Analisi e sviluppo di un banco di calibrazione per sensori di qualità dell'aria funzionanti anche in movimento

Il monitoraggio della qualità dell'aria in movimento tramite l'approccio partecipativo della Citizen Science e sensori low-cost (LCS) mira a superare i limiti di risoluzione spaziale intrinseci delle centraline fisse tradizionali. Tuttavia, l'affidabilità di questi dispositivi in mobilità è compromessa dai flussi d'aria indotti dall'operatore, motivo per cui in letteratura le validazioni tecnologiche vengono condotte quasi esclusivamente in condizioni statiche. L'obiettivo di questo studio è indagare se le anomalie fluidodinamiche di misurazione del materiale particolato dipendano dalla traslazione in sé o dall'orientamento e inclinazione del dispositivo nello spazio. Lo scopo ultimo è comprendere come filtrare il rumore per svincolare finalmente l'utente dall'obbligo di fermarsi per ottenere rilevazioni affidabili. Il setup sperimentale indossabile consiste in un modulo ottico Sensirion SEN66 per la rilevazione del PM10, accoppiato a un microcomputer Raspberry Pi 5 e a uno smartphone impiegato come unità di misura inerziale (IMU) per acquisire accelerazione lineare, inclinazione e dati giroscopici. I sensori sono stati vincolati meccanicamente per formare un corpo solidale durante il moto. Tramite un'architettura software appositamente sviluppata in Python, si è attuata una procedura logica di Sensor Fusion, sincronizzando temporalmente il dataset ambientale con il tracciamento cinematico. Il protocollo ha previsto test indoor tramite camminate standardizzate della durata di circa sei minuti, isolando la variabile posturale mantenendo il dispositivo saldamente a specifiche angolazioni di beccheggio. Le misurazioni in dinamica hanno dimostrato chiaramente che l'orientamento altera in modo sistematico l'affidabilità metrologica dell'apparato. In particolare, in un assetto orizzontale neutro a 0° si manifesta una marcata sottostima delle concentrazioni di PM10. L'assetto verticale a 90° si è invece dimostrato il più equilibrato. Inoltre, altre 6 configurazioni aerodinamiche. L'analisi temporale ha infine isolato una latenza intrinseca hardware di 15-20 secondi tra la perturbazione inerziale e la stabilizzazione della lettura ottica. L'approccio computazionale IMU in ambiente Python ha permesso di scartare il rumore meccanico causato da manovre brusche o inversioni, isolando i dati relativi alla sola traslazione rettilinea pura. I set di dati incrociati provano che le fluttuazioni metrologiche dipendono in maniera diretta dall'angolo di incidenza dell'aria sulle feritoie, il quale è governato dall'inclinazione stabile (Pitch) imposta dalla postura dell'operatore. Tali evidenze giustificano e spiegano scientificamente le inesattezze storiche delle rilevazioni dinamiche non calibrate e la raccomandazione passata di eseguire rilevazioni solo da fermi. Il progetto certifica che i sensori low-cost rappresentano una valida base hardware per il monitoraggio distribuito, ma conferma che la postura e l'inclinazione durante il moto sono fattori aerodinamici insopprimibili. Un'architettura basata sulla consapevolezza del contesto (Context Awareness) e sulla Sensor Fusion risulta il filtro logico essenziale per validare in tempo reale le letture dinamiche. Le evidenze raccolte aprono la strada alla futura progettazione di case aerodinamici integrati e all'addestramento di modelli di Intelligenza Artificiale per rendere la compensazione dell'errore autoadattiva rispetto all'andatura e all'inclinazione del cittadino.