Caratterizzazione del black carbon all'interno del particolato atmosferico tramite spettroscopia Raman = Black carbon characterization in particular matter with Raman spectroscopy

Negli ultimi decenni la spettroscopia Raman ha trovato largo impiego nell’analisi composizionale del particolato atmosferico (PM). Tra le sostanze chimiche costituenti il PM si individua una considerevole quantità di black carbon (BC). A partire dagli spettri Raman del BC, tale lavoro ha l’obiettivo di sviluppare un possibile strumento di source apportionment del BC contenuto all’interno del particolato aerodisperso. Pertanto, sono state analizzate tramite uno spettrofotometro Raman, in primo luogo, le differenti sorgenti responsabili della formazione del BC e, in secondo luogo, due campioni di PM. I campioni delle sorgenti sono stati rispettivamente ceneri di biomassa e residui di combustione provenienti da veicoli a diesel, benzina, metano e GPL; i campioni di particolato, invece, sono stati raccolti presso le stazioni di monitoraggio di qualità dell’aria nel comune di Oulx (TO) e di Torino Rebaudengo. Gli spettri Raman del BC presentano due picchi caratteristici: il picco G, posto ad un Raman Shift di 1580 cm-1 e indicante la presenza di grafite, e il picco D, a 1360 cm-1 che denota la presenza di carbone amorfo. Ad ogni spettro ottenuto è stata applicata una deconvoluzione in cinque curve di cui quattro di tipo lorentziano (G, D1, D2, D4) e una di tipo gaussiano (D3). Per ogni curva sono state esaminate le principali caratteristiche: posizione del picco, intensità massima, area sottesa e ampiezza a mezza altezza. Tali caratteristiche sono state poi combinate per generare ulteriori parametri allo scopo di provare a discernere il tipo di sorgente emissiva. Per ciascuna delle sorgenti emissive del BC, la valutazione dei parametri presi singolarmente non è risultata sufficiente a effettuare una caratterizzazione delle fonti; pertanto, si è passati a considerare coppie di parametri esplorando eventuali aggregazioni nei dati. Quindi, sono state utilizzate tecniche di machine learning, quali l’algoritmo K-Nearest Neighbors (KNN), per misurare analiticamente la risoluzione dei cluster e individuare le coppie di parametri più efficaci all’identificazione delle diverse fonti emissive di BC. Infine, l’utilizzo del medesimo algoritmo di machine learning, addestrato sui dati delle sorgenti di riferimento, ha permesso di associare la presenza di BC all’interno del PM di Torino Rebaudengo a residui di combustione di motori principalmente a Diesel.