Modelación de dispersión de emisiones de SO2 de Refinería Aconcagua
Abstract
En este estudio se realizó un análisis de distintos modelos de dispersión de
contaminantes como Gauss, Aermod y Calpuff para ENAP Refinería
Aconcagua. Con el propósito de brindar una herramienta que permita detectar
rápidamente las variaciones en la calidad del aire en la zona urbana de Concón.
Para esto se hizo un exhaustivo análisis de las fuentes de emisión de dióxido de
azufre, obteniendo un total de 28 fuentes de emisión divididas en Hornos,
Calderas, Antorchas, Plantas de Azufre, Cogeneradora, Cracking catalítico y
una planta de Ácido Sulfúrico. Para estas fuentes se determinó la velocidad de
salida de los gases, temperatura de salida y las dimensiones creando una base
de datos de emisiones en Sistema Airviro, con la que se realizó una serie
simulaciones para los modelos anteriormente mencionados, obteniendo un error
que varía entre 30 a 50% para Calpuff, 90% para Gauss y 90% para Aermod.
Siendo Calpuff el modelo de dispersión que mejor se adapta a las condiciones
de la empresa.
Una vez escogido Calpuff como modelo se realizaron distintos estudios que
determinaron que a mayor altura existe una menos concentración de
contaminantes (mejor dispersión de contaminantes), las plantas de azufre son la
mayor fuente de emisión de SO2 y que mientras mayor sea la concentración de
azufre en el fuel gas mayor serán las inmisiones de dióxido de azufre medido
en las estaciones de calidad del aire. La importancia de este modelo es que
brinda un primer acercamiento a los modelos tipo Puff para ENAP Refinería
Aconcagua, los cuales presentan un error menor a los modelos Gaussianos
utilizados en la actualidad, entregando una mayor claridad al momento de
estudiar las emisiones de la empresa. Además, se han realizado una serie
sugerencias como la compra de datos de un pronóstico meteorológicos de mayor
calidad y resolución, mejorar las condiciones de la estación meteorológica de la
empresa, instalación de sensores que permitan obtener datos en serie de tiempo
para las antorchas y el uso de algoritmos de Machine Learning. También, se
hizo la conexión a un pronóstico meteorológico gratuito para realizar a futuro
una simulación que pronóstique la calidad del aire de forma gratuita e
incorporaron a la base de datos la información necesaria para la aplicación de
la altura y diámetro efectivo como ajuste para la modelación. Por último, se
tiene que al implementar estas recomendaciones y configuraciones el error de
la simulación disminuiría, pudiendo ser validada como herramienta de
corrección y predicción para dar cumplimiento a la normativa primaria de
calidad del aire.