Projeto Monitor - Divisão de Engenharia Eletrônica do ITA
Transcrição
Projeto Monitor - Divisão de Engenharia Eletrônica do ITA
UNIVERSIDADE FEDERAL DE SÃO CARLOS CENTRO DE CIÊNCIAS EXATAS E DE TECNOLOGIA ENGENHARIA AMBIENTAL Emprego de rede modular automatizada remota de plataformas de monitoramento da presença de metano, dióxido de enxofre e monóxido de carbono. Elói Fonseca São Carlos – SP 2013 UNIVERSIDADE FEDERAL DE SÃO CARLOS CENTRO DE CIÊNCIAS EXATAS E DE TECNOLOGIA ENGENHARIA AMBIENTAL Emprego de rede modular automatizada remota de plataformas de monitoramento da presença de metano, dióxido de enxofre e monóxido de carbono. Elói Fonseca Trabalho de Graduação apresentado ao Departamento de Engenharia Ambiental da Universidade Federal de São Carlos Orientador: Prof. MsC. Antonio Carlos Lopes Silva São Carlos – SP 2013 Banca Examinadora Trabalho de Graduação apresentado no dia 24 de agosto de 2013 perante a seguinte banca examinadora: Orientador: Prof. MsC. Antonio Carlos Lopes Silva Convidado: Profa. Dra Adriana Cristiane Ruy Professor da Disciplina: Prof. Dr. Luiz márcio Poiani i “O homem pode fazer planos, mas a resposta certa vem do Senhor” Provérbios 16.1 ii AGRADECIMENTOS Agradeço à minha família, que sempre esteve ao meu lado em todos os desafios de um curso de graduação, com paciência e compreensão. Agradeço ao meu orientador Prof. Dr. Antonio Carlos Lopes Silva, pela atenção e suporte nas atividades de desenvolvimento da pesquisa e suporte técnico científico. Agradeço ao Instituto Tecnológico de Aeronáutica, em especial ao prof. Wagner Chiepa Cunha, que atuando como meu orientador durante o mestrado, doutorado e agora por me apoiar na execução desta pesquisa realizada naquele instituto. Agradeço ao coordenador do curso de Engenharia Ambiental, aos professores, tutores e aos funcionários da secretaria da UFSCAR, que demonstraram sempre disposição envidando esforços em resolver as pendências e fornecer ambiente propício para a formação dos alunos. iii DEDICATÓRIA Dedico este trabalho à todos aqueles que me apoiaram e depositaram confiança, em especial para minha amada esposa Maria Ivanilde e meus filhos Marcus Vinicius e Matheus, os quais foram minha base de apoio e estímulo nesta caminhada. Todo o esforço e luta para galgar novos degraus na carreira profissional só tem importância porque os tenho como estímulo a nunca desanimar frente aos obstáculos. iv RESUMO A necessidade de implementar estruturas de monitoramento ambiental, focadas à determinação da presença de contaminantes específicos de forma a permitir o planejamento de ações e controle de processos, levou ao desenvolvimento da pesquisa de plataformas de monitoramento que possuam estrutura de coleta de dados e armazenamento, permitindo assim sua operação de forma contínua e autônoma. A construção de modelos matemáticos ambientais de análise dos dados coletados de concentração de contaminantes, temperatura e umidade, permite inferir sobre o mecanismo de difusão dos contaminantes , de forma a poder atuar cooperativamente no monitoramento e suporte ao planejamento de ações necessárias. Foi idealizada a construção de um modelo de aquisição de dados com estrutura modular, a partir de sensores de estado sólido, empregando rede de comunicação sem fio, permitindo a implantação de redes de módulos de coleta de dados e transferência contínua das informações sem necessidade de interferência de operadores em campo. A topologia flexível de distribuição dos módulos e a seleção dos sensores específicos empregados permite o monitoramento de presença de contaminantes em ambientes diversificados e de difícil acesso, aliando ao processo a capacidade de registro em dispositivos de estado sólido, cartões SD de memória, atuando como datalog permitindo assim a recuperação do registro contínuo de dados posterior mesmo que ocorram danos à plataforma de coleta. As aplicações derivadas do sistema implementado permitem seu emprego tanto em pesquisas de microambientes como em monitoramento ambiental remoto de forma contínua, sem necessidade da presença constante de operadores. v ABSTRACT In order to implement environmental monitoring structures, allowing to determine the presence of specific contaminants to enable action planning and control processes for environmental control, this research was directed to the development of platforms that work as a monitoring device to allow its operation continuously and unmanned. Using mathematic models for the collected database analysis about the contamination materials, temperature and humidity factors, this work allows to predict some diffusion patterns that could be found, in order to use this information in research or control planning. Was designed a model for data acquisition modular structures, using solid state sensors and wireless network, enabling the deployment of modules for data collecting and continuous transfer of information without interference from operators in the field. The flexible topology distribution of sensors modules and selection of specific employees allows monitoring of contaminants in several environments and with difficult conditions to access, combining the ability to process registration in solid state devices, SD memory cards, which act as datalog allow recovery of the continuous record of data even further damage occurs to the collection platform. The applications that can be implemented with this technology systems allows to measure the presence of specific contaminants and can be used in microenvironment researches or technological support to environmental monitoring of contaminants in continuous process without a manual intervention of an operator. vi SUMÁRIO Para atualizar o sumário, clique sobre a área cinza do sumário e tecle F9 Banca Examinadora................................................................................................................ i RESUMO ............................................................................................................................... v ABSTRACT............................................................................................................................ vi LISTA DE FIGURAS ............................................................................................................ viii LISTA DE TABELAS E QUADROS........................................................................................ix LISTA DE TABELAS ...................................................................................................................... ix 1 INTRODUÇÃO ................................................................................................................... 1 2 REVISÃO BIBLIOGRÁFICA ............................................................................................... 4 3 MATERIAIS E MÉTODOS................................................................................................ 20 4 RESULTADOS E DISCUSSÃO ........................................................................................ 34 5 CONCLUSÕES E SUGESTÕES ...................................................................................... 36 REFERÊNCIAS BIBLIOGRÁFICAS .............................................................................................. 38 APÊNDICE A ................................................................................................................................ 40 APÊNDICE B ................................................................................................................................ 44 APÊNDICE C................................................................................................................................ 46 APÊNDICE D................................................................................................................................ 48 vii LISTA DE FIGURAS Figura 1 Modelo de emissão e transporte de contaminantes atmosféricos. 2 Figura 2 Dinâmica de dispersão de contaminantes atmosféricos 5 Figura 3 Modelo de barreira de potencial na ausência de gases contaminantes 19 Figura 4 Modelo de barreira de potencial na presença de gases contaminantes 19 Figura 5 Sensor MQ-2 22 Figura 6 Sensor DHT 11 22 Figura 7 Protótipos das estações de monitoramento de contaminação ambiental. 23 Figura 8 Transmissor RF24L01 23 Figura 9 Experimentos iniciais com trafego de dados entre estação remota e central 24 Figura 10 Tela de teste de leitura do sensor MQ-2 no protótipo 25 Figura 11 Tela de teste de leitura do sensor DH-11 no protótipo 25 Figura 12 Interface de cartão SD para uso no protótipo 26 Figura 13 Estrutura funcional bloco do protótipo. 26 Figura 14 Curvas de resposta do sensor MQ-2 para diversos contaminantes 29 Figura 15 Curvas de resposta do sensor MQ-7 para diversos contaminantes 29 Figura 16 Circuito de prova para o sensor MQ-2 30 Figura 17 Curvas de resposta do sensor MQ-2 para diversos faixas de umidade relativa 31 Figura 18 Circuito de prova para o sensor MQ-7 32 Figura 19 Simulação MATLAB de comportamento de difusão com vento <2m/s e temperatura entre 20 e50 graus viii 33 LISTA DE TABELAS E QUADROS LISTA DE TABELAS ix Tabela 1 Padrões Nacionais de Qualidade do Ar (resolução CONAMA no3) 8 Tabela 2 Critérios para classificação de episódios agudos (CETESB) 8 Tabela 3 Classificação da turbulência Pasquill/Gifford 17 Tabela 4 Classes de estabilidade de Pasquill/Gilffor 17 Tabela 5 Sensores e contaminantes específicos 28 1 INTRODUÇÃO 1.1 Motivação A preocupação do homem com a emissão de poluentes na atmosfera terrestre tem se tornado fator de grande relevância atualmente, pois enquanto o nível de poluição natural pode ser considerado constante no tempo, o nível de poluição ocasionada pelo homem está em aumento contínuo (BASSET, 1983). O aumento de atividades antrópicas, como a expansão dos centros populacionais e a consequente elevação no tráfego de veículos leva à necessidade de poder estabelecer métodos de avaliação dos impactos ambientais atmosféricos decorrentes tanto quantitativamente como qualitativamente (SEINFELD, 1986). A dificuldade agregada ao procedimento manual no processo de coleta e registro das amostras atmosféricas apresenta o agravante de sujeitar o operador do sistema ao ambiente atmosférico em estudo, condição insalubre quando se trata de ambiente com índices prováveis de contaminantes inadequados, com riscos de asfixia ou danos colaterais cumulativos por exposição repetitiva. Assim sistemas automatizados reduzem este impacto negativo, minimizando a necessidade de exposição repetitiva e prolongada de operadores aos fatores de risco associados. Neste intento, o emprego de sistemas de instrumentação automatizados, capazes de mensurar amostras significativas deve ser aliado a ferramentas de modelagem matemática ambiental que permitam interpretar as informações coletadas e compor diagnósticos que permitam estabelecer padrões de comportamento através de inferências e assim estabelecer plano de ações adequado aos perfis ambientais determinados (CETESB, 2011). A coleta de dados deve ser subsídio para a avaliação em modelo matemática conciso dos parâmetros observados, permitindo inferir sobre a dinâmica envolvida na difusão dos contaminantes, desta forma reveste-se de relevância os padrões de caracterização dos sensores pois garante a integridade das informações obtidas neste processo (SEINFELD, 1986). 1 1.2 Proposta do trabalho 1.2.1 Definição do problema A necessidade de implementar ferramentas adequadas ao monitoramento da emissão de contaminantes atmosféricos é essencial para poder realizar estimativas de dispersão dos mesmos na atmosfera prevendo os efeitos desde as camadas próximas às fontes emissoras, como em outras camadas superiores através dos mecanismos de transporte (BASSET, 1983), como ilustrado na figura 1. Figura 1 – Modelo de emissão e transporte de contaminantes atmosféricos. Fonte: U.S. Climate Change Science Program, 2003 <www.usgcrp.gov/usgcrp/Library> As características inerentes às áreas urbanizadas como existência de prédios, estacionamentos e pistas de tráfego de veículos ocasiona uma elevação na emissão de gases como dióxido de enxofre, metano, monóxido de carbono e dióxido de carbono. O 2 enfoque desta pesquisa estará voltado para a dinâmica de emissão e dispersão, representado pelos parâmetros amostrados e comparação com padrões de qualidade do ar legalmente previstos. O parâmetro selecionado para a pesquisa foi o monóxido de carbono pelas suas características prejudiciais ao ser humano e animais, sendo representativo de contaminação ambiental a ser monitorada (CETESB, 2011). 1.2.2 Objetivos do trabalho Os objetivos deste trabalho serão obter: a) a caracterização de resposta dos sensores de contaminação; b) estabelecimento de requisitos dos mecanismos de coleta de dados . c) a identificação do modelo matemático da dinâmica de difusão de contaminantes atmosféricos no ambiente designado; Na avaliação deste modelo deverão ser abordados fatores físicos como modelos de dinâmica de fluidos – ar e poluentes. A abordagem deve ser direcionada a explorar com maiores detalhes a questão de manutenção de equilíbrio sustentável da qualidade do ar e fatores de risco existentes. Numa análise inicial o modelo deve empregar ferramentas para análise climatológica como temperatura e umidade na área em estudo, análise estatística de interdependência de fatores de influência empregando para a coleta de dados métodos qualitativos e quantitativos, conforme sejam necessários (SEINFELD, 1986). O modelo proposto em avaliação tem características dinâmicas, sendo objetivo do desenvolvimento do modelo verificar se apresenta linearidade ou não, sendo à primeira vista observado como determinístico (PASQUILL, 1983). Serão empregadas ferramentas de coleta de dados de forma a permitir inferência estatística na determinação de fatores de influência e sua participação na determinação de comportamento do sistema. 3 2 REVISÃO BIBLIOGRÁFICA 2.1 Conceitos de poluentes atmosféricos 2.1.1 Abordagem inicial Em função das consequências impactantes ao meio ambiente pela poluição do ar, denota-se a importância do estudo e compreensão do processo de dispersão de poluentes para permitir prever as possíveis consequências do impacto ambiental sobre os diversos ecossistemas existentes. Desta forma a simulação de dispersão de poluentes realizada a partir das amostras coletadas de concentração pontual se torna uma boa opção visto que, as observações de campo para a dispersão são complexas de implementar e realizar, em função do alto custo e barreiras operacionais. A definição de contaminante atmosférico é de uma substância presente no ar, a qual em concentração acima de valores limítrofes possa torná-lo impróprio, nocivo ou ofensivo à saúde, inconveniente ao bem estar público, danoso aos materiais, à fauna e à flora ou de alguma forma prejudicial à segurança (CETESB, 2011). A poluição atmosférica distingue-se de outros tipos de contaminação por sua dinâmica, onde após sua emissão para a atmosfera o processo é irreversível, ou seja inicia-se sua dispersão a qual reveste-se de diversas dificuldades em controlar. A exposição da população aos poluentes atmosféricos é um parâmetro difícil de avaliar numa zona urbana, em função da multiplicidade de microambientes frequentados diariamente pelos cidadãos e a variabilidade das concentrações de poluentes no ambiente externo e interno dos edifícios (CERQUEIRA, 2000). Um modelo de classificação dos poluentes atmosféricos adotado é de divisão em dois grupos principais: poluentes primários e poluentes secundários (SEINFIELD, 1998). Considera-se poluentes primários aqueles que são emitidos diretamente pelas fontes emissoras como por exemplo o monóxido de carbono, o dióxido de enxofre, NOx entre outros. Na baixa atmosfera estes poluentes primários podem sofrer transformações e modificações através de reações fotoquímicas, podendo ser convertidos em poluentes que recebem a denominação de secundários. Em função da formação de poluentes secundários ocorrer um espaço de tempo após a emissão de contaminantes primários, pois tem sua formação à medida que as massas de ar se deslocam, elevadas 4 concentrações destes contaminantes podem atingir áreas mais distantes das fontes de emissão do que os poluentes primários (LYONS,2003 e SEINFIELD,1986). Conforme exposto acima, os poluentes primários após sua emissão para a atmosfera passam a estar submetidos a processos complexos de transporte, mistura e transformação química, de forma que sua distribuição apresenta-se anisotrópica em concentração na atmosfera, tanto no espaço como no tempo. Basicamente, a distribuição das concentrações de contaminantes na atmosfera depende das condições de emissão das fontes e das condições atmosféricas, podendo ocorrer o transporte a longas distâncias de poluentes antes de atingirem o nível do solo, este comportamento pode ser visto ilustrado na figura 2. Figura 2 – Dinâmica de dispersão de contaminantes atmosféricos Fonte: Living in the Environment, Miller, 10thed,. http://www.qualar.org/ 2.1.2 – Poluente atmosférico monitorado Monóxido de carbono (CO) Os efeitos da exposição dos seres humanos ao monóxido de carbono são associados à capacidade de transporte de oxigênio pelo sangue. O monóxido de carbono compete como o oxigênio na combinação com a hemoglobina do sangue, uma vez que a afinidade da hemoglobina pelo monóxido de carbono é cerca de 210 vezes maior do que pelo oxigênio. Quando uma molécula de hemoglobina recebe uma molécula de monóxido de carbono forma-se a carboxihemoglobina, esta diminui a capacidade do sangue de transportar oxigênio aos tecidos do corpo. 5 Os sintomas da exposição ao monóxido de carbono dependem da quantidade de hemoglobina combinada com monóxido de carbono. Tem sido demonstrado experimentalmente que baixos níveis de carboxihemoglobina já podem causar diminuição na capacidade de estimar intervalos de tempo e podem diminuir os reflexos e a acuidade visual da pessoa exposta. O efeito da intoxicação por CO é semelhante ao da anemia ou hipoxia. A maior parte das exposições a baixas concentrações de CO produz efeitos sobre o sistema nervoso central (CETESB, 2011). Uma possível explicação para isso é a redução do suprimento de oxigênio para o cérebro. Acima de 1000 ppm o CO é altamente tóxico, podendo ser responsável por ataques cardíacos e elevada taxa de mortalidade, especialmente em áreas metropolitanas, onde o CO é abundante. Em condições de exposição aguda, pode originar a morte. Os altos níveis de concentração de CO encontrados em ambientes de cidades altamente poluídas estão associados com menor peso de recém-nascidos e aumento da taxa de mortalidade de crianças (CERQUEIRA, 2000). A principal razão para o controle das emissões de CO está na proteção da saúde das crianças em gestação, dos recém-nascidos, dos idosos e enfermos. 2.1.3 – Padrões de qualidade do ar A qualidade do ar de uma região é influenciada diretamente pelos níveis de poluição atmosférica, os quais estão vinculados a um complexo sistema de fontes emissoras estacionárias (indústrias, queima de lixo, emissões naturais, etc.) e móveis (veículos automotores, aviões, trens, etc.). A magnitude do lançamento dessas emissões, seu transporte e diluição na atmosfera, determinam o estado atual da qualidade do ar atmosférico. Um poluente pode ser definido como qualquer substância que esteja no ar, em concentrações altas o suficiente para produzirem efeitos mensuráveis e danosos em seres humanos, animais, plantas ou materiais. O poluente pode ser tanto de origem antropogênica, como proveniente de emissões naturais devido à decomposição microbiana e de erupções vulcânicas, entre outras fontes. É considerado poluente atmosférico qualquer forma de matéria ou energia com intensidade e em quantidade, concentração, tempo ou característica em desacordo com os níveis estabelecidos, e que tornem ou possam tornar o ar: • Impróprio, nocivo ou ofensivo à saúde; • Inconveniente ao bem-estar público; 6 • Danoso aos materiais, à fauna e flora; • Prejudicial à segurança, ao uso e gozo da propriedade a às atividades normais da comunidade. Segundo Lyons(2003) e Seinfeld(1986) as substâncias usualmente consideradas poluentes do ar podem ser classificadas como segue: • Material Particulado/Partículas em Suspensão: mistura de compostos no estado sólido ou líquido; • Compostos de enxofre: óxidos (SO2, SO3), gás sulfídrico (H2S), sulfatos (SO4 -2); • Monóxidos de carbono; • Compostos de nitrogênio (NO, NO2), amônia (NH3), ácido nítrico (HNO3); • Compostos halogenados: ácido clorídrico (HCl), ácido fluorídrico (HF), cloretos, fluoretos; • Compostos orgânicos: hidrocarbonetos, álcoois, aldeídos, cetonas, ácidos orgânicos. Na tabela 1 verificamos os principais poluentes atmosféricos gerados por diversos tipos de fontes antropogênicas e naturais de poluição do ar. A resolução CONAMA 03 de 28/06/90, com base no PRONAR, estabelece em nível nacional os padrões de qualidade do ar em termos de Partículas Totais em Suspensão (PTS), Fumaça, Partículas Inaláveis (PI ou PM-10), Dióxido de Enxofre (SO2), Monóxido de Carbono (CO), Ozônio (O3) e Dióxido de Nitrogênio (NO2), todos indicadores de qualidade do ar consagrados universalmente, em função da sua maior frequência de ocorrência e aos efeitos adversos que causam no homem e no meio ambiente. Na tabela 1 verificamos os padrões nacionais primários e secundários de qualidade do ar fixados na resolução CONAMA nº 3 de 28/06/90. Os valores de concentração máxima não devem ser excedidos mais de uma vez por ano. A mesma resolução estabeleceu os critérios para episódios agudos de poluição do ar descritos na tabela 2. 7 Tabela 1 - Padrões Nacionais de Qualidade do Ar ( resolução CONAMA no 3). Monóxido de Padrão primário (média aritmética) (Concentração 1x ano) 40.000mg/m3 Padrão secundário (média aritmética 1 hora) (Concentração 1x ano) 40.000mg/m3 3 100.000mg/m carbono Dioxido de 3 100.000mg/m 3 100mg/m 3 100mg/m Métodos de Medição Infravermelho não dispersivo 3 Nitrogênio 320mg/m 190mg/m3 Dióxido de 80mg/m3 40mg/m3 enxofre 365mg/m3 100mg/m3 Ozônio 160mg/m3 160mg/m3 Quimiluminiscencia Pararosanilina Quimiluminiscência Fonte: :<http://www.mma.gov.br/port/conama/res/res90/res0390.html> Tabela 2- Critérios para classificação de episódios agudos (CETESB) Critérios para episódios agudos de poluição do ar Parâmetros Níveis Atenção Alerta Emergência 15 30 40 Monóxido de carbono 1130 2260 3000 Dióxido de Nitrogênio 800 1600 2100 Dióxido de enxofre 3 3 200mg/m 800mg/m 1000 Ozônio Fonte: http: <//www.mma.gov.br/port/conama/res/res90/res0390.html> 2.2 Dispersão de poluentes atmosféricos 2.2.2 – Conceitos de dispersão atmosférica O problema de difusão atmosférica, do ponto de vista físico e matemático, é descrever o papel desempenhado pela atmosfera na redistribuição e diluição dos gases e partículas que resultam de atividades naturais e fontes antropogênicas. A alta capacidade dispersiva da atmosfera resulta de sua natureza turbulenta. Turbulência é uma propriedade de fácil identificação mas de difícil definição, composta de movimentos irregulares e caóticos que estão presente em todos os escoamentos de aplicações práticas. De fato, a maioria dos problemas meteorológicos relacionados com 8 regiões industriais e populosas está governada pelo problema de difusão turbulenta (PASQUILL, 1983). Do ponto de vista técnico pode-se afirmar que a turbulência atmosférica é a característica principal da Camada Limite Planetária (CLP). A camada limite planetária (CLP) é a região da atmosfera situada mais próxima à terra, onde os poluentes gasosos e particulados são dispersos pelo vento médio (responsável pelo transporte global) e pela turbulência (responsável pela difusão). Esta constitui a única camada que é influenciada pela presença da superfície terrestre (SEINFELD, 1986). O arraste, a evaporação e transpiração, a transferência de calor, a emissão de poluentes e modificações do escoamento induzidas pelo terreno são sentidas nesta camada, e devem ser levadas em conta no modelamento da dispersão. A turbulência é diversas ordens de grandeza mais efetiva para o transporte de qualquer quantidade física (calor, momentum, contaminante) do que a viscosidade molecular e é ela a responsável pela resposta da CLP as forças superficiais. O problema da difusão turbulenta na atmosfera não foi ainda formulado de forma única no sentido de que não existe um único modelo físico capaz de explicar todos os aspectos relevantes. Operacionalmente existem duas abordagens a saber: a Teoria do Transporte por Gradiente (TTG) ou como também é denominada teoria ‘K’ e a Teoria Estatística de Difusão (TED). A TTG afirma que o transporte em uma região da atmosfera é proporcional ao gradiente local da concentração e, neste sentido, é uma teoria euleriana. A TED considera o movimento individual das partículas do fluído e, neste sentido, é uma teoria lagrangeana. Os modelos matemáticos são um instrumento particularmente útil no entendimento dos fenômenos que controlam o transporte, a dispersão e a transformação físico-química dos poluentes imersos na atmosfera. Estes modelos que permitem uma validação do nível observado de poluentes e a causa efeito das emissões podem ser utilizados para evitar eventos críticos de poluição, discriminar os efeitos de várias fontes e de vários poluentes, estimarem o impacto de novas fontes, e da mesma forma validar o estado da qualidade do ar em um determinado lugar. Uma solução analítica para a equação de advecçãodifusão bidimensional transiente para modelar a dispersão de poluentes na atmosfera pode ser implementada, onde a equação de advecção-difusão pode ser resolvida pela 9 combinação da transformada de Laplace e da técnica GILTT (Generalized Integral Laplace Transform Technique) (PAQUILL, 1983). Os estudos de modelos matemáticos em sua maioria concentram-se em determinar padrões de comportamento a partir de fontes pontuais de emissão, pois possuem geometria de dispersão menos complexa do que a emissão a partir de diversas fontes, de posição determinada desconhecida ou mesmo móvel, como ocorre com o trânsito de veículos próximo ao objeto em estudo que é a lagoa do CTA. O objetivo específico deste estudo é definir um modelo de dispersão aplicado ao caso específico em estudo, ou seja a partir de análise pontual de medida de concentração de poluentes emitidos, estimar o modelo de dispersão considerando o ponto medido como amostra de comportamento na área, considerando também . Será adotado para a abordagem deste problema o Modelo de transporte por gradiente, modelo eulariano para a estimativa de modelo de difusão e modelo gaussiano para determinação da concentração de contaminantes no nível do solo. Para a abordagem do problema será definida a seguinte abordagem metodológica: • Emprego de cálculo diferencial e integral da difusão do ar; • Modelagem do modelo em condições de a partir das condições de contorno adotadas; • Equações diferenciais parciais aplicadas ao estudo da difusão do ar. 2.2.2 – Teoria do transporte por gradiente A análise da teoria de teorias de transporte tem por base inicial o conceito de difusão de concentração de um material, assim faz-se necessário definir inicialmente o significado do termo concentração em um ponto considerado. No caso unidimensional a concentração num ponto pode ser definida como num tubo teórico de comprimento infinito e estreito o limite da razão entre a quantidade de massa de material contida num intervalo do tubo deste intervalo do tubo teórico 10 e o comprimento , quando o intervalo tende a zero (equação 1), ou seja: ( ) ( ) (eq. 1) Ou seja a concentração num ponto foi definida como uma função dependente do comprimento x, porém deve-se considerar que existe uma dependência temporal também, a qual depende do mecanismo de difusão. Na Teoria de Transporte por Gradiente, inicialmente proposta por Adolph Fick em 1855, a difusão depende de um fator de difusão K, denominado coeficiente de difusão ilustrado na equação (2), o que leva ao nome de Teoria ‘K’ também empregado para definir a TTG, conforme citado anteriormente. (eq. 2) Neste caso, x e t representam respectivamente a direção espacial e o tempo considerados e C a concentração do material emitido para a atmosfera. A expressão dada pode ser aplicada para o caso tridimensional, desde que estabelecidas condições de contorno adequadas e consideradas as componentes de vento que provocam movimentos turbulentos, que são responsáveis pela difusão do material. Desta forma pode-se definir a lei de Fick relativa ao transporte de poluentes atmosféricos, do ponto de vista euleriano, pela equação (3), denominada equação de difusão-advecção que consiste na base da teoria ‘K’: ( ) ( ) ( ), (eq. 3) Os fatores u, v e w as velocidades do vento nas direções longitudinal e lateral e vertical e o coeficiente de difusão decomposto em componentes ortogonais em x, y e z. O modelo de Pluma Gaussiana é normalmente aplicado, quando se quer estimar as distribuições de concentrações à partir de determinada emissão, estabelecendo-se condições de contorno para a movimentação do ar em torno dessa emissão. Esse modelo é a solução da equação de Difusão-Advecção, a qual descreve matematicamente os processos de transporte e difusão turbulenta que ocorrem na atmosfera. Considera que a dispersão de uma pluma lançada na atmosfera pontualmente se dá de tal modo que a concentração dos poluentes na pluma, em 11 relação à posição fixa da fonte, exibe um comportamento Gaussiano. Isto pode ser exemplificado ao se observar emissões de plumas por chaminés, sob condições atmosféricas favoráveis. Uma fotografia de exposição prolongada revelaria tal comportamento Gaussiano ao longo do tempo (Kerr, 1983). A equação diferencial, que tem sido ponto de partida em grande parte da solução de problemas no tratamento da difusão de poluentes, será desenvolvida a seguir. Cabe ressaltar aqui, que as simplificações introduzidas para desenvolver teoricamente o modelo de Pluma Gaussiana estão longe das condições encontradas na realidade, mas é o modelo mais utilizado porque (Hanna, 1982): Constitui um modelo simples de operação matemática; Os resultados produzidos são coerentes com dados experimentais; Possui consistência com a natureza aleatória da turbulência; Constitui uma possível solução para a equação da continuidade e É um modelo bastante empregado em experimentos, com elevada aprovação. Partindo-se da equação da continuidade, sendo c a concentração local, unidade de massa por unidades de volume do fluido e admitindo o fluido (ar) incompressível, a equação (4) da continuidade pode ser escrita na forma (SEINFELD, 1986): , (eq. 4) Assim temos: ( ) ( ) ( ) (eq. 5) Ou seja: [ ( ) Onde: c = concentração do poluente; 12 ( ) ( )] (eq. 6) u = velocidade horizontal (longitudunal) do vento; v = velocidade lateral (meridional) do vento; w = velocidade vertical do vento; t = tempo e x,y,z = coordenadas de posição. Para obter uma aproximação de comportamento real das velocidades pode-se decompor as velocidades em uma parcela média adicionada a uma parcela perturbacional correspondente à turbulência, ou seja: ̅ ̅ ̅ ̅ Através da aplicação da média de Reynolds (escoamento turbulento) temos: ̅ ̅ ̅ ̅ ̅ ̅ ̅ [ (̅̅̅̅̅) (̅̅̅̅̅) (̅̅̅̅̅)] (eq. 7) Fechando a equação (7) em primeira ordem para a separação de variáveis acima, os fluxos turbulentos podem ser expressados assim: ̅̅̅̅̅ ̅̅̅̅̅ ̅̅̅̅̅ (eq. 8) Onde Kxx, Kyy e Kzz constituem os coeficientes de difusão nas direções x, y e z, conforme visto anteriormente definido pela lei de Fick. Para verificação de integridade da análise, aplicando as equações (8) em na equação (7) obtemos a equação (3) original de difusão-advecção, que considera as diferentes difusidades nas direções x, y e z: ̅ 13 ( ) ( ) ( ) (eq. 9) Ora, neste caso consideramos a dependência do comportamento de dispersão das componentes ortogonais de ventos, o que torna bastante complexa a definição de modelo específico ao problema este modelo abrange bem a dispersão nas condições de ventos fortes e moderados que estabelecem as condições de deslocamento sob turbulência. O modelo de pluma gaussiana leva em consideração uma condição isotrópica, ou seja a hipótese de , independentemente dos valores de x, y e z. A equação (9) então considerando o transporte em uma dimensão, que constitui o interesse do problema em questão, pode ser resumida assim (eq. 10): ̅ ̅ Onde espaço, ̅ ̅ ̅ ̅ ̅ (eq. 10) constitui a expressão da variação dependente do tempo em uma posição fixa no constitui o termo que expressa a advecção da concentração a uma velocidade média u. Para a solução deste problema, estabelecem-se condições de contorno que permitem definir uma fonte pontual instantânea de poluentes, ou seja: A concentração tende a zero quando o tempo após a emissão na atmosfera tende a infinito, excetuando-se o ponto x=0 que constitui a fonte; Sendo Q a intensidade da fonte, definida como a emissão total localizada em x=0, define+∞ se que ∫−∞ ̅𝑑 𝑄. A solução da equação (10) para uma fonte pontual instantânea nas condições de contorno estabelecidas é: ̅ − ( ) (eq. 11) Esta solução se aplica a condições atmosféricas onde ̅ é constante, v=w=0, neste caso as coordenadas se movem direcionadas pelo vento médio u. Aplicando esta solução em um sistema com as três dimensões x,y e z distintas tem-se: ̅ 14 − ( ) , onde r2=x2+y2+z2 (eq. 12) Como a atmosfera não se apresenta isotrópica, considera-se , obtendo assim: ̅( ) −[ (( ( ) ( )+( )+( ))] (eq. 13) ) A solução apresentada da equação de difusão-advecção, empregando o método do tipo pluma gaussiana a fim de permitir o estabelecimento de um modelo de análise matemática da dispersão de poluentes, adotou a condição estacionária de contorno de ventos fracos (<2 m/s), pois neste caso os poluentes não são capazes de dispersarem-se para longe da área em estudo ou seja da lagoa do CTA, assim buscou-se o modelo de dispersão de poluente na atmosfera sob ventos fracos, a partir da equação do modelo estacionário considerando somente a difusão longitudinal (vento médio em u e vento em v=w=0) da equação de difusão-advecção. O modelo gaussiano se aplica no limite de longos tempos de difusão, em condições atmosféricas estacionárias e homogêneas. Definindo-se que é o coeficiente de difusão turbulenta, substituindo-se a expressão , considerando-se que o processo de difusão não é isotrópico na atmosfera ( ), obtém-se: ̅( ) [−( ( ) ( ) ( ̅ ) ( ) + ( ) + )] (eq. 14) Onde : Q: taxa de emissão de poluentes na fonte; C: concentração do poluente (g/s); r2: ( ̅ ) e ̅: velocidade média (m/s) do poluente sendo transportado ao longo de eixo x. Considerando a homogeneidade horizontal, o transporte sendo realizado somente pelo vento médio u, a difusão ao longo do eixo x pode ser menosprezada, assim a equação (15) resultante será: 15 ( (− ̅( )[ ) ( ) + ) Onde Q constitui a intensidade de emissão na fonte, ] (eq. 15) são os coeficientes de difusão nas direções y e z respectivamente, z é a altura na qual foram coletados os parâmetros meteorológicos, h a altura da fonte e y a direção transversal ao deslocamento da pluma. O modelo Gaussiano que fornece a concentração de contaminantes integrada lateralmente no nível do solo e que permite calcular a concentração de contaminantes na linha central da pluma no nível do solo. Ao tratar uma difusão de poluente como uma dispersão gaussiana tem limitações a partir da consideração de uma turbulência estacionária e homogênea. A atmosfera real não é estacionária e verticalmente ela nunca é homogênea, apresentando eventualmente homogeneidade horizontal. Assim sendo, a utilização dessas equações de Pluma Gaussiana no máximo fornecem uma estimativa aproximada e superficial da dispersão real da pluma na atmosfera. Apesar dessas limitações, elas têm sido o meio de previsão mais utilizado, pois, dentro do meio físico complexo em que são aplicadas, (edifícios, vegetação, irregularidades geográficas e gradientes de temperatura, os quais geram uma difusão irregular), conseguem fornecer uma estimativa razoável em relação ao conhecimento da dispersão, (KERR, 1983). Muitos trabalhos, já realizados com modelos do tipo Pluma Gaussiana, dão conta de sua boa aceitação, e que de acordo com Hanna (1982) “é vastamente utilizado, adquirindo status de consagração”. Para uma aplicação de ordem prática do modelo tipo pluma gaussiana, é preciso determinar valores para os coeficientes de dispersão σy (direção transversal ao eixo do vento,x) e σz (direção perpendicular ao eixo do vento,x). Na condição de ausência de medidas de turbulência é possível então, estimar esses coeficientes de dispersão através de classes de estabilidades. Pode-se estimá-los através de métodos empíricos, sendo o método mais utilizado o de Pasquill / Gifford (PASQUILL, 1976), o qual associa o estado da atmosfera com observações meteorológicas realísticas, e a classifica em seis diferentes classes de estabilidade (tabela 3) . Essas classes são determinadas por intermédio de observações de velocidade do vento em superfície, cobertura de nuvens e insolação, para o período diurno. Tais classes de estabilidade variam de A (fortemente instável) à F (fracamente estável) apresentadas na tabela 4. Outra limitação do modelo, é que 16 esse deixa de ser válido quando há mudanças na direção do vento, especialmente sob condições estáveis. Para esses casos a distribuição não é satisfatoriamente representada por uma distribuição gaussiana. Tabela 3 – Classificação da turbulência Pasquill/Gifford Vento na Dia Noite superfície Radiação Solar Nublado Velocidade >= 4/8 <= 3/8 Nuvens Baixas Nuvens Forte Moderada Fraca <2 A A-B B 2-3 A-B B C E F 3-5 B B-C C D E 5-6 C C-D D D D >=6 C D D D D (m/s) Fonte: (PASQUILL, 2003) Tabela 4 –Classes de estabilidade de Pasquill/Gilffor A: Condições extremamente instáveis B: Condições moderadamente instáveis C: Condições fracamente instáveis D: Condições neutras E: Condições fracamente estáveis F: Condições moderadamente estáveis Fonte: (PASQUILL, 2003) 17 2.3 Sensores de estado sólido de contaminantes atmosféricos O princípio de funcionamento destes sensores traduz-se no efeito que tem a presença de gases sobre a condutividade apresentada num óxido metálico, submetido a condições específicas de temperatura. Tipicamente se emprega nos sensores abordados o SnO2, que quando aquecido a uma temperatura específica absorve oxigênio na superfície cristalina do oxido metálico, resultando em geração de cargas positivas, conforme ilustrado na figura 3. Figura 3 – Modelo de barreira de potencial na ausência de gases contaminantes. Fonte: < http://www.futurlec.com/index.shtml> Com a presença de gases que interagem com o oxigênio, atuando como agentes antioxidantes, ocorre a redução da barreira de potencial eletrônica no sensor, decrescendo sua resistência, este princípio de funcionamento é apresentado na figura 4. 18 Figura 4 – Modelo de barreira de potencial na presença de gases contaminantes. Fonte: <http://www.futurlec.com/index.shtml> Assim estabelece-se o padrão de comportamento matemático do sensor, com a seguinte equação (16): Rs=A[C](-α) (eq. 16) Onde: Rs= resistência elétrica do sensor; A = Constante; C = concentração de gás contaminante e α = fator de comportamento da curva Rs fornecido pelo fabricante para cada sensor específico. A reação específica sem contaminantes e com a presença do monóxido de carbono, objeto alvo deste estudo, é caracterizada aqui, nas equações seguintes (17 e 18) respectivamente: ( − 19 − ) 𝑑( − ) 𝑑( − ( ) (eq. 17) − ) (eq. 18) 3 MATERIAIS E MÉTODOS 3.1 Materiais Para o desenvolvimento da pesquisa, foram empregados os seguintes recursos materiais: Sensores: MQ-2 sensor de Gases (Metano, butano, propano e Monóxido de Carbono) DH-11 sensor de umidade e temperatura Interfaces: Placa microcontroladora Arduino Mega 2560 Módulo de Rádio Frequencia Wireless RF24L01 Módulo de cartão SD para Arduíno Softwares: Arduino 1.0.3 - ambiente de desenvolvimento para Arduino em linguagem C. Matlab R2010A Equipamentos de laboratório: Multímetro Digital Fluke 88V ; Osciloscópio Digital Agilent DSO1012A, 100Mhz 2 canais; Fonte regulada Agilent E3600 50W. 3.2 Equipamento Para viabilizar a realização dos experimentos em campo foi realizada a construção dos protótipos dos módulos de coleta de dados empregando os sensores de contaminação atmosférica MQ-2 (figura 5) e de temperatura e umidade DHT-11 (figura 6), estando já em funcionamento (figura 7) a etapa eletrônica com o enlace rádio empregando a interface modem RF24L01 (figura 8) já testado conforme ilustra a figura 9. A proposta de criar uma rede de sensores para monitoramento de contaminação atmosférica tem se mostrado viável, sendo a 20 base do trabalho de estágio realizado no ITA. Foram construídas quatro estações de coleta de dados ambientais e uma interface de acesso remoto conectada a um computador pela porta USB do mesmo. Figura 5 – Sensor MQ-2 Fonte: < www.hwsensor.com/> Figura 6 – Sensor DHT 11 Fonte: < http://www.droboticsonline.com/> 21 Figura 7 – Protótipos das estações de monitoramento de contaminação ambiental. Fonte: Experimento da pesquisa. Figura 8 – Transmissor RF24L01. Fonte: < http://www.elecfreaks.com/> 22 Figura 9 – Experimentos iniciais com trafego de dados entre estação remota e central Fonte: Experimento da pesquisa. As estações e a central de comunicação são projeto do autor, sob orientação do coordenador de estagio no ITA. O programa de teste para obter leituras iniciais de contaminantes a partir de sensor MQ2 foi o obtido no site http://sandboxelectronics.com/ , apresentado o código no anexo A. A leitura obtida é apresentada na figura 10. 23 Figura 10 – Tela de teste de leitura do sensor MQ-2 no protótipo. Fonte: Experimento da pesquisa. O programa de teste para obter leituras iniciais de temperatura e umidade a partir de sensor DH-11 foi o obtido no site http://www.arduinoeverything.com/archives/55 , apresentado o código no anexo B. A leitura obtida é apresentada na figura 11. Figura 11 – Tela de teste de leitura do sensor DH-11 no protótipo. Fonte: Experimento da pesquisa. 24 O registro de dados como arquivo é realizado em cartão de memória padrão SD card, através de uma interface para o Arduíno, Figura 12 – Interface de cartão SD para uso no protótipo. Fonte: Experimento da pesquisa. O programa de teste para acessar o cartão SD e registrar e realizar leituras dos dados gravados foi o obtido no site http://arduino.cc/en/, apresentado o código no anexo C. A estrutura funcional do sistema modular de coleta de dados é descrita na figura 13. Figura 13 – Estrutura funcional bloco do protótipo. Fonte: Experimento da pesquisa. 25 3.3 Procedimento Experimental O emprego de sensores de estado sólido em medidas de concentração de elementos contaminantes requer cuidados especiais no que tange aos procedimentos de calibração, para garantir a fidelidade dos dados coletados. A partir da curva de resposta de um sensor, suas características fisicas de resposta a estímulos podem ser avaliadas e o projeto de sistemas de medida pode ser calibrado e aferido conforme os resultados obtidos. Após a pesquisa os dados obtidos sobre os sensores mais adequados, com fácil acesso para aquisição e custo reduzido com capacidade de determinação de concentração e não somente detecção de presença, conforme conhecimentos obtidos na disciplina de Tecnologias de Controle de Emissões Atmosféricas, os sensores selecionados foram os da série MQ, listados na tabela 5 : 26 Tabela 5 – Sensores e contaminantes específicos Modelo de Sensor Contaminante Específico MQ-2 Monóxido de carbono e metano MQ-3 Etanol MQ-4 Gás natural e metano MQ-5 Gás liquefeito de petróleo (GLP) e gás natural MQ-6 Gás liquefeito de petróleo (GLP) e propano MQ-7 Monóxido de carbono MQ-8 Hidrogênio MQ-9 Monóxido de carbono e gás combustível MQ306 Gás liquefeito de petróleo (GLP) e propano MQ307 Monóxido de carbono MQ303 Álcool MQ131 Ozônio MQ135 Controle de qualidade do ar MQ136 Sulfeto de hidrogênio (H2S) MQ137 Amônia MQ138 Volatiles Oil Ccompounds (Benzeno, Aldeído, Ester, cetonas) Fonte: Consulta ao site http://www.figarosensor.com.htm Os sensores escolhidos para emprego nos testes de monitoramento iniciais durante o estágio foram os de modelo equivalente MQ-2 e MQ-7 os quais possuem as seguintes características de sensibilidade apresentadas nas figuras 14 e 15. 27 Figura 14 – Curvas de resposta do sensor MQ-2 para diversos contaminantes. Fonte: Consulta ao site http://www.figarosensor.com.htm Figura 15 – Curvas de resposta do sensor MQ-7 para diversos contaminantes. Fonte: Consulta ao site http://www.figarosensor.com.htm 28 O sensor MQ-2 de gases inflamáveis LPG e fumaça detecta concentrações de gases combustíveis no ar e dá saída de sua leitura como uma voltagem analógica. O sensor pode medir concentrações de gases inflamáveis na faixa de 300 a 10.000ppm, opera em temperaturas de -20 a 50ºC e consome menos de 150mA a 5V. Conectando 5V nos pinos do aquecedor (H) o sensor chega á temperatura de funcionamento. Conectando 5V nos pinos A ou B faz com que o sensor emita uma voltagem analógica nos outros pinos. Uma resistência entre a saída do sensor e o terra determina o grau de sensibilidade do conjunto. O fabricante recomenda o emprego do circuito da Figura 16. Figura 16 – Circuito de prova para o sensor MQ-2. Fonte: Consulta ao site http://www.figarosensor.com.htm O sensor necessita de duas tensões, a tensão de aquecimento (VH) e a tensão de teste (VC). VH é usado para impor a correta temperatura de trabalho do sensor enquanto VC alimenta o circuito de detecção. A diferença de potencial em RL (VRL) varia em função da concentração dos gases combustíveis. Pode usar-se no entanto o mesmo circuito de alimentação, isto é, a mesma tensão, para os dois pinos. Para que o sensor tenha um bom funcionamento é necessário colocar uma resistência RL dentro dos valores aconselhados pelo fabricante. Este valor pode 29 variar conforme a necessidade de calibração, é aconselhado no entanto um valor entre 5kΩ e 47kΩ. Foi adotado o valor de 10kΩ pois este é um valor dentro da gama e de fácil aplicação em cálculos, tendo assim preferência. O consumo deste sensor fica abaixo dos 800mW, potência que é praticamente toda consumida no aquecimento do sensor. Tem uma gama se sensibilidade para gases combustíveis entre 300 a 10000ppm (em média, pois a gama é diferente para diferentes tipos de gases). A temperatura e umidade influenciam a sensibilidade do sensor, conforme demonstrado na figura 17, assim devem ser tomadas precauções no sentido de aferir o dispositivo na temperatura padrão a ser empregada, através da correta alimentação da resistência de aquecimento, para emprego o sensor deve ter suas informações processadas empregando também a informação fornecida pelo sensor de temperatura e umidade DH-11 que compõe o sistema de coleta de dados. Figura 17 – Curvas de resposta do sensor MQ-2 para diversos faixas de umidade relativa. Fonte: Consulta ao site http://www.figarosensor.com.htm 30 O sensor MQ-7 Assim como o MQ-2, o MQ-7 tem baixa condutividade no ar limpo. No entanto para fazer a detecção de gases usa um método de ciclo de alta e baixa temperatura e deteta o CO quando a temperatura é baixa (VH a 1,5V). A condutividade do sensor aumenta conforme o aumento da concentração de CO. Quando a temperatura é elevada (VH a 5V), o sensor faz a limpeza de outros gases absorvidos aquando da temperatura baixa. O circuito recomendado pelo fabricante para os testes e emprego é o da figura 18. Figura 18 – Circuito de prova para o sensor MQ-7. Fonte: Consulta ao site http://www.figarosensor.com.htm Assim como o MQ-2, para que o sensor MQ-7 tenha um correto funcionamento, é necessário um valor de RL adequado. Este valor pode variar igualmente entre 5kΩ e 47kΩ e foi escolhido RL igual a 10kΩ. O consumo deste sensor é relativamente mais baixo em relação ao MQ-2, que ronda os 350mW. Tem uma gama de sensibilidade de 20 a 2000 ppm. Depois de ligado necessita de estar obrigatoriamente ligado durante 48 horas, sob pena de ter as medidas alteradas. 3.4 Procedimento de Cálculo A partir de um modelo MATLAB de análise de advecção/difusão, foi verificado que a predição do modelo estático longitudinal previsto pode ser empregado para análise da 31 dispersão dos contaminantes monitorados, considerando os pontos amostrados como fontes pontuais. Um gráfico obtido pela simulação MATLAB foi o da figura 19. Figura 19 – Simulação MATLAB de comportamento de difusão com vento <2m/s e temperatura entre 20 e50 graus. Fonte: Experimento da pesquisa O comportamento esperado considerando a ausência de ventos fortes ou moderados e predominância de ventos fracos, sem a presença de turbulência elevada causada por elevadas temperaturas é de uma expansão da pluma de contaminação homogênea e isotrópica, modelo conceitual inicial. A equação (15) que definiu o modelo adotado para análise da advecção-difusão, apesar de mais simplificada do que o modelo empregado MATLAB original permite analisar a alteração prevista na concentração dado um deslocamento em relação à origem. 32 ( (− ̅( ) )[ ) ( + ) ] (eq. 15) Relembrando que Q constitui a intensidade de emissão na fonte, são os coeficientes de difusão nas direções y e z respectivamente, z é a altura na qual foram coletados os parâmetros meteorológicos, h a altura da fonte e y a direção transversal ao deslocamento da pluma. Assim este constitui o modelo Gaussiano que fornece a concentração de contaminantes integrada lateralmente no nível do solo e que permite calcular a concentração de contaminantes na linha central da pluma no nível do solo. 33 4 RESULTADOS E DISCUSSÃO 4.1 Amostragem e resultados obtidos A amostragem de concentração de contaminantes, em função do atraso na entrega dos sensores pelo correio internacional foi prejudicada, sendo recebidos os sensores fisicamente alguns dias antes da entrega do relatório da pesquisa. Apesar disso, a construção de um modelo de análise e predição de concentração permite inferir como serão analisados os resultados obtidos a partir dos sensores, como modelo de advecção-difusão. Os procedimentos de calibração dos sensores MQ-2 demonstraram a importância em determinar os requisitos de operação e configurar a resistência de polarização de carga (Rl) de forma a adequar a sensibilidade à curva de resposta do contaminante que se deseja monitorar. Os procedimentos de calibração dos sensores MQ-7 demonstraram a importância em determinar os requisitos de operação e configurar a resistência de polarização de carga (Rl) de forma a adequar a sensibilidade à curva de resposta do contaminante que se deseja monitorar. Um cuidado especial neste sensor é a sequencia necessária de polarização em baixa temperatura e alta temperatura, respectivamente para a leitura de contaminante e para limpeza do sensor de outros contaminantes adsorvidos no filamento em baixa temperatura. O modelo de projeção em MATLAB permite empregar a base de dados registrada no cartão SD (datalogger) de forma a estabelecer um padrão temporal de comportamento da presença de contaminantes. As características do sistema completo: • Monitoramento adicional de temperatura, pressão e umidade, permitindo avaliar as condições ambientais de dispersão dos componentes detectados. • Capacidade de registro de dados: Considerando até quinze parâmetros de interesse, constituindo frame de dados com 128 palavras cada aquisição, numa taxa de aquisição de 1 amostra/ minuto, utilizando um cartão de memória SD de 4 Gbytes, teríamos 720 dias de autonomia de registro histórico gravado. 34 • Consumo de energia: média de 200 mA hora em operação com transmissão de dados, 100mA com operação de monitoramento dos dados, 20mA com condição de stand-by aguardando slot-time de aquisição ou transmissão de dados. Autonomia estimada sem recarga da bateria (considerando bateria de ion-litio de 900mAh, 50 horas com ciclos de trabalhos prevendo uma transmissão diária. • Sistema de recarga e alimentação por painéis solares, permitindo operação contínua sem necessidade de intervenção periódica de manutenção. 35 5 CONCLUSÕES E SUGESTÕES 5.1 CONCLUSÕES Uma proposta de plataforma de software atuando sistema integrado de gerenciamento de dados permite a análise dos dados inerentes aos parâmetros identificados e os limites legais previstos, provendo recursos para a atuação adequada no controle e gerenciamento da emissão de contaminantes atmosféricos através das atividades de empreendimentos diversos. As áreas de atuação podem ser diversificadas entre as quais pode-se citar: • Monitoramento de emissão de contaminantes decorrentes de atividades de processos industriais. • Monitoramento de emissão de contaminantes decorrentes da queima de materiais orgânicos e inorgânicos (queima da cana de açúcar, queima de resíduos industriais ou agrícolas, queimadas, etc). • Monitoramento de vazamento de derivados de petróleo nos arredores de refinarias e estações de extração de petróleo e gás natural, além das linhas de dutos de transporte de gás natural e petróleo. • Monitoramento de presença de gases tóxicos em áreas de risco, como proximidades de plantas industriais, permitindo ações de manutenção da segurança pública. O modelo apresentado nesta pesquisa apesar de simplificado serviu para visualizar as possibilidades de emprego desta tecnologia e a viabilidade técnica de implementação de sensores dedicados ao monitoramento ambiental. O emprego em rede de módulos sensores permite construir uma base de análise multipontual, que assim aumenta a capacidade em predizer o comportamento no microambiente estudado. 5.2 SUGESTÕES Uma proposta de continuidade seria a implementação de modelos de comportamento envolvendo o monitoramento de fluxo de correntes de ar, o que permitiria inferir padrões mais complexos de movimento da pluma de contaminantes. Uma elaboração 36 mais completa em MATLAB de modelos de analise dos dados permitiria realizar a predição com ventos moderados e intensos, de forma a poder empregar o sistema como modelo de monitoramento próximo a áreas industriais, onde as chaminés e sistemas de exaustão geram plumas contaminantes com comportamento diverso do modelo estudado neste trabalho. A construção por fim de sistemas com conjuntos mais completos de sensores permitiria monitorar simultaneamente diversos contaminantes sem a necessidade de modificar a polarização dos sensores ou recalibrar o sistema. 37 REFERÊNCIAS BIBLIOGRÁFICAS 1. BASSET, M. and Seinfeld J., Atmos. Envirom., 17, 2237 (1983). 2. CERQUEIRA,L., PoluentesAtmosféricos, 2000 http://www.unilivre.org.br/centro / textos /polar .htm acesso em 10/06/2013. 3. CETESB, Qualidade do ar: poluentes. (2011) Acessado em 04/2013. Disponível em: http://www.cetesb.sp.gov.br/ar/Informa??es-B?sicas/21-Poluentes. 4. ESTRADA, M. I. D., Revista Ciência Hoje, 12, 38 (1990). 5. HADLOCK, Charles R. Mathematical Modeling in the Enviroment. Washington: TheMathematical Assoaciation of America, 1998. 6. HANNA, R. S.,G.; A. Briggs, R. P: Handbook Atmospheric Diffusion. DOE/TIC 11223, US Depto of Energy. 1982. 7. KERR, A.A.F.S, Caracterização do Aerossol Atmosférico de Cubatão e uma Experiência de Aplicação do Modelo de Dispersão Por Pluma Gaussiana. Dissertação de Mestrado, Instituto de Física, Universidade Federal de São Paulo. 1983 8. LACSER, A. and Arya S. P. S. Boun.-Layer Meteorol., 36, 53-70 (1986) 9. LYONS, T.J., KENWORTHY, J.R., Moy, C. e dos Santos, F. An international urban air pollution model for the transportation sector. Transportation Research Part D: Transport and Environment, 2003. 10. MALHEIROS A. L., NOCKO H. R., Estudo da Dispersão Atmosférica empregando o modelo ISCST3 (INDUSTRIAL SOURCE COMPLEX ) para a Usina Termoelétrica de Agudos do Sul, ENVEX Engenharia e Consultoria Ambiental, 2009. 11. OLIVEIRA, A. P., et al., Air Pol. and Simulation, (1995). 12. PANOFSKY, H. A. and Dutton, J. A., Atmospheric Turbulence: Models andMethods for Engineering Applications, Pennsylvania, John Wiley & Sons, Inc:. (1984) 13. PASQUILL, F. and Smith, F. B., Atmospheric Diffusion, Ellis HorwoodLimt., 436 pp (1983). 14. PATZEK T. W., Fick’s Diffusion Experiments Revisited, University of California at Berkeley, 2006, http://gaia.pge.utexas.edu/em 24/05/2013. 15. SEINFELD, J. H., Atmos. Chem. and Phys. of Air Pollution. Editado por John Wiley & Sons (1986). 16. YOURDON E., CONSTANTINE L.Structured Design: Fundamentals of a Discipline of Computer Program and Systems Design, New York, Yourdon Press, 1978 17. <http://arduino.cc/en/>, em 10/05/2013. 38 18. <http://www.alldatasheets.com/> acesso em 26/04/2013. 19. <http://www.figarosensor.com.htm> acesso em 25/04/2013. 20. <http://www.futurlec.com/index.shtml>, acesso em 22/04/2013. 21. <http://www.hwsensor.com/> acesso em 23/04/2013. 22. <http://www.ita.br> acesso em 22/04/2013. 23. http:// .mma.gov.br/port/conama/RelaTecnico imRIO.pdf > em 25/04/2013. 24. <http://www.mma.gov.br/port/conama/res/res90/res0390.html em 22/04/2013. 25. <http://www.parallax.com/acesso> em 25/04/2013. 26. <http://www.vernier.com/acesso> em 25/04/2013. 39 APÊNDICE A Código fonte da biblioteca de acesso ao sensor MQ-2 via Microprocessador Arduíno /*******************Demo for MQ-2 Gas Sensor Module V1.1***************************** Original Author: Tiequan Shao: [email protected] Peng Wei: [email protected] Licence: Attribution-NonCommercial-ShareAlike 3.0 Unported (CC BY-NC-SA 3.0) Note: Software for demonstration, variables need to be setup in order to obtain right results Sandbox Electronics 2013-05-01 ************************************************************************************/ /************************Hardware Related Macros************************************/ #define MQ_PIN (0) //define which analog input channel you are going to use #define RL_VALUE (5) //define the load resistance on the board, in kilo ohms #define RO_CLEAN_AIR_FACTOR (9.83) //RO_CLEAR_AIR_FACTOR=(Sensor resistance in clean air)/RO, //which is derived from the chart in datasheet /***********************Software Related Macros************************************/ #define CALIBARAION_SAMPLE_TIMES (50) //define how many samples you are going to take in the calibration phase #define CALIBRATION_SAMPLE_INTERVAL (500) //define the time interal(in milisecond) between each samples in the //cablibration phase #define READ_SAMPLE_INTERVAL (50) //define how many samples you are going to take in normal operation #define READ_SAMPLE_TIMES (5) //define the time interal(in milisecond) between each samples in //normal operation /**********************Application Related Macros**********************************/ #define GAS_LPG (0) #define GAS_CO (1) #define GAS_SMOKE (2) /*****************************Globals***********************************************/ float LPGCurve[3] = {2.3,0.21,-0.47}; //two points are taken from the curve. //with these two points, a line is formed which is "approximately equivalent" //to the original curve. //data format:{ x, y, slope}; point1: (lg200, 0.21), point2: (lg10000, -0.59) float COCurve[3] = {2.3,0.72,-0.34}; //two points are taken from the curve. //with these two points, a line is formed which is "approximately equivalent" //to the original curve. //data format:{ x, y, slope}; point1: (lg200, 0.72), point2: (lg10000, 0.15) float SmokeCurve[3] ={2.3,0.53,-0.44}; //two points are taken from the curve. //with these two points, a line is formed which is "approximately equivalent" //to the original curve. //data format:{ x, y, slope}; point1: (lg200, 0.53), point2: (lg10000, -0.22) float Ro = 10; //Ro is initialized to 10 kilo ohms void setup() 40 { Serial.begin(9600); //UART setup, baudrate = 9600bps Serial.print("Calibrating...\n"); Ro = MQCalibration(MQ_PIN); //Calibrating the sensor. Please make sure the sensor is in clean air //when you perform the calibration Serial.print("Calibration is done...\n"); Serial.print("Ro="); Serial.print(Ro); Serial.print("kohm"); Serial.print("\n"); } void loop() { Serial.print("LPG:"); Serial.print(MQGetGasPercentage(MQRead(MQ_PIN)/Ro,GAS_LPG) ); Serial.print( "ppm" ); Serial.print(" "); Serial.print("CO:"); Serial.print(MQGetGasPercentage(MQRead(MQ_PIN)/Ro,GAS_CO) ); Serial.print( "ppm" ); Serial.print(" "); Serial.print("SMOKE:"); Serial.print(MQGetGasPercentage(MQRead(MQ_PIN)/Ro,GAS_SMOKE) ); Serial.print( "ppm" ); Serial.print("\n"); delay(200); } /****************** MQResistanceCalculation **************************************** Input: raw_adc - raw value read from adc, which represents the voltage Output: the calculated sensor resistance Remarks: The sensor and the load resistor forms a voltage divider. Given the voltage across the load resistor and its resistance, the resistance of the sensor could be derived. ************************************************************************************/ float MQResistanceCalculation(int raw_adc) { return ( ((float)RL_VALUE*(1023-raw_adc)/raw_adc)); } /***************************** MQCalibration **************************************** Input: mq_pin - analog channel Output: Ro of the sensor Remarks: This function assumes that the sensor is in clean air. It use MQResistanceCalculation to calculates the sensor resistance in clean air and then divides it with RO_CLEAN_AIR_FACTOR. RO_CLEAN_AIR_FACTOR is about 10, which differs slightly between different sensors. ************************************************************************************/ float MQCalibration(int mq_pin) { int i; float val=0; for (i=0;i<CALIBARAION_SAMPLE_TIMES;i++) { //take multiple samples val += MQResistanceCalculation(analogRead(mq_pin)); delay(CALIBRATION_SAMPLE_INTERVAL); } val = val/CALIBARAION_SAMPLE_TIMES; //calculate the average value 41 val = val/RO_CLEAN_AIR_FACTOR; //divided by RO_CLEAN_AIR_FACTOR yields the Ro //according to the chart in the datasheet return val; } /***************************** MQRead ********************************************* Input: mq_pin - analog channel Output: Rs of the sensor Remarks: This function use MQResistanceCalculation to caculate the sensor resistenc (Rs). The Rs changes as the sensor is in the different consentration of the target gas. The sample times and the time interval between samples could be configured by changing the definition of the macros. ************************************************************************************/ float MQRead(int mq_pin) { int i; float rs=0; for (i=0;i<READ_SAMPLE_TIMES;i++) { rs += MQResistanceCalculation(analogRead(mq_pin)); delay(READ_SAMPLE_INTERVAL); } rs = rs/READ_SAMPLE_TIMES; return rs; } /***************************** MQGetGasPercentage ********************************** Input: rs_ro_ratio - Rs divided by Ro gas_id - target gas type Output: ppm of the target gas Remarks: This function passes different curves to the MQGetPercentage function which calculates the ppm (parts per million) of the target gas. ************************************************************************************/ int MQGetGasPercentage(float rs_ro_ratio, int gas_id) { if ( gas_id == GAS_LPG ) { return MQGetPercentage(rs_ro_ratio,LPGCurve); } else if ( gas_id == GAS_CO ) { return MQGetPercentage(rs_ro_ratio,COCurve); } else if ( gas_id == GAS_SMOKE ) { return MQGetPercentage(rs_ro_ratio,SmokeCurve); } return 0; } /***************************** MQGetPercentage ********************************** Input: rs_ro_ratio - Rs divided by Ro pcurve - pointer to the curve of the target gas Output: ppm of the target gas Remarks: By using the slope and a point of the line. The x(logarithmic value of ppm) of the line could be derived if y(rs_ro_ratio) is provided. As it is a logarithmic coordinate, power of 10 is used to convert the result to non-logarithmic value. ************************************************************************************/ int MQGetPercentage(float rs_ro_ratio, float *pcurve) { 42 return (pow(10, (((log(rs_ro_ratio)-pcurve[1])/pcurve[2]) + pcurve[0]))); } 43 APÊNDICE B Código fonte da biblioteca de acesso ao sensor DH-11 via Microprocessador Arduíno /*#################################################################### FILE: dht11_functions.pde VERSION: 0.4.5 PURPOSE: Test DHT11 Temperature & Humidity Sensor library functions LICENSE: GPL v3 (http://www.gnu.org/licenses/gpl.html) DATASHEET: http://feed.virtuabotix.com/wp-content/uploads/2011/11/DHT11.pdf GET UPDATES: http://feed.virtuabotix.com/?239 #######################################################################*/ #include <<span class="domtooltips">dht11<span class="domtooltips_tooltip" none">DHT11/22 is a digital Temperature & Humidity Sensor</span></span>.h> style="display: <span class="domtooltips">dht11<span class="domtooltips_tooltip" style="display: none">DHT11/22 is a digital Temperature & Humidity Sensor</span></span> <span class="domtooltips">DHT11<span class="domtooltips_tooltip" style="display: none">DHT11/22 is a digital Temperature & Humidity Sensor</span></span>; #define DHT11PIN 2 void setup() { Serial.begin(9600); Serial.println("<span class="domtooltips">DHT11<span class="domtooltips_tooltip" style="display: none">DHT11/22 is a digital Temperature & Humidity Sensor</span></span> TEST PROGRAM "); Serial.print("LIBRARY VERSION: "); Serial.println(DHT11LIB_VERSION); } void loop() { Serial.println("\n"); int chk = <span class="domtooltips">DHT11<span class="domtooltips_tooltip" style="display: none">DHT11/22 is a digital Temperature & Humidity Sensor</span></span>.read(DHT11PIN); Serial.print("Leitura do sensor: "); switch (chk) { case 0: Serial.println("OK"); break; case -1: Serial.println("Checksum error"); break; case -2: Serial.println("Time out error"); break; default: Serial.println("Unknown error"); break; } Serial.print("Humidity (%): "); Serial.println((float)<span class="domtooltips">DHT11<span class="domtooltips_tooltip" style="display: none">DHT11/22 is a digital Temperature & Humidity Sensor</span></span>.humidity, DEC); Serial.print("Temperatura ( C): "); 44 Serial.println((float)<span class="domtooltips">DHT11<span class="domtooltips_tooltip" style="display: none">DHT11/22 is a digital Temperature & Humidity Sensor</span></span>.temperature, DEC); Serial.print("Temperatura ( F): "); Serial.println(<span class="domtooltips">DHT11<span class="domtooltips_tooltip" style="display: none">DHT11/22 is a digital Temperature & Humidity Sensor</span></span>.fahrenheit(), DEC); Serial.print("Temperatura ( K): "); Serial.println(<span class="domtooltips">DHT11<span class="domtooltips_tooltip" style="display: none">DHT11/22 is a digital Temperature & Humidity Sensor</span></span>.kelvin(), DEC); Serial.print("Ponto de orvalho ( C): "); Serial.println(<span class="domtooltips">DHT11<span class="domtooltips_tooltip" style="display: none">DHT11/22 is a digital Temperature & Humidity Sensor</span></span>.dewPoint(), DEC); Serial.print("Dew PointFast ( C): "); Serial.println(<span class="domtooltips">DHT11<span class="domtooltips_tooltip" style="display: none">DHT11/22 is a digital Temperature & Humidity Sensor</span></span>.dewPointFast(), DEC); delay(5000); } 45 APÊNDICE C Código fonte da biblioteca de gravação de dados num cartão SD via Microprocessador Arduíno (data logger) /* SD card datalogger This example shows how to log data from three analog sensors to an SD card using the SD library. The circuit: * analog sensors on analog ins 0, 1, and 2 * SD card attached to SPI bus as follows: ** MOSI - pin 11 ** MISO - pin 12 ** CLK - pin 13 ** CS - pin 4 created 24 Nov 2010 modified 9 Apr 2012 by Tom Igoe This example code is in the public domain. */ #include <SD.h> // On the Ethernet Shield, CS is pin 4. Note that even if it's not // used as the CS pin, the hardware CS pin (10 on most Arduino boards, // 53 on the Mega) must be left as an output or the SD library // functions will not work. const int chipSelect = 4; void setup() { // Open serial communications and wait for port to open: Serial.begin(9600); while (!Serial) { ; // wait for serial port to connect. Needed for Leonardo only } Serial.print("Initializing SD card..."); // make sure that the default chip select pin is set to // output, even if you don't use it: pinMode(10, OUTPUT); // see if the card is present and can be initialized: if (!SD.begin(chipSelect)) { Serial.println("Card failed, or not present"); // don't do anything more: return; } 46 Serial.println("card initialized."); } void loop() { // make a string for assembling the data to log: String dataString = ""; // read three sensors and append to the string: for (int analogPin = 0; analogPin < 3; analogPin++) { int sensor = analogRead(analogPin); dataString += String(sensor); if (analogPin < 2) { dataString += ","; } } // open the file. note that only one file can be open at a time, // so you have to close this one before opening another. File dataFile = SD.open("datalog.txt", FILE_WRITE); // if the file is available, write to it: if (dataFile) { dataFile.println(dataString); dataFile.close(); // print to the serial port too: Serial.println(dataString); } // if the file isn't open, pop up an error: else { Serial.println("error opening datalog.txt"); } 47 APÊNDICE D Script MATLAB para analise de processo de advecção-difusão. Advection.m %inicio do script maxcycle = 10 % Defining the number of cycles for a simulation % Defining grid in the horizontal direction xmin=0.0; xmax=3000.0; xnum=99; xstp=(xmax-xmin)/(xnum-1); ymin=0.0; ymax=3000.0; ynum=99; ystp=(ymax-ymin)/(ynum-1); % Defining Material Properties k=3.0; % Thermal conductivity, W/m/K ro=3000.0; %Density, kg/m^3 cp=1000.0; % Isobaric heat capacity, J/kg kappa=k/ro/cp; % Thermal diffusivity m^2/s % Defining Initial Temperature structure tmin=500; tmax=1000; for xn = 1 :xnum for yn = 1:ynum T0(xn,yn)=tmin; % Background Temperature, K if ((xn-1)/(xnum-1)>0.60 &&(xn-1)/(xnum-1)<0.80 &&(yn-1)/(ynum-1)>0.60 1)<0.80)T0(xn,yn)=tmax; % Rectangular Hot body in the middle end end end Tinit=T0; % Store the initial conditions timestep=0.75*((xstp^2+ystp^2)/2.0)/kappa/3.0; % Explicit timestep %We have to create no a velocity field. Let’ %s try with a rotation %around the center of the computational domain: Vel=1.e-9; %m/s %Also the advection scheme has a stability criteria. %Beyond this point, it becomes unstable. Maxstep can be set to 0.05 %or 0.75 in order to see the difference. maxStep=0.75; if Vel*timestep>maxStep*xstp timestep=maxStep*xstp/Vel; end % Defining rotation velocity structure for xn = 1:1:xnum for yn = 1:1:ynum VX(xn,yn)= Vel*(yn-(ynum-1)/2)/((ynum-1)/2); 48 &&(yn-1)/(ynum- VY(xn,yn)=-Vel*(xn-(xnum-1)/2)/((xnum-1)/2); end end % Solving temperature equation by explicit method for cycle = 0:maxcycle for xn = 1:xnum for yn = 1:ynum % Boundary nodes: if (xn==1 ||xn==xnum ||yn==1 ||yn==ynum)T1(xn,yn)=tmin; % T=const else kappaX=kappa; kappaY=kappa; T1(xn,yn)=T0(xn,yn)+timestep*kappaX*( T0(xn-1,yn)-2.0*T0(xn,yn)+T0(xn+1,yn) )/(xstp*xstp); %x contribution T1(xn,yn)=T1(xn,yn)+timestep*kappaY*( T0(xn,yn-1)-2.0*T0(xn,yn)+T0(xn,yn+1) )/(ystp*ystp); %y contribution T1(xn,yn)=T1(xn,yn)-0.5*VX(xn,yn).*timestep.*(T0(xn,yn)-T0(xn-1,yn))./xstp0.5*VX(xn,yn).*timestep.*(T0(xn+1,yn)-T0(xn,yn))./xstp; %dT/dx = 1/2( (T0(xn,yn)-T0(xn-1,yn))/xstp +(T0(xn+1,yn)-T0(xn,yn))/xstp ) T1(xn,yn)=T1(xn,yn)-0.5*VY(xn,yn).*timestep.*(T0(xn,yn)-T0(xn,yn-1))./ystp0.5*VY(xn,yn).*timestep.*(T0(xn,yn+1)-T0(xn,yn))./ystp; %dT/dy = 1/2( (T0(xn,yn)-T0(xn,yn-1))/ystp +(T0(xn,yn+1)-T0(xn,yn))/xstp ) end end end T0=T1; % Reloading solutions to T0 end} 49