
Operar sensores Raman para la detección de contaminantes atmosféricos presenta un nivel de complejidad considerablemente mayor en comparación con los sistemas convencionales. Como se detalla en el apartado siguiente, los sistemas Raman requieren el ajuste preciso de los parámetros de adquisición para optimizar las mediciones en tiempo real, así como un procesamiento detallado de los espectros para eliminar el ruido y las señales parásitas. Además, es necesario discriminar las múltiples señales detectadas en cada análisis y asignarlas correctamente a los contaminantes que las han generado. Posteriormente, se debe convertir la intensidad de las señales en valores de concentración y analizar las variaciones temporales para identificar tendencias relevantes o emitir alertas automáticas si se superan los umbrales establecidos.
Dada esta complejidad, los espectrómetros Raman convencionales, utilizados en laboratorios de investigación y en aplicaciones industriales, generalmente son manejados por operadores expertos en la técnica. El principal reto tecnológico que limita el uso de la tecnología Raman sensor atmosférico es precisamente la necesidad de automatizar todos los procesos críticos descrito anteriormente. Sin embargo, el objetivo de este proyecto es superar este reto tecnológico, empleando la inteligencia artificial (IA) para desarrollar sistemas capaces de gestionar de forma completamente autónoma cada fase del proceso de monitorización, así como procesar e interpretar grandes volúmenes de datos complejos, permitiendo la implementación de sensores Raman eficientes y totalmente automatizados para la monitorización de contaminantes atmosféricos
1.5 IMPACTO POTENCIAL DE LA PROPUESTA PLANTEADA
Gracias al uso de la inteligencia artificial (IA), la ejecución del proyecto propuesto contribuiría al desarrollo de sensores Raman completamente autónomos, lo que facilitaría su implementación como detectores de contaminantes atmosféricos. Dichos sensores Raman destacarían por ser más económicos y portátiles que las tradicionales cabinas de monitoreo, más versátiles que las plataformas fijas, y mucho más compactas que ambos sistemas. Gracias a estas ventajas, en el futuro, las sondas Raman podrían implementarse en CONSTELACIONES DE SENSORES distribuidas en ciudades, lo que permitiría una cobertura más amplia y detallada de la calidad del aire en entornos urbanos. Además, su pequeño tamaño y versatilidad hacen posible su INTEGRACION DE SENSORES EN SISTEMAS MÓVILES, como autobuses y otros medios de transporte público, facilitando la recolección de datos en movimiento y en múltiples puntos de la ciudad. Estas aplicaciones abren la puerta a la creación de una RED DE MONITOREO BASADA EN EL INTERNET DE LAS COSAS (IoT), en la que múltiples sondas Raman interconectadas proporcionen información en tiempo real sobre los niveles de contaminantes en el aire. Este enfoque no solo permite una vigilancia más directa y extensa de la contaminación en el ambiente urbano, sino que también favorece la toma de decisiones preventivas más rápidas y efectivas, protegiendo así la salud pública y mejorando la calidad del aire en las ciudades.
2.- Antecedentes.
En cada análisis, un sistema Raman captura un espectro que muestra la intensidad de la luz dispersada inelásticamente por las moléculas presentes en el volumen investigado, las cuales han sido excitadas por una fuente de luz monocromática (como un láser). Este espectro proporciona una "huella digital" vibracional de los compuestos presentes, ya que los picos observados corresponden a las distintas vibraciones moleculares, permitiendo así identificar y caracterizar las sustancias presentes.
Los espectrómetros Raman convencionales se emplean mayormente para el análisis de líquidos y sólidos, ya que la baja densidad molecular de los gases reduce significativamente la intensidad de la señales Raman, dificultando su detección.
Gracias a la integración de tecnologías emergentes, como sondas basadas en fibras ópticas huecas y detectores avanzados de fotomultiplicadores, nuestros investigadores han incrementado significativamente la sensibilidad de los sistemas Raman para la detección de gases. Esto posiciona a la empresa solicitante como la primera a nivel mundial en desarrollar y comercializar espectrómetros Raman miniaturizados con capacidades analíticas optimizadas para la monitorización de contaminantes atmosféricos.
Antes de la llegada de la inteligencia artificial, la comunidad científica ya había logrado desarrollar sistemas básicos para automatizar la calibración del espectrómetro, y el procesamiento de los espectros. Sin embargo, estas soluciones tradicionales no eran suficientemente sofisticadas para gestionar la complejidad de la detección simultánea de múltiples analitos, para interpretar grandes volúmenes de datos de manera eficiente y totalmente independiente, ni para predecir tendencias relevantes durante procesos de monitorización de analitos de concentración variable.
Las limitaciones tradicionales de los espectrómetros Raman, como la necesidad de ajustes manuales y la complejidad en el análisis de datos, pueden resolverse gracias a la inteligencia artificial (IA). La comunidad científica ha desarrollado un conjunto de herramientas basadas en IA que se han aplicado con éxito en la operación y procesamiento de espectros Raman, optimizando la eficiencia y precisión de estos sistemas. Estas herramientas permiten no solo automatizar el ajuste de parámetros de adquisición en tiempo real (por ejemplo, usando modelos JITL (just-in-time-learning), sino también mejorar el procesamiento y análisis de los espectros generados.
Entre las técnicas más destacadas en este campo se encuentran los métodos quimiométricos, como el análisis de componentes principales (PCA) y el análisis de clústeres (CA), que se utilizan para reducir la dimensionalidad de los datos espectrales y extraer características clave para la identificación de compuestos. Además, se han desarrollado métodos supervisados de aprendizaje automático como las máquinas de soporte vectorial (SVM) y el Naive Bayes (NB) para clasificar automáticamente los espectros Raman en función de sus características únicas. Otros métodos como K-Nearest Neighbors (KNN) y Random Forest (RF) han sido implementados para mejorar la precisión y la eficiencia en la identificación de compuestos específicos en mezclas compleja.
En los últimos 5 años, el número de publicaciones científicas en los cuales se detalla el uso de IA para automatizar el uso de instrumentos Raman y la interpretación de sus espectros ha aumentado de manera exponencial. A la luz de los prometedores resultados obtenidos en trabajos previos, la empresa ha decidido apostar por el uso de IA para optimizar y automatizar el funcionamiento de sus espectrómetros Raman en aplicaciones de monitoreo atmosférico.
3.- Posibles enfoques del proyecto de investigación.
La empresa ha identificado una serie de posibles enfoques de investigación, los cuales se resumen a continuación:
• Desarrollo de Algoritmos para el Ajuste Autónomo de Parámetros de Adquisición: Investigar y desarrollar modelos de aprendizaje adaptativo como Just-In-Time Learning (JITL) para ajustar en tiempo real parámetros clave como la potencia del láser, tiempo de exposición y número de acumulaciones, optimizando así las condiciones de medición en diferentes entornos atmosféricos.
• Implementación de Métodos de Procesamiento Automatizado de Espectros: Crear y entrenar métodos basados en IA (por ejemplo, usando PCA y CA) para la corrección automatizada de la línea base y la eliminación de ruido en los espectros.
• Desarrollo de Modelos de Clasificación Supervisada para la Identificación de Compuestos: Aplicación de métodos de clasificación supervisados (por ejemplo, usando SVM, NB) para la identificación automática de contaminantes en mezclas complejas
• Optimización de Algoritmos para la Detección y Cuantificación de Gases a Niveles de Trazas: Desarrollar y entrenar modelos basados en IA (por ejemplo, usando RF y KNN) para mejorar la precisión en la identificación y cuantificación de compuestos presentes en bajas concentraciones, asegurando la fiabilidad en la detección de contaminantes traza.
• Integración de Redes Neuronales Profundas para la Interpretación de Grandes Volúmenes de Datos: Implementar redes neuronales y algoritmos de deep learning para analizar, en tiempo real, grandes volúmenes de datos espectrales, identificando patrones y correlaciones que permitan predecir variaciones en las concentraciones de contaminantes.
• Desarrollo de Sistemas de Predicción de Tendencias Basados en IA: Investigar la aplicación de IA (por ejemplo, RNN y otros modelos predictivos) para detectar tendencias en la evolución de las concentraciones de contaminantes en tiempo real, para anticipar picos de contaminación y emitir alertas automáticas.
Serán valoradas positivamente aquellas soluciones que abarquen más de uno de los enfoques descritos anteriormente,
Para facilitar la ejecución del trabajo, la empresa proporcionará a la entidad que plantee la demanda tecnológica ganadora acceso gratuito a sus extensos datasets de espectros Raman. Además, en caso de que la entidad necesite realizar análisis adicionales para refinar sus modelos de IA, la empresa también le ofrecerá acceso gratuito al prototipo de sensor Raman.
4.- Enfoques sin interés
N/A
PALABRAS CLAVE: sensores, contaminantes, atmósfera, Raman, gas
--
Si desea remitir una propuesta de solución tecnológica (proyecto de investigación y/o consultoría) deberá remitirla en los terminos establecidos en la convocatoria hasta el 29 de enero de 2025 (plazo ampliado).
Demanda Tecnológica en formato pdf: www.redtcue.es/desafio/demandas/nt25 
Formulario de participación investigadores
Más información, Bases y Anexos.
|
Español
English 
