Estudio y modelado de la dispersión de contaminantes procedentes de fuentes pasivas con OpenFOAM

Abstract

Las emisiones odoríferas de las estaciones depuradoras de aguas residuales (EDARs) constituyen un importante desafío ambiental debido a su impacto en la calidad de vida de las comunidades cercanas. Estas emisiones, originadas principalmente en fuentes pasivas superficiales como tanques abiertos, incluyen compuestos como el sulfuro de hidrógeno y amoníaco, los cuales son detectables incluso a bajas concentraciones. El presente estudio aborda el modelado de la dispersión de contaminantes mediante Dinámica de Fluidos Computacional (CFD), empleando el software OpenFOAM. Se modelan las fuentes pasivas mediante la analogía con cavidades bidimensionales, con el objetivo de desarrollar un modelo analítico que pueda integrarse en simulaciones de microescala urbana, reduciendo el coste computacional al simplificar la representación de las fuentes emisoras. Además, se incluye el uso de redes neuronales entrenadas con resultados CFD para predicciones rápidas, lo que permite realizar estudios paramétricos extensos y optimizar la gestión de las emisiones odoríferas.

Odorous emissions from wastewater treatment plants (WWTPs) have low detection thresholds, causing discomfort in nearby communities. These emissions mainly originate from passive surface sources, whose volatilization depends on environmental factors. This study models pollutant dispersion using Computational Fluid Dynamics (CFD) in OpenFOAM, representing passive sources as two-dimensional cavities. The emission rate is analyzed based on geometric and physical variables to develop an analytical model that optimizes microscale simulations. To reduce computational cost, neural networks trained with CFD results are employed, enabling efficient predictions of wind fields and pollutant concentrations. The combination of physical models and Deep Learning enhances the assessment of environmental impact and optimizes emission management in urban and industrial environments.