Tesis Camila Canelo

UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA
DEPARTAMENTO DE INGENIERÍA QUÍMICA Y AMBIENTAL

VALPARAÍSO, CHILE
ANÁLISIS DE PROPIEDADES FISICOQUÍMICAS EN LA PERCEPCIÓN DE

OLOR DE COMPUESTOS QUE APORTAN A LA CONTAMINACIÓN
ODORÍFERA.
CAMILA CONSTANZA CANELO AZÓCAR
MEMORIA DE TITULACIÓN PARA OPTAR AL TÍTULO DE INGENIERÍA CIVIL

AMBIENTAL
PROFESOR GUÍA: LORNA GUERRERO.
PROFESOR CORREFERENTE: JOSE LUIS CAMPOS.
MARZO 2022
“Análisis de propiedades fisicoquímicas en la percepción de olor
de compuestos que aportan a la contaminación odorífera”
Agradecimientos
Las siguientes líneas están dedicadas a todas aquellas personas que formaron parte de mi
formación académica y vida universitaria, quienes me brindaron cariño y apoyo para concluir esta
etapa.
En primer lugar, quiero agradecer a mis padres Christian y Tatiana, por entregarme alas, por su
amor incondicional y enseñarme a luchar incanzablemente por mis sueños. A mis hermanos
Nicolás y Catalina por las risas, el amor, la amistad y la contención. A mis tatas Juan y Nancy, a
Macarena, Marisol, Francisco y Alejandro, por la confianza depositada en mi y brindarme ayuda
para llegar a este punto. A mis primos Vicente y Agustín, por esperarme cada verano con abrazos
llenos de amor y a sebastían, por cuidarme desde el cielo.
Agradezco a Pablo, por que sin su compañía este viaje no habría sido el mismo. Gracias por ser mi
gran compañero de aventuras, por no permitir que me rindiera, por impulsarme cada día a crecer
y ser la mejor versión de mí.
Gracias a mi familia, tíos y primas por cada palabra de aliento, en especial a mi tía jessica, por todo
el apoyo brindado en la última etapa de este proceso.
Son muchas las personas que durante estos años han formado parte de mi día a día, quienes han
impactado en mí y llevaré siempre en mis recuerdos. Quiero agradecer a mis amigas Javiera,
Vania, Carolina y Loreto, por entregarme su amistad, por ser la mamá, hermana y amiga que
muchas veces necesité estando lejos de casa, sin duda que los mejores recuerdos de este camino
están a su lado. A Roberto, por las risas, los abrazos, cuidarme y siempre compartir mandarina en
clases. A Brian y Marcela, por los buenos momentos, su ayuda, cariño y escucha atenta. A mis
chanchitas, los candi, y a toda la generación Ambiental 2014, muchas gracias.
Uno de los mayores desafíos fue estar lejos de casa, extrañar a mi familiar y sentirme en un hogar,
por lo que agradezco a Pamela y Jaime, Marianella y Lester, que me abrieron las puertas de sus
casas a lo largo de los años, recibiéndome con amor cada vez que entraba en ellos.
Quiero agradecer a la profesora Lorna y al profesor Jose Luis, por el tiempo dedicado y los
conocimientos entregados, fue un placer aprender y trabajar junto a ustedes.
Por último, agradezco a la vida la oportunidad de vivir esta experiencia y a la pequeña camila que
tomó el desafío de dejar todo por cumplir sus sueños.
Gracias a todo aquel que confío en que yo podría.
Página 2 de 123
Resumen
El olfato es un sentido esencial, que ayuda a identificar y discriminar olores agregándoles
un atributo emocional a los objetos, eventos y/o situaciones, influyendo incluso en el
estado de ánimo y desarrollando un rol vital en la evolución de los humanos. En los
últimos años, varios estudios han surgido para comprender como se perciben los olores y
respecto a que variables depende, sin embargo, no hay un consenso claro en la
comunidad científica. En Chile, las normativas para la regulación de emisión de olores
están recién implementándose, y dentro de los próximos años se busca fortalecer este
pilar regulatorio trabajando sobre aspectos tales como, la distancia mínima de
emplazamiento de establecimientos emisores y límites de concentración o tasa de
emisión. Dentro de las principales complejidades que existen al normar olores están los
problemas asociados a su percepción y medición, las cuales son consideradas poco
estandarizadas por la manera en que se modelan y cuantifican.
El objetivo principal de esta memoria consiste en analizar la relación entre algunas de las
propiedades fisicoquímicas de aquellos compuestos, generados en los diferentes procesos
de la industria, que son un aporte a la contaminación y la percepción olfativa que se
obtiene de estos mismos. Se busca complementar los estudios de percepción de olores
actuales que se enfocan en la investigación de la complejidad molecular, incorporando
también conceptos como los equilibrios gas-líquido y los procesos de ionización
producidos en la mucosa nasal, con el fin de analizar si existe una relación entre estos
fenómenos físicos y la sensación de percepción de algunos compuestos olorosos. Por lo
anterior, se generó una base de datos conformada por compuestos orgánicos e
inorgánicos para desarrollar un modelo que cuantifique la relación mencionada.
Tras el desarrollo de la investigación, se generó un modelo de regresión lineal que

contiene propiedades descriptivas relacionadas a la solubilidad, lipofilicidad y distribución
de cargas parciales de los compuestos odoríferos, que permite explicar en un 76,8% la
variabilidad de datos de la concentración umbral, validado a través de las pruebas
estadísticas de Shapiro, Durbin Watson y Goldfeld. Este modelo promete ser el inicio de
una serie de investigaciones que permitan mejorar los conocimientos sobre el
funcionamiento del sistema de percepción olfativa.
Página 3 de 123
Índice
Agradecimientos ................................................................................................................................. 2
Resumen.............................................................................................................................................. 3
Índice de Figuras ................................................................................................................................. 7
Índice de tablas ................................................................................................................................... 8
1. Introducción y objetivos ............................................................................................................ 10
1.1 Objetivo general .................................................................................................................... 10
1.2 Objetivos específicos ............................................................................................................. 11
2. Desarrollo de la problemática ................................................................................................... 12
2.1 Contexto global ..................................................................................................................... 12
2.1.1 Investigaciones internacionales ........................................................................................... 12
2.1.2 Normativa internacional ...................................................................................................... 13
2.1.2.1 Holanda ............................................................................................................................. 14
2.1.2.2 Reino unido ....................................................................................................................... 14
2.1.2.3 España ............................................................................................................................... 15
2.1.2.4 Alemania ........................................................................................................................... 15
2.1.2.5 Colombia ........................................................................................................................... 16
2.1.2.6 Australia ............................................................................................................................ 16
2.1.2.7 Japón ................................................................................................................................. 18
2.2 Contexto nacional ................................................................................................................. 18
2.2.1 Actividades generadoras de olor.......................................................................................... 18
2.2.2 Normativa nacional .............................................................................................................. 20
2.2.3 Evaluación en el SEIA............................................................................................................ 23
2.3 Proceso de emisión, dispersión y respuesta humana al olor ................................................ 24
2.4 El mecanismo del olfato .............................................................................................................. 25
2.5 Moléculas aromáticas y concepto de olor ............................................................................ 29
2.6 Caracterización de los compuestos que generan olor .......................................................... 32
2.6.1 Propiedades físicas ............................................................................................................... 32
2.6.2 Propiedades químicas .......................................................................................................... 33
2.7 Medición del olor .................................................................................................................. 33
Página 4 de 123
2.7.1 Métodos analíticos ............................................................................................................... 34

2.7.1.1 Cromatografía de gases – espectrometría de masas (CG-EM) ......................................... 34
2.7.1.2 Cromatografía de gases – Olfatometría (CG-O) ................................................................ 35
2.7.1.3 Sensores para compuestos olorosos específicos y no específicos .................................... 35
2.7.2 Método sensorial ................................................................................................................. 35
2.7.2.1 Olfatometría dinámica ...................................................................................................... 35
2.7.2.2 Protocolo FIDO .................................................................................................................. 37
2.8 Efectos sobre la salud ............................................................................................................ 37
3. Estado del arte .............................................................................................................................. 39
3.1 Teorías de percepción existentes................................................................................................ 39
3.1.1 Teoría estérica del olor......................................................................................................... 39
3.1.2 Teoría de la radiación ........................................................................................................... 40
3.1.3 Teorías vibratorias del olor .................................................................................................. 40
3.1.3.1 Teoría infrarroja ............................................................................................................ 40
3.1.3.2 Teoría ultravioleta ......................................................................................................... 40
3.1.3.3 Teoría del cambio Raman.............................................................................................. 41
3.1.3.4 Teoría de espectroscopía de túnel de electrones inducidos por vibraciones ............... 41
3.1.4 Teoría mecánica ................................................................................................................... 42
3.1.5 Teoría de patrones de estímulo ........................................................................................... 42
3.1.6 Teoría de los límites de fase ................................................................................................. 42
3.1.7 Teoría química ...................................................................................................................... 42
3.1.8 Teoría de las enzimas ........................................................................................................... 42
3.2 Estudios realizados ...................................................................................................................... 43
3.2.1 Estudios de las relaciones estructura-olor (SOR) ................................................................. 43
3.2.2 Estudios de la forma molecular............................................................................................ 49
4. Marco teórico ................................................................................................................................ 52
4.1 Definiciones ............................................................................................................................. 52
4.1.1 Olor ................................................................................................................................... 52
4.1.2 Impacto odorífero ............................................................................................................ 52
4.1.3 Intensidad ......................................................................................................................... 52
Página 5 de 123
4.2 Ecuaciones gobernantes ......................................................................................................... 53

4.2.1 Ley de Henry..................................................................................................................... 53
4.2.2 Intensidad ......................................................................................................................... 54
4.2.3 Coeficiente de partición ................................................................................................... 56
4.3 Propiedades fisicoquímicas ..................................................................................................... 57
4.3.1 Peso molecular ................................................................................................................. 57
4.3.2 Constante de Henry.......................................................................................................... 57
4.3.3 Constante de acidez y basicidad ...................................................................................... 58
4.3.4 Concentración umbral ...................................................................................................... 58
4.3.5 Log P ................................................................................................................................. 59
4.3.6 Demanda química de oxígeno .......................................................................................... 59
4.3.7 Indicadores de grosor y asimetría .................................................................................... 59
4.3.8 Grupos funcionales........................................................................................................... 60
4.3.9 Volumen ........................................................................................................................... 60
4.3.10 Área de superficie polar ................................................................................................. 60
4.4 Programas estadísticos............................................................................................................ 61
4.4.1 Random Forest ................................................................................................................. 61
4.4.2 Redes neuronales ............................................................................................................. 64
5. Metodología .................................................................................................................................. 71
5.1 Base de datos .......................................................................................................................... 71
5.2 Análisis estadístico .................................................................................................................. 72
5.2.1 Selección de variables ............................................................................................... 73
5.2.2 Métodos estadísticos ................................................................................................ 74
6. Resultados y Discusión .................................................................................................................. 81
6.1 Resultados obtenidos .............................................................................................................. 81
6.1.1 Análisis de componentes principales (PCA) ..................................................................... 81
6.1.2 Análisis de correlación por Random Forest...................................................................... 88
6.1.3 Análisis de regresión ........................................................................................................ 93
6.1.4 Redes neuronales ........................................................................................................... 101
6.2 Discusión de los resultados ................................................................................................... 106
Página 6 de 123
7. Conclusiones y recomendaciones ............................................................................................... 109

8. Referencias .................................................................................................................................. 110
Anexos ................................................................................................................................................. 2
1. Resumen metodologías de medición de olor ......................................................................... 2
2. Análisis de componentes principales: “clasificación por valor de concentración umbral” .... 3
3. Otros análisis de componentes principales ............................................................................ 7
4. Otros resultados de correlación por Random Forest .............................................................. 8
5. Otros resultados de redes neuronales .................................................................................. 11
Índice de Figuras
Figura 2. 1 Diagrama de flujo de la normativa colombiana en materia de olores. ........................... 16
Figura 2. 2 Mapa nacional de ubicación de establecimientos potenciales generadores de olor. .... 19
Figura 2. 3 Porcentaje de aporte de las actividades potencialmente generadoras de olor. ........... 20
Figura 2. 4 Regiones con mayor probabilidad de sufrir problemas de olor. ..................................... 20
Figura 2. 5 Número de denuncias por año a nivel nacional. ............................................................. 22
Figura 2. 6 Distribución de denuncias a la SMA por rubro a nivel nacional. ..................................... 23
Figura 2. 7 Proceso de emisión, transporte y recepción de olor. ..................................................... 24
Figura 2. 8 Proceso de emisión, dispersión y respuesta humana al olor. ......................................... 26
Figura 2. 9 Proceso de percepción de olores. ................................................................................... 29
Figura 2. 10 Respuesta humana a concentraciones crecientes de H2S. ........................................... 31
Figura 2. 11 Persistencia de compuesto oloroso. ............................................................................. 33
Figura 2. 12 Protocolo F.I.D.O. para la evaluación de episodios molestos. ...................................... 38
Figura 3. 1 Datos publicados sobre la respuesta olfativa expresado en receptores......................... 44
Figura 3. 2 Notas olfativas descriptoras de olor................................................................................ 46
Figura 3. 3 Correlación de las notas olfativas.................................................................................... 46
Figura 3. 4 Comparación de umbrales de olor en aire y en agua...................................................... 47
Figura 3. 5 Influencia en el cambio de largo de cadena en el umbral de olor de alcano tiol primario,
secundario y terciario........................................................................................................................ 48
Figura 3. 6 Resultados de algoritmo de descubrimiento de subgrupos............................................ 49
Figura 3. 7 Molécula dentro de una caja rectangular. ...................................................................... 50
Figura 4. 1 Diagrama de solubilidad. ................................................................................................. 53
Figura 4. 2 Función de intensidad de 1-butanol según la ley de Stevens. ........................................ 54
Figura 4. 3 Visión 3D molécula en Vega ZZ. ...................................................................................... 59
Figura 4. 4 Análisis de polaridad en Vega ZZ. .................................................................................... 61
Figura 4. 5 Tipos de métodos de ensamble. ..................................................................................... 63
Página 7 de 123
Figura 4. 6 Neurona biológica. .......................................................................................................... 65

Figura 4. 7 Estructura de un sistema neuronal. ................................................................................ 66
Figura 4. 8 Unidad de Proceso típica de una neurona. ..................................................................... 67
Figura 4. 9 Ejemplo de una función de activación neural. ................................................................ 67
Figura 4. 10 Composición de una red neural. ................................................................................... 68
Figura 4. 11 Esquema representativo de una neurona según modelo de Perceptrón. .................... 69
Figura 4. 12 Ejemplo de perceptrón multicapa. ................................................................................ 70
Figura 5. 1 Diagrama de proceso "Análisis estadístico" .................................................................... 75
Figura 5. 2 Diagrama de proceso "Análisis estadístico" (continuación). ........................................... 76
Figura 6. 1 Gráfica de sedimentación................................................................................................ 83
Figura 6. 2 Influencia de las variables estudiadas en las dimensiones 1 y 2. .................................... 83
Figura 6. 3 Puntuaciones dimensiones 1 y 2. .................................................................................... 84
Figura 6. 4 Influencias de los compuestos con capacidad para disociarse. ...................................... 86
Figura 6. 5 Puntuaciones de los compuestos con capacidad para disociarse. .................................. 86
Figura 6. 6 Influencias de los compuestos sin capacidad de disociarse. ........................................... 87
Figura 6. 7 Gráfica de puntuaciones de los compuestos sin capacidad de disociarse. ..................... 88
Figura 6. 8 Gráfica MSE del modelo 8. .............................................................................................. 92
Figura 6. 9 Gráfica MSE del modelo 9. .............................................................................................. 93
Figura 6. 10 Resultados regresión lineal del modelo con valores atípicos. ...................................... 95
Figura 6. 11 Ejemplo de identificación datos atípicos. ...................................................................... 96
Figura 6. 12 Regresión lineal del modelo 8 sin valores atípicos. ....................................................... 97
Figura 6. 13 Regresión lineal del modelo 9 con valores atípicos. .................................................. 100
Figura 6. 14 Regresión lineal del modelo 9 sin datos atípicos. ....................................................... 101
Figura 6. 15 Red neuronal de los datos de entrenamiento escalados del modelo 8 con datos
atípicos. ........................................................................................................................................... 103
Figura 6. 16 Red neuronal de los datos de prueba escalados del modelo 8 con datos atípicos..... 103
Figura 6. 17 Red neuronal de los datos de entrenamiento escalados del modelo 8 sin datos
atípicos. ........................................................................................................................................... 105
Figura 6. 18 Red neuronal de los datos de prueba escalados del modelo 8 sin datos atípicos. ..... 105
Figura A. 1 Respuesta del análisis de componentes principales según los distintos rangos de
concentración umbral. ........................................................................................................................ 5
Figura A. 2 Gráficas de influencias. ..................................................................................................... 7
Figura A. 3 Gráfica MSE en base a la clasificación según la polaridad. ............................................... 9
Figura A. 4 Correlación” log Cumbral vs log H” según la polaridad de los compuestos. .................. 10
Figura A. 5 Correlación “log C umbral vs log P” según la polaridad de los compuestos. .................. 11
Índice de tablas
Tabla 2. 1 Tabla F.I.D.O. olores.......................................................................................................... 37
Tabla 3. 1 Valores descriptores de forma de los primeros 10 alquenos. .......................................... 50
Página 8 de 123
Tabla 3. 2 Valores descriptores de forma de los primeros seis alquinos. ......................................... 51

Tabla 4. 1 Escala de intensidad. ........................................................................................................ 55
Tabla 5. 1 Resumen de fuentes de información de propiedades. ................................................... 71
Tabla 5. 2 Propiedades utilizadas en el estudio. ............................................................................... 73
Tabla 6. 1 Propiedades consideradas en el primer modelo. ............................................................. 81
Tabla 6. 2 Valores propios rango N°1. ............................................................................................... 82
Tabla 6. 3 Vectores propios rango N°1.............................................................................................. 82
Tabla 6. 4 Propiedades del modelo de conjunto de compuestos con capacidad de disociarse. ...... 85
Tabla 6. 5 Propiedades utilizadas en los modelos de Random Forest. ............................................. 89
Tabla 6. 6 Resultados obtenidos para los modelos de Random Forest. ........................................... 90
Tabla 6. 7 Resultados pruebas estadísticas del modelo 8 con valores atípicos. ............................... 95
Tabla 6. 8 Pruebas estadísticas del modelo 8 sin valores atípicos. .................................................. 97
Tabla 6. 9 Análisis para discriminar datos atípicos en función de la relación O/H. .......................... 98
Tabla 6. 10 Resultados de la regresión lineal considerando la variable O/H. ................................... 98
Tabla 6. 11 Pruebas estadísticas de la regresión lineal considerando la variable O/H. .................... 99
Tabla 6. 12 Resultado de las pruebas estadísticas del modelo 9 con valores atípicos. .................. 100
Tabla 6. 13 Resultado de las pruebas estadísticas del modelo 9 sin datos atípicos. ...................... 101
Tabla 6. 14 Resultados de las redes neuronales para el modelo 8 con datos atípicos. .................. 104
Tabla 6. 15 Resultados de las redes neuronales para el modelo 8 sin datos atípicos. ................... 106
Tabla 6. 16 Valores del coeficiente de regresión obtenidos para el modelo 8 sin datos atípicos. . 106
Tabla A 1.Resumen metodologías de medición de olor...................................................................... 2
Tabla A 2.Resumen metodologías de medición de olor (continuación) ............................................. 3
Tabla A 3.Resumen de los rangos establecidos durante el análisis de componentes principales...... 4
Tabla A 4. Valores propios del análisis de componentes principales: rango 2. .................................. 6
Tabla A 5.Valores propios del análisis de componentes principales: rango 3. ................................... 6
Tabla A 6.Valores propios del análisis de componentes principales: rango 4. ................................... 6
Tabla A 7. Valores propios del análisis de componentes principales: rango 5. .................................. 6
Tabla A 8. Resultados modelo “clasificación de datos para la concentración umbral”. ..................... 8
Tabla A 9.Resultados obtenidos en base a la clasificación según la acidez y basicidad. .................... 8
Tabla A 10. Resultados obtenidos en base a la clasificación según la polaridad. ............................... 9
Tabla A 11. Resultados de la red neuronal con los datos no escalados y sin valores atípicos.......... 11
Página 9 de 123
1. Introducción y objetivos
Oler no es simplemente una experiencia biológica y psicológica, es además un fenómeno
social y cultural, que depende de factores como la edad, la cultura, el género y el estado
de salud (Genva et al., 2019). Y es que el olfato detecta, codifica y discrimina entre miles
de pequeños químicos en el aire, monitoreando de manera continua la composición
química dinámica del ambiente y que la percibe como aromas distintos. El olor forma
parte de los estresores ambientales, causando efectos en la salud de la población
expuesta, que, si bien no contribuyen a un daño objetivo, son capaces de generar
alteraciones emocionales de consideración. La contaminación por olores ha tomado
protagonismo en los últimos años, en donde países, incluido Chile, han implementado
nuevas medidas legislativas para controlarla en algunas áreas específicas de la industria.
Para esto, se vuelve necesario generar nuevas investigaciones en el área, que

complementen los modelos conocidos actualmente e indaguen en nuevas variables y
tecnologías que permitan conocer en profundidad cómo funciona nuestro sistema olfativo
y cómo interactúan los compuestos odoríferos con el organismo. La comunidad científica
reconoce la falta de investigación en esta materia, dado que no existen herramientas que
faciliten medir la intensidad de percepción de los malos olores, además, de no existir un
acuerdo respecto a modelación, medición y cuantificación de estos.
En este contexto, se propone desarrollar una base de datos con compuestos odoríferos
orgánicos e inorgánicos, con el fin de encontrar un modelo que relacione dichas
propiedades con la intensidad de percepción. Que, además, permita ser el punto de
partida de investigaciones futuras que se desarrollen dentro de la misma área y que
complementen aquellas ya existentes. Para esto, se utilizarán diferentes softwares
estadísticos, que permitan analizar el tipo de relación existente entre las propiedades
descriptivas y la variable objetivo.
1.1 Objetivo general

El presente documento tiene por objetivo general determinar qué propiedades
fisicoquímicas de las principales moléculas olorosas generadas en la industria contribuyen
a la intensidad de su percepción.
Página 10 de 123
1.2 Objetivos específicos

● Generar un modelo que permita relacionar la intensidad de percepción de un
compuesto odorífero, a través de la concentración umbral, con las propiedades
fisicoquímicas que lo definen.
● Complementar estudios de percepción de olores actuales que se enfocan en la

investigación de la complejidad molecular con un análisis de los equilibrios gas
líquido y los procesos de ionización que se producen en la mucosa nasal.
Página 11 de 123
2. Desarrollo de la problemática
2.1 Contexto global

Históricamente se ha considerado que los olores causados por moléculas aromáticas poco
placenteras son elementos perturbadores de la salud humana. Éstos generan efectos que
por los general son del tipo respiratorio y de calidad de vida, alterando los patrones de
actividad y produciendo cambios en los estados de humor de la población afectada. Y es
que los malos olores han existido desde siempre, pero con el aumento de algunas
actividades industriales y la cercanía de sus instalaciones con la población se han
generado grandes conflictos entre ambos sectores. Para dar solución a esto se hace
necesario contar un marco regulatorio en materia de olores a nivel internacional, lo que
requiere el manejo conceptual del mecanismo del olfato, el comportamiento de las
moléculas y conocer o indagar en todos aquellos factores que pudieran influenciar en la
percepción de una molécula olorosa. Es este uno de nuestros desafíos actuales a nivel
mundial, ya que no existe un acuerdo en la comunidad científica.
2.1.1 Investigaciones internacionales

Las primeras investigaciones de identificación de factores fisiológicos y bioquímicos
provienen del año 1942 donde destacan las realizadas por Boring, Moncrieff y Jones,
quienes formularon teorías de percepción olfativa como la teoría mecánica o la teoría
química, entre otras. Sin embargo, no es hasta finales de los años 80, que Linda Buck y
Richard Axel lograrían obtener resultados experimentales que los llevarían a identificar los
receptores biológicos responsables de la discriminación de olores, mediante la técnica de
reacción en cadena de polimerasa. Dicha investigación ha sido aceptada por la comunidad
científica y fue premiada en el año 2004 con el premio Nobel de Ciencia, debido a su gran
aporte en un área que hasta la actualidad continúa siendo investigada (Malnic, 2010).
Desde entonces, han surgido diversas teorías para explicar el mecanismo por el cual los
receptores reconocen las moléculas. La primera de ellas fue la teoría de la forma, la cual
contemplaba que únicamente la forma molecular se relacionaba con el carácter olfativo.
Por otro lado, en 1996, el biofísico Luca Turín propuso la teoría vibracional, la cual plantea
que los receptores olfativos actúan detectando las transiciones cuánticas vibracionales de
las moléculas odorantes. En la actualidad se trabaja con un modelo combinatorio, basado
en los estudios de Richard Axel y Linda Buck, mencionados con anterioridad.
Página 12 de 123
Se ha requerido de muchos años de investigación, estudios, experimentos y un gran

análisis de la información para alcanzar el nivel de conocimiento actual respecto al sentido
del olfato, su funcionamiento, el comportamiento de las moléculas olorosas y en cómo
estas afectan la salud humana.
2.1.2 Normativa internacional

Las normativas internacionales dirigidas a regular las molestias provocadas por olores en
Europa comenzaron a aparecer en la década del ’70, enfocando los esfuerzos en la
definición de distancias mínimas para las operaciones de la industria ganadera agrícola.
Actualmente, dentro de las medidas y las estrategias adoptadas por países como
Alemania, Holanda y Japón para la regulación de la contaminación ambiental por olores,
se encuentra un marco regulatorio cualitativo que define la calidad ambiental en términos
generales. Este marco establece valores límite de concentración de olores en inmisión y
emisión para compuestos químicos, limita la frecuencia, duración de los episodios
problemáticos y requisitos de distanciamiento tecnológicos u operacionales estándar para
actividades industriales específicas (RWDI AIR Inc., 2005). Entre las normas se encuentran
aquellas relacionadas con el monitoreo de olores basados en medidas directas en las
fuentes de emisión, como la norma “UNE-EN 13725”, la cual corresponde a un análisis de
concentración de olor y la norma alemana “VDI 3880” para la toma de muestras por
olfatometría dinámica. Estas medidas de control se subdividen en dos grandes grupos, las
que varían al momento de aplicación de la normativa, conocidas como mejoras técnicas
disponibles y las medidas de optimización.
Las mejoras técnicas disponibles (MTDs) actúan como medida preventiva ante una
emanación contaminante de olor, siendo consideradas una medida de mitigación. Entre
éstas se encuentran la optimización del diseño de los sistemas de ventilación, las mejoras
de la limpieza de los sistemas de procesos o la sustitución de materias primas
(AQUALOGY, 2014). Por otro lado, las técnicas de abatimiento y control de olores se
utilizan para reducir el impacto generado por la emisión una vez producida, siendo
aplicadas principalmente al final de la línea de proceso. Entre estas medidas se
encuentran los lavadores de gases, los procesos de adsorción y la oxidación térmica. La
implementación de estas medidas se considera desde el diseño y construcción de las
instalaciones y se basan en un conjunto de buenas prácticas eficaces que ayudan a
alcanzar un alto nivel de protección del medio ambiente. Las cuales se aplican en
condiciones económica y técnicamente viables, de manera que aseguren la reducción de
la emisión de olores y, por lo tanto, el impacto odorífero en las comunidades aledañas.
Página 13 de 123
Existe un gran número de normativas internacionales dirigidas a solucionar el problema de

la contaminación ambiental por olores. En Europa, Holanda, Alemania y Reino Unido
cuentan con una normativa avanzada, mientras que en los países asiáticos este liderazgo
se lo lleva Japón, China y Singapur. En el siguiente apartado se detallarán algunas de las
medidas implementadas por estos países (AQUALOGY, 2014).
2.1.2.1 Holanda
En el año 1992 se creó la guía de emisiones en materia de olores (Netherlands Emission
Guidlines for Air), conocida también como NeR, cuya última actualización es del año 2006.
Las bases de esta guía no obligan a tomar medidas de minimización de olores a todas las
instalaciones generadoras, sino, sólo a aquellas que presenten denuncias por parte de la
población y que hayan sido comprobadas por estudios olfatométricos, en cuyo caso, se
recomienda aplicar medidas económicamente viables para la reducción de olores. La
medición de la magnitud de las molestias por malos olores se determina mediante
estudios que incluyan recursos olfatométricos, investigaciones de campo mediante
panelistas y revisión de los registros de quejas recibidas a nivel privado como a algún ente
público (AQUALOGY, 2014).
En el año 2012 se introdujo la Ley de Actividades, la cual regula el funcionamiento para los
diferentes sectores productivos, entregando licencias medioambientales que restringen la
operación de la empresa cuestionada y la necesidad de notificación de sus actividades.
Además, dicha ley específica y limita el nivel de molestia por malos olores considerado
aceptable en su entorno, dependiendo de factores adicionales como el tiempo de emisión
y el tono hedónico de la molécula emitida.
2.1.2.2 Reino unido

Este país no posee una legislación propia en materia de olores, si no que aborda la gestión
de las licencias ambientales y su regulación mediante las guías publicadas por su
Ministerio de Medio Ambiente. Éstas están basadas en las disposiciones de la directiva
europea de prevención y control integrado de la contaminación, donde se orienta al
titular de las instalaciones sobre los requerimientos para la obtención de las licencias
medioambientales y sobre cómo alcanzar el funcionamiento más eficiente de sus
instalaciones. La última guía publicada “Aditional Guidance for H4 Odour Management”
del año 2011 deroga los borradores de las guías anteriores y recoge aspectos como: las
condiciones para la obtención de licencia ambiental; la evaluación del impacto de las
instalaciones con el fin de seleccionar de manera correcta las medidas de control; la
planificación de diferentes tipos de monitoreos; entre otras.
Página 14 de 123
Entre las herramientas y tecnologías utilizadas bajo esta normativa para la determinación
de la existencia de molestia por olores se encuentra: el seguimiento de las denuncias a la
instalación, las medidas de olores en campo mediante dispositivos como el Nasal Ranger,
encuestas de olores a los vecinos próximos a las instalaciones, toma de muestras en las
fuentes, análisis mediante olfatometría dinámica bajo los estándares establecidos en la
norma BS 13725:2003, análisis en terreno mediante la norma alemana VDI 3940, análisis
del tono hedónico de las muestras y monitoreo continuo de compuestos químicos. Para
este último punto, se propone el uso de instrumentos como los ionizadores de llama que
reportan la concentración de hidrocarburos total y el monitoreo de larga trayectoria que
reporta la concentración de compuestos orgánicos volátiles.
2.1.2.3 España
En España no existe una regulación específica en materia de olores. En julio del año 2005
la ciudad de Cataluña se convirtió en la primera ciudad en enviar un anteproyecto de ley
contra la contaminación odorífera, cuyo principal objetivo era establecer un marco
normativo que defina las medidas necesarias para prevenir la contaminación por olores. A
través de la reducción de las emisiones en el origen y un mayor control sobre las fuentes
generadoras, establecer sanciones y definir técnicas para el análisis del impacto (Centro
Nacional de Información de la Calidad, 2020).
Años más tarde, la comunidad autónoma de Andalucía lograría aprobar una ley que
regulaba la contaminación odorífera, el Decreto 239/2013 donde se define la calidad del
medio ambiente atmosférico, incluyendo términos como olfatometría dinámica. Al igual
que en muchos países europeos, España ha establecido la norma UNE-EN 13725:2004
como una norma técnica para la medición de la contaminación y la realización de estudios
de olores, pero que no cuenta con límites de emisión permisibles para las diferentes
actividades generadoras de olor.
2.1.2.4 Alemania
El programa de gestión de olores alemán se perfila en el GOAA (Guideline on Odour in
Ambiente Air), aunque la base legal de cualquier requisito respecto a calidad ambiental es
la Ley Federal de Control de Inmisiones, que fue promulgada en el año 1974, y la
Instrucción Técnica de 2002 sobre Control de Calidad del Aire. La ley considera todos los
olores provenientes de cualquier instalación comercial como una molestia, sin embargo,
para el otorgamiento de autorizaciones y seguimientos, se determina si la molestia
constituye una perturbación significativa en base a la relevancia de esta. Por otro lado, no
establece ningún tipo de relación de fuentes potencialmente generadoras de olor, en
cambio, define la unidad de medida como “unidad de olor por metro cúbico”(OUE/m3) y
Página 15 de 123
los valores de emisión en 500 OUE/m3 para ciertas actividades como, las instalaciones
para la producción de compost a partir de residuos orgánicos con una capacidad anual
mayor a 10.000 toneladas por año, fermentadores de residuos biológicos con una
capacidad superior a 30 toneladas por día, instalaciones de secado de residuos,
instalaciones de secado de lodos y plantas de purificación del rechazo proveniente del
tratamiento mecánico de residuos domésticos.
En junio del 2021, el Consejo Federal de Alemania aprobó la modificación de la Ley de

Calidad de Aire de Alemania (TA Luff), incorporando medidas y criterios propuestos en el
GOAA, por lo que no sólo será una guía, sino se convertirá en un instrumento de
regulación en materia de olores.
2.1.2.5 Colombia
El 12 de noviembre de 2013, se aprobó la resolución 1541 del Ministerio de Ambiente y
Desarrollo Sostenible de la República de Colombia. En dicha resolución se establecen los
niveles permisibles de calidad de aire o de inmisión y los procedimientos de evaluación de
actividades que generan olores ofensivos. La resolución aborda la problemática de olores
según el esquema que se muestra en la figura 2.1.
Figura 2. 1 Diagrama de flujo de la normativa colombiana en materia de olores.
Fuente. Elaboración Propia.
Todo proceso comienza con la presentación de una queja por parte de la población
afectada, desde ese momento y en los próximos 30 días hábiles, la administración
ambiental competente debe realizar una evaluación in situ para determinar la necesidad
Página 16 de 123
de establecer un Plan de Reducción del Impacto por Olores Ofensivos (PRIO) por parte de
la empresa, para lo cual dispondrá de otros 30 días hábiles a partir de la visita a terreno.
Por último, la empresa debe presentar en un período máximo de 3 meses a partir de la
pronunciación de la administración ambiental, un PRIO según las directrices marcadas en
el documento.
2.1.2.6 Australia
A nivel nacional no existe una regulación en materia de olores, si no que cada estado es
responsable de establecer su normativa. De todos los estados existentes, se analizará la
reglamentación de Nueva de Gales Sur y Australia del Sur.
Nueva Gales del Sur: El estado de Nueva Gales del Sur basa su política de olores en
el documento publicado en el año 2006, denominada “Evaluación y Gestión de Olores
procedentes de Fuentes Estacionarias” (Assessment and Managent of Odour from
Stationary Sources), el cual proporciona un procedimiento de cómo se deben desarrollar
las evaluaciones de impacto odorífero. Las metodologías de medición de olores son
clasificadas según el origen, sus complejidades y las fuentes de procedencia. El criterio de
evaluación de impacto odorífero se realiza a través de una prueba llamada “concentración
a nivel del suelo (GLC)”, basada en la medición de concentración de compuestos y
utilizada para fuentes puntuales, cuyo objetivo es modelar la dispersión de los olores para
obtener parámetros de diseño en nuevas instalaciones. Por otro lado, la evaluación de
impacto de mezclas complejas de olores se realiza a través de criterios de calidad en
inmisión que varían en función de la población afectada y se utiliza en fuentes puntuales y
difusas.
Australia del Sur: La legislación principal en materia de olores en Australia del Sur
es la Ley de Protección del Medio Ambiente de 1993. En particular, el artículo 25 de dicha
ley impone el deber general de todas las personas que lleven a cabo una actividad
susceptible de emitir olor, a tomar las medidas razonables y prácticas para prevenir o
minimizar cualquier impacto ambiental resultante. Además, se considera un delito, según
el artículo 82 de la misma ley, la generación de un impacto odorífero que pueda constituir
un daño el medio ambiente (AQUALOGY, 2014).
Por otro lado, la guía EPA 373/07 proporciona criterios para la gestión de las emisiones de
olores, en particular para proyectos nuevos o en expansión. De forma específica, también
aborda el uso de modelos de dispersión y la determinación de las distancias de separación
mínimas apropiadas. La EPA de Australia del Sur ha actualizado su criterio de medición de
olores a la norma australiana AS4323.3:2001. Por otro lado, la definición de las fuentes
Página 17 de 123
estacionarias de emisión y los métodos de determinación de la concentración de olor

están basados en la norma europea UNE-EN13725:2004.
2.1.2.7 Japón
En Japón se introdujo en 1971 la Ley de Control de los Olores Ofensivos, corregida en 1995
con la incorporación y regulación del “Método Triangular de la Bolsa de Olor” (Triangular
Odor Bag Method), un método olfativo de medida. Posterior a esta revisión, se les
permitió a los gobiernos locales tener la opción de regular los índices del olor en vez de
enfocar los esfuerzos en la regulación de los compuestos. Para el año 2002, los gobiernos
locales de Japón contaban con un 55,8% de las áreas reguladas y con la identificación de
22 compuestos generadores de olor.
2.2 Contexto nacional

En Chile, a lo largo de los años se ha tratado de prevenir y disminuir la presencia de
contaminantes para mantener una calidad adecuada del aire, suelos y aguas. De forma
similar se ha trabajado en la contaminación odorífera, ya que en últimas décadas se han
enfocado los esfuerzos en aportar soluciones para limitar la emisión de especies químicas
que provocan malos olores con el fin de no superar su umbral olfativo. En el año 1999 se
realizó el primer estudio de “Antecedentes técnicos y científicos para olores molestos”,
seguido de varios documentos con propuestas de tratamiento, medición, control y normas
asociadas a olores, siendo la actualización más reciente del año 2014, en la cual se
recopiló información sobre mecanismos de diagnóstico, implementación y fiscalización. En
los años siguientes y hasta la actualidad solo se han emitido tres estudios enfocados en la
generación de antecedentes para la elaboración de una norma de emisión de olores para
la crianza intensiva de animales.
2.2.1 Actividades generadoras de olor

Los problemas de olores ocurridos en el país están relacionados con las particularidades
del clima y con los recursos naturales disponibles en cada una de las regiones del país
(Plusgener, 2000). Esto se hace relevante al momento de gestionar las áreas aptas para el
emplazamiento de las actividades que potencialmente generan olores. A nivel país se
identifican al menos 12 actividades/instalaciones emisoras de olor, y que potencialmente
pudieran generar molestias. Entre éstas se encuentran la crianza y engorda de animales,
las curtiembres, la fabricación de alimento para animales, la fabricación de productos
lácteos, las plantas faenadoras de animales y mataderos, la fabricación de celulosa, las
plantas procesadoras de productos del mar, los talleres de redes, las refinerías de
petróleo, los sitios de disposición final de residuos, los sistemas de tratamiento y/o
Página 18 de 123
disposición de residuos líquidos y las plantas de recuperación de molibdeno (Ministerio

del Medio Ambiente, 2021). Es importante mencionar que éstas no son las únicas
actividades/instalaciones generadoras de olor, sino que corresponden a las principales
fuentes que aportan a la contaminación odorífera, ya sea por su volumen, procesos,
cercanía a las zonas residenciales, duración de los eventos, entre otros factores. El estudio
de “Antecedentes para la regulación de olores en Chile” del año 2013 ha identificado
cerca de 2000 establecimientos pertenecientes a las actividades que potencialmente
generan olores molestos (ECOTEC INGENIERÍA LTDA., 2013). En la figura 2.2 se muestra el
mapa nacional de ubicación de establecimientos potenciales generadores de olor según su
actividad, observando que la mayor concentración de ellos se encuentra entre la Región
de Valparaíso y la Región de los Lagos. Además, en la figura 2.3 se expone el porcentaje de
aporte de estas actividades a la contaminación odorífera a nivel nacional. Por último, en la
figura 2.4 se muestran aquellas regiones con mayor probabilidad de sufrir problemas de
emisión de olores en nuestro país.
Figura 2. 2 Mapa nacional de ubicación de establecimientos potenciales generadores de olor.
Fuente. ECOTEC,2013.
Página 19 de 123
15%
Crianza y engorda de
animales
Planta de Tratamiento de
11% aguas servidas
46%
Plantas procesadoras de
productos de mar
14% Sitios de disposición final de
residuos
Otros
14%
Figura 2. 3 Porcentaje de aporte de las actividades potencialmente generadoras de olor.
Fuente. Elaboración Propia
18%
Región Metropolitana
41% Región de Valparaíso
17% Región del O'Higgins
Región de Los Lagos
Otras Regiones
13%
11%
Figura 2. 4 Regiones con mayor probabilidad de sufrir problemas de olor.
2.2.2 Normativa nacional

En materia de legislación sobre contaminación odorífera vigente, se destaca la “Norma de
Emisión de Compuestos TRS generadores de olor asociados a la fabricación de pulpa
sulfatada”, que regula la industria de la celulosa (Ministerio del Medio Ambiente, 2012).
En los últimos años se han adoptado acciones frente a episodios puntuales de generación
Página 20 de 123
de olor y contaminación. Sin embargo, los vacíos legales y los aspectos técnicos
involucrados han imposibilitado solucionar o prevenir en forma efectiva los conflictos
socioambientales que involucran a la actividad productiva, la población afectada, las
autoridades y a los organismos fiscalizadores. Debido a esto, en el año 2014 se creó la
primera estrategia para la gestión de olores en Chile por el Ministerio del Medio
Ambiente, comprendiendo el período 2014-2017, la cual permitió avanzar en la
estandarización de metodologías de medición de olores mediante normas técnicas. En el
año 2017 se formuló la segunda estrategia de gestión de olores en Chile, la cual
comprende el período 2017- 2022 y cuyo principal objetivo es el fortalecimiento del
ámbito regulatorio de olores y la definición de los cinco sectores prioritarios. A raíz de
esto, bajo la resolución N°1.439 de diciembre del 2018, se estableció el Programa de
Regulación Ambiental 2018-2019, el cual indica, dentro de sus prioridades programáticas,
la elaboración de una regulación de olores para el sector porcino y el sector pesquero.
Dentro de los últimos años ha ido aumentando el número de normas técnicas que
permiten disponer de criterios uniformes en metodologías de medición de olores,
contando a la fecha con las siguientes:
● NCh 3190: 2010, Calidad del Aire – Determinación de la concentración de olor por
olfatometría dinámica.
● NCh 3212: 2012, Plantas de Tratamiento de Aguas Servidas, Directrices generales
sobre olores molestos.
● NCh 3387: 2015, Calidad del aire – Evaluación de la molestia por olores, Encuesta.
● NCh 3386: 2015, Calidad del aire - Muestreo estático para olfatometría.
● NCh 3533/1: 2017, Medición de impacto de olor mediante inspección en campo –
Medición de la frecuencia del impacto de olores reconocibles – Método de la grilla.
● NCh 3533/2: 2017 – Medición de impacto de olor mediante inspección en campo –
Medición de la frecuencia de impacto de olores reconocibles – Método de la
pluma.
● Anteproyecto de la ley “Norma de Emisión de Contaminantes en centros de cultivo
y plantas procesadoras de recursos hidrobiológicos que, en función de sus olores,
generan molestia y constituyen a un programa de riesgo a la calidad de vida de la
población”.
● Anteproyecto de ley “Norma de Emisión de contaminantes en planteles porcinos
que, en función de sus olores, generan molestia y constituyen un riesgo a la calidad
de vida de la población”
Esta última fue publicada el 22 de Julio de 2020 en el diario oficial y tiene como objeto que
los planteles porcinos reduzcan sus emisiones de olor, disminuyendo el tiempo de
emisión, así como también las concentraciones emitidas. El sector de crianza y engorda de
animales está catalogado como el principal sector que aporta a la generación de olores en
Página 21 de 123
nuestro país, razón por la cual su regulación se considera una prioridad. En Chile existen
103 planteles porcinos a lo largo del país con una mayor concentración en la Región del
Libertador Bernardo O’Higgins (40%) seguida por la Región Metropolitana (35%)
(Ministerio del Medio Ambiente, 2021). Las exigencias mencionadas en el Anteproyecto
establecen un valor límite de emisión, la reducción de las emisiones en fuentes, tales
como las lagunas de purines, y la exigencia de informes de prácticas operacionales.
Respecto a las denuncias realizadas por la ciudadanía y según la categorización establecida

en la estrategia de gestión de olores en Chile del último período, las actividades con un
mayor número de denuncias recibidas en la Superintendencia del Medio Ambiente
durante el período 2013-2016, corresponden al sector “agroindustria”, seguido por “otros
sectores” en donde figuran equipamiento, infraestructura de transporte, instalaciones,
minería entre otros (Departamento de Ruido, Lumínica y Olores; Ministerio del Medio
Ambiente., 2017). El total de denuncias catastradas a través de la Superintendencia del
Medio Ambiente hasta el año 2018 fue de 1.102 denuncias, de las cuales una proporción
importante no indicaba asociación o descripción de algún rubro en específico (The Synergy
Group SpA., 2019). La figura 2.5 expone las denuncias referidas a olores durante el
período comprendido entre los años 2013 y 2018.
Figura 2. 5 Número de denuncias por año a nivel nacional.
Fuente. Superintendencia del Medio Ambiente, marzo 2018
Respecto a estos datos, la distribución de denuncias a la Superintendencia del Medio

Ambiente (SMA) por rubro a nivel nacional se expone en la figura 2.6.
Página 22 de 123
Figura 2. 6 Distribución de denuncias a la SMA por rubro a nivel nacional.
Fuente. Superintendencia del Medio Ambiente, marzo 2018
Se puede observar en la figura 2.6 que los principales rubros denunciados son: las plantas
de tratamiento de aguas servidas (PTAS) (23%); seguido de la agrupación de actividades
agroindustriales (16 %); luego, se sitúan los sitios de disposición final de residuos (12%); el
sector porcino (10%) y las pesqueras y procesamiento de productos del mar (8%).
En base a la cantidad de instalaciones y a los conflictos socio-ambientales involucrados, se

definieron los sectores prioritarios a considerar para un marco regulatorio legislativo más
estricto, que coinciden con los sectores expuestos en la figura 2.3, dando cuenta de que al
momento de las denuncias no solo es relevante el tipo de olor, sino otros factores como
son el tiempo de exposición y las concentraciones emitidas.
2.2.3 Evaluación en el SEIA

Uno de los principales instrumentos para prevenir el deterioro ambiental es el Sistema de
Evaluación de Impacto Ambiental (SEIA). Este instrumento permite introducir la dimensión
ambiental en el diseño y la ejecución de proyectos que se realizan en el país (Ramírez,
2019). Este sistema cuenta con una evaluación de impacto por olores de nuevos proyectos
o ampliación de éstos, que permite evaluar impactos significativos asociados a la
generación de olores tales como el riesgo para la salud de la población, el efecto sobre la
vida y costumbres y la alteración del valor turístico de las zonas.
Página 23 de 123
2.3 Proceso de emisión, dispersión y respuesta humana al olor

La generación de olores que pueden causar molestias depende de múltiples factores que
van desde las características de las moléculas aromáticas hasta las características propias
asociadas al receptor. Todos ellos constituyen factores claves en la determinación del
impacto que genera una instalación emisora específica. La respuesta humana a un olor va
a depender de su concentración, intensidad, calidad y tono hedónico, donde el efecto
combinado de estas propiedades se puede relacionar con el grado de molestia o placer
que un olor puede causar (Ministerio del Medio Ambiente, 2019).
El proceso comienza con la emisión del olor que contempla su formación y liberación por
una fuente puntual, difusa o fugitiva, donde es posible medir e identificar diferentes
características representativas del olor emitido. El proceso continúa con la dispersión del
olor en la atmósfera que se encuentra sujeto a las condiciones meteorológicas como la
estabilidad de la capa límite, velocidad y dirección del viento, temperatura y humedad.
Finalmente, se encuentra la percepción o la respuesta humana al olor, que corresponde a
la respuesta o valoración de los receptores y que depende factores como: la relación con
la fuente, la localización y el tiempo de exposición. El proceso de emisión, dispersión y
respuesta humana al olor se expresa en la figura 2.7.
Figura 2. 7 Proceso de emisión, transporte y recepción de olor.
Fuente. Plan de Gestión de Olores, MMA, 2019
Página 24 de 123
Cuando se genera un efecto adverso por olor, se debe analizar la trayectoria de la emisión,
la dispersión y la respuesta humana según se detalla en la figura 2.8. Debido a que es un
proceso complejo, se consideran varios factores que pueden alterar el proceso, entre los
que se encuentran:
● Característica del olor emitido: Este parámetro depende específicamente del

proceso unitario al que corresponda la fuente emisora y la sustancia o materia
prima que se procesa.
● Dilución en la atmósfera: Parámetro que depende de las variables meteorológicas,
estabilidad de la capa atmosférica, velocidad y dirección del viento, temperatura,
humedad relativa, entre otros.
● Exposición de los receptores: Parámetro que depende de la actividad que realice
el receptor en el lugar y del período de tiempo que permanezca en él, es decir si el
receptor permanece en el lugar por un breve período de tiempo, la exposición será
menor.
● Características propias del receptor: Parámetro que depende de la sensibilidad del
receptor, historial de exposición, factores psicológicos, nivel de adaptación, entre
otros.
2.4 El mecanismo del olfato

El sistema olfativo es un sistema sensorial especializado capaz de detectar, discriminar e
identificar olores, a partir de su estimulación por parte de determinadas moléculas que se
unen a los receptores específicos. El sistema olfativo establece una ruta directa al sistema
nervioso central, involucrando además al nervio trigeminal, el cual proporciona la
sensación de irritación, cosquilleo y sensación de ardor cuando se detecta un olor. La
respuesta de este proceso de percepción es completamente subjetiva, varía de una
persona a otra en función de su grado de sensibilidad olfativa, las emociones y
experiencias previas relacionadas con el olor, sin embargo, el mecanismo por el cual se
perciben es único.
Página 25 de 123
Figura 2. 8 Proceso de emisión, dispersión y respuesta humana al olor.
Fuente. Elaboración Propia en base a Pagans y Odourment, 2013.
Página 26 de 123
La nariz se encuentra monitoreando continuamente la composición química del medio

ambiente y luego lo percibe e interpreta como diferentes aromas. El proceso de
percepción comienza con una inhalación de aire, donde los químicos volátiles suspendidos
ingresan en la cavidad nasal por el flujo de aire respiratorio. En la parte superior de las
cavidades nasales, ubicada entre los ojos, existe una región conocida como epitelio
olfativo, correspondiente al sitio de interacción principal, que conduce a la transducción y
procesamiento de señales a nivel neurológico. El área del epitelio olfativo de cada cavidad
nasal es de aproximadamente 2,5 (cm2), pigmentado de color amarillento y donde se
encuentran cerca de 50 millones de neuronas sensoriales olfativas, dispuestas sin orden
aparente, que requieren un reemplazo constante cada 30- 120 días (Fuentes et al., 2011).
Separado del epitelio olfativo, se encuentra un trozo de hueso conocido como placa
cribiforme, compuesto por varios agujeros, sobre el cual se adosa una extensión del
cerebro, conocido como bulbo olfativo, que corresponde a un conjunto de nervios
craneales cuya función es recibir las proyecciones enviadas por las células sensoriales a
través de las perforaciones de la placa cribiforme. Finalmente, existen diferentes tipos de
células sensoriales olfativas incrustadas, a través de pequeñas conexiones, entre el resto
de las células epiteliales, conocidas como dendritas.
Las neuronas sensoriales olfativas, que son de naturaleza bipolar, proyectan conexiones al
bulbo olfativo y extienden varias dendritas en el epitelio. La dendrita principal contiene de
5 a 10 cilios inmóviles, considerados como las estructuras quimio-sensoriales reales,
incrustados en el moco de la nariz de aproximadamente 60 micrones de espesor. En los
cilios olfativos se producen procesos olfativos primarios, dado que aportan una gran
superficie donde las moléculas olorosas pueden interactuar con los receptores.
La membrana de los cilios contiene proteínas receptoras olfativas, que corresponden a los
elementos transductores del olfato y de las que se tienen más de 350 tipos. Cada tipo de
neurona sensorial olfativa tiene un receptor olfativo particular que se une a una molécula
olorosa específica. La interacción de moléculas olorosas con los receptores olfativos
desencadena una cascada de señales que hacen que la célula se dispare, es decir, que
aumente la conductancia de la membrana debido al cambio de potencial en ella. El
potencial generado se convierte en potencial de acción de distintas frecuencias y pasa al
bulbo olfativo gracias al grupo de neuronas sensoriales olfativas sensibles a una molécula
olorosa particular. El resultado de esta cadena, conocido como sinapsis, ocurre en una
estación de paso que recibe el nombre de glomérulo, una estructura anatómica que
consiste principalmente en neutrófilos y que actúa como un punto de destino para varias
neuronas sensoriales olfativas sensibles a la misma molécula y que activan a los mismos
Página 27 de 123
receptores olfativos. Generalmente hay un glomérulo en cada hemisferio lateral y uno en

medio del bulbo olfativo, manteniendo así un orden espacial de las señales recibidas.
En el glomérulo, las neuronas sensoriales olfativas hacen sinapsis con otras células
llamadas células mitrales, que son las encargadas de enviar señales neuronales a la
corteza olfatoria primaria y donde el axón de una molécula olorosa específica converge en
patrones que forman las bases anatómicas de un mapa sensorial del olfato. Es decir, para
cada molécula olorosa, se genera un patrón específico de señales neuronales, cuya fuerza
depende del período de tiempo de exposición y de la calidad de los estímulos olorosos, de
esta manera, la neurona responde de manera diferente a distintos olores. Desde la
corteza primaria olfativa, las señales neuronales se envían a las áreas corticales y al
sistema límbico. El área cortical superior permite la percepción consciente de los olores y
el sistema límbico gobierna las emociones que se obtienen como respuesta, el
almacenamiento de memoria, el comportamiento y las sensaciones físicas que se
experimentan como respuesta a la percepción del olor (Sharma et al., 2019).
De acuerdo con el proceso olfativo descrito, es posible inferir que los compuestos
olorosos pueden ser percibidos a través de la nariz, lo que se conoce como olfato orto-
nasal y también a través de la boca, conocido como olfato retro-nasal. Debido a lo
anterior, el sentido del olfato resulta complejo de comprender, ya que es el único sistema
que posee modalidad dual, es decir, que detecta los estímulos provenientes del mundo
exterior y del interior del cuerpo.
La estimulación retro nasal ocurre durante la ingesta de alimentos, en concreto, durante

la respiración a través de la nariz entre la masticación y la deglución, cuando se liberan
moléculas volátiles que son empujadas por los movimientos de la boca desde la zona
posterior de la cavidad bucal a través de la nasofaringe hacia el epitelio olfativo. Este aire,
rico en moléculas olorosas provenientes de los alimentos, es considerado como parte del
gusto de las comidas, jugando un rol importante en la identificación del sabor (Fuentes et
al., 2011). La estimulación conjunta del gusto y el olfato retronasal produce un aumento
de actividad en muchas de las regiones primarias, así como también en sus áreas
contiguas, lo que conlleva a una actividad integrada más compleja de percepción del
sabor, que sólo por la simple adición por las vías del gusto y del olfato. Por último, hay que
mencionar que la percepción del olfato responde o se ve alterada por variables dinámicas
tales como: la temperatura; humedad; presión atmosférica; la cantidad de moléculas de
los compuestos olorosos que se encuentran en el sistema olfativo; el tiempo de exposición
o inspiración; y el volumen del aire inspirado. En la figura 2.9 es posible apreciar un
Página 28 de 123
esquema del proceso de percepción olfatoria orto-nasal, cuya comprensión es necesaria

para el posterior desarrollo de la investigación.
Figura 2. 9 Proceso de percepción de olores.
Fuente. Sense of Smell, 2019.
2.5 Moléculas aromáticas y concepto de olor

El sentido del olfato funciona en base a un estímulo químico que genera una respuesta
fisiológica la cual puede deberse a una combinación de moléculas aromáticas. La
presencia de estas moléculas es debida a la volatilización de compuestos químicos y, en
general, es percibida a bajas concentraciones por la nariz humana a través del olfato.
Entre las moléculas que presentan olor, se incluyen los compuestos orgánicos volátiles
(COVs), que contienen carbono y tienen un peso molecular inferior a 300 Daltons, y se
caracterizan por tener una alta presión de vapor, cercana a los 20,01 [kPa] a 20 °C, y una
hidrofobicidad moderada (Genva et al., 2019).
La representación neural de la percepción de una molécula aromática se llama olor. Éste

puede describirse semánticamente por propiedades o cualidades perceptivas y se origina
a partir de la volatilización de una molécula aromática, llegando a la nariz donde comienza
el mecanismo del olfato. Algunas teorías científicas comparten que la identidad de un olor
se define por la estructura molecular de los compuestos químicos, asegurando con ello su
individualidad (Young, 2019). Para que un compuesto oloroso sea percibido se requiere
Página 29 de 123
transportar el estímulo en una solución acuosa hacia las células sensitivas, el que va a
estar influenciado por las propiedades de solubilidad y absorción que tenga dicho
compuesto. Las moléculas que generan olor se encuentran normalmente en bajas
concentraciones en fase gaseosa y su naturaleza química varía según los elementos que
las componen, siendo las propiedades sensitivas del olfato las encargadas de diferenciar
los estímulos, las sensaciones y de definir el tono hedónico.
Tanto las moléculas orgánicas como las inorgánicas pueden generar olor, aunque existen
ciertos grupos funcionales que generan una mayor intensidad, haciendo que se perciban
con mayor facilidad por la nariz humana. Existen ciertas propiedades o factores
intrínsecos con los que se caracterizan los olores, estos son:
● Tipo de Olor: Puede ser simple o compuesto, factor que se relaciona con la
composición del olor, siendo el primero de ellos una emisión de un único
compuesto y de fácil identificación. Por otro lado, el olor compuesto corresponde a
una mezcla de olores simples en la que pueden producirse fenómenos de sinergias
e inhibiciones. Por ende, la percepción del olor compuesto no siempre es fácil
definir, ni tampoco determinar las moléculas que lo causan ya que la percepción
fisiológica del conjunto es distinta a la suma sensorial de las sustancias olorosas
individuales que lo conforman (Servicio de Evaluación Ambiental, 2017).
● Concentración: Corresponde al número de diluciones necesarias para que el olor

sea detectado por una persona de capacidad olfativa media, medido en unidades
de olor por metro cúbico de gas en condiciones normales, conocidas en la norma
europea UNE-EN 13725:2004 como OUE/m3. Bajo este factor se genera el
concepto de umbral de detección, referido a la concentración teórica mínima que
se requiere para generar un estímulo que logre ser detectado por un porcentaje
específico de la población. Por convención normativa se establece que este
porcentaje corresponde al 50% de la población del estudio (IWA odors, 2008). Es
necesario diferenciar entre el umbral de detección y el umbral de reconocimiento,
definido como la concentración mínima a la que el 50% de la población es capaz de
describir el olor.
● Intensidad: Concepto que define la fuerza con la que se percibe el olor y que
aumenta en función de la concentración con la que es emanado. Su medición se
realiza con un olfatómetro y por panelistas certificados (IWA odors, 2008). Se
Página 30 de 123
relaciona directamente con la persistencia del olor, siendo un indicador de la

capacidad de dilución de éste.
● Calidad del olor: Es aquella propiedad que identifica un olor y la diferencia de

otros olores con la misma identidad. Se caracteriza mediante un método conocido
como escalado multidimensional o perfilado (IWA odors, 2008).
● Tono hedónico: Este parámetro hace referencia a la propiedad de un olor relativa

a su agrado o desagrado, es decir, un juicio de categoría del placer o disgusto
relativo del olor (IWA odors, 2008). Se define mediante una escala de puntos,
tratándose de un factor poco utilizado en estudios debido a su dependencia con la
percepción subjetiva del receptor del olor.
La respuesta humana al olor varía en función de la concentración de las sustancias

olorosas en el aire y del tiempo de exposición. A bajas concentraciones, el olfato
humano detecta los olores provocados por una sustancia o conjunto de sustancias,
aunque no es capaz de reconocer el olor. Sin embargo, si la concentración supera el
umbral de reconocimiento, el olor es entonces reconocido y asociado con los
recuerdos evocados por el mismo. A mayores concentraciones y dependiendo del
compuesto, se pueden generar molestia e irritación en las vías respiratorias
(Generalitat Valenciana, 2008). La figura 2.10 representa la respuesta humana a una
concentración creciente del ácido sulfhídrico (H2S).
Figura 2. 10 Respuesta humana a concentraciones crecientes de H2S.
Fuente. Generalitat Valeciana, 2008.
Página 31 de 123
2.6 Caracterización de los compuestos que generan olor

Las propiedades físicas y químicas de los compuestos olorosos son utilizadas durante el
diseño de los métodos de muestreo y protocolos para la identificación de olores. Es
necesario considerar también que las condiciones meteorológicas tienen un impacto
importante sobre la percepción de estos compuestos dado que factores como la
temperatura, el viento, la humedad y la presión afectan a su dispersión (Plusgener, 2000).
A continuación, se describen algunas de las principales propiedades:
2.6.1 Propiedades físicas

Presión de vapor
Los compuestos aromáticos con altas presiones de vapor tienen una alta actividad
molecular, dando lugar a una mayor intensidad de percepción. Entre los compuestos con
altas presiones de vapor destacan los denominados compuestos orgánicos volátiles cuya
tasa de evaporación es considerable en condiciones ambientales.
Solubilidad
La solubilidad de un gas determina la capacidad que posee el compuesto para transferirse

desde la fase gaseosa a la fase líquida. Esta propiedad es función de la presión parcial del
gas e inversamente proporcional a la temperatura. Se debe tener en cuenta que el
aumento de impurezas iónicas en la solución de la fase líquida puede disminuir la
solubilidad del compuesto.
Tendencia a la absorción y adsorción
La mayoría de los olores se originan por moléculas de compuestos orgánicos volátiles

presentes en fase gaseosa que podrían transferirse a una fase líquida (absorción) o a la
superficie de un sólido (adsorción). Estos fenómenos físicos son ampliamente usados para
la eliminación de compuestos olorosos de corrientes gaseosas generadas en procesos
industriales.
Persistencia
La persistencia se define como la duración de la sensación después de la inhalación. Esta

propiedad varía según las concentraciones de emisión, relacionándose directamente con
la intensidad de un olor y su velocidad de difusión, siendo además única para cada
compuesto. Es así, como una mayor velocidad de difusión y un aumento en la
concentración pueden favorecer la persistencia de un olor. El valor de esta propiedad se
determina como de la pendiente de la recta que se obtiene al representar el logaritmo de
Página 32 de 123
la intensidad frente al logaritmo de la velocidad de difusión. En la figura 2.11 es posible

comparar la persistencia de dos compuestos olorosos donde el “Olor 2” es menos
persistente que el “Olor 1”.
Figura 2. 11 Persistencia de compuesto oloroso.
Fuente. Informe Plusgener, Tomo I.
2.6.2 Propiedades químicas

Volatilidad
Los olores asociados a los procesos industriales, en su mayoría, corresponden a

compuestos orgánicos volátiles o semivolátiles. Esta propiedad química es una medida de
cuán fácilmente se evapora una sustancia, y es una característica que la mayoría de los
compuestos olorosos tienen en común (Plusgener, 2000). Por lo general, estos
compuestos tienen, a una temperatura dada, una presión de vapor mayorque la de un
compuesto no volátil. Los compuestos químicos orgánicos semivolátiles son moléculas con
volatilidad intermedia, que se encuentran de manera abundante tanto en fase vapor
como en fase condensada, a presión y temperatura ambiente. La gran mayoría de
contaminantes olorosos corresponden a compuestos con una volatilidad alta o
intermedia.
2.7 Medición del olor

Al realizar una medición de olor, es necesario considerar ésta si corresponde a un olor
compuesto por una sustancia o por una mezcla de ellas. La mezcla de olores es la clase
más frecuente y la más compleja de medir mediante métodos químicos analíticos
convencionales. Los olores pueden medirse a través de dos métodos, los sensoriales y
Página 33 de 123
analíticos. Los métodos sensoriales miden mezcla compleja de gases y vapores y se

fundamentan en la utilización del olfato humano para la cuantificación del olor,
evaluándolos en términos de concentración, frecuencia, intensidad y/o tono hedónico
(Ramírez, 2019). Por otro lado, los métodos analíticos son capaces de cuantificar la
concentración individual de los gases que generan los olores, por ejemplo, con el ácido
sulfhídrico (H2S), el amoníaco (NH3), la familia de mercaptanos (CHxS), entre otros
compuestos. Cuando se produce un olor en una baja concentración resulta imperceptible
por un instrumento de medición, sin embargo, sí es perceptible por la nariz humana.
Hasta la actualidad no se ha logrado crear un instrumento de medición capaz de percibir
compuestos olorosos complejos tal y como lo hace la nariz.
Finalmente, es necesario mencionar que en las mezclas de compuestos que generan

malos olores pueden haber sinergia o antagonismo entre sus componentes, existiendo
olores que pueden enmascarar a otros. Esto dificulta su medición dado que la presencia o
ausencia de un compuesto químico en esta mezcla puede potenciar, disminuir o hasta
cambiar completamente la percepción de un olor en los métodos sensoriales (Ministerio
del Medio Ambiente, 2021). A continuación, se describirán los diferentes tipos de
métodos para la medición de inmisiones, encontrándose en el Anexo N°1 una tabla
resumen de las diversas metodologías para su medición.
2.7.1 Métodos analíticos

En este método, se analiza una muestra para conocer su composición química, y la
información obtenida es posteriormente examinada para estimar la concentración de
olor. A continuación, se describen algunos de los métodos analíticos más utilizados.
2.7.1.1 Cromatografía de gases – espectrometría de masas (CG-EM)

La cromatografía de gases es utilizada para separar los componentes de una muestra de
olor para su identificación y cuantificación. Debido a su simplicidad, sensibilidad y
efectividad para separar los componentes de mezclas, es una de las herramientas más
usadas en la industria química (Herrera et al., 2015). Esta técnica se acopla a la
espectrometría de masas para lograr la identificación de cada sustancia que integre una
mezcla compleja de gases.
En la espectrometría de masas, la muestra es ionizada utilizando la técnica impacto

electrónico, que consiste en el bombardeo de la muestra con una corriente de electrones
a alta velocidad, con lo cual la sustancia pierde algunos electrones y se fragmenta dando
lugar a diferentes iones, radicales y moléculas neutras. Estos iones son conducidos hacia
un tubo analizador donde se registran los impactos de estos en función de su relación
Página 34 de 123
carga/masa. Cada compuesto es único y cada uno de ellos se ionizará y fragmentará de

una determinada manera (Murillo, 2017).
2.7.1.2 Cromatografía de gases – Olfatometría (CG-O)

Este método combina los sentidos de panelistas capacitados y la tecnología de
cromatografía de gases para establecer la correlación entre productos químicos
específicos y la concentración de olores (Odour Observatory, 2021). El panelista olfatea el
gas y cada vez que su olfato detecta una sustancia olorosa, proporciona una respuesta
sensorial en términos de presencia y tipo de olor, describiendo su percepción. De esta
forma, se obtiene un olfatograma, que permite correlacionar la información química
suministrada por el análisis de gases y las percepciones sensoriales del panelista. Este
método no proporciona información sobre la concentración de olor de la muestra y se ve
afectado por la subjetividad y la falta de atención de los panelistas, lo que puede provocar
errores importantes ante estímulos cortos o débiles.
2.7.1.3 Sensores para compuestos olorosos específicos y no específicos

Los sensores para compuestos específicos incluyen detectores químicos, electroquímicos,
catalíticos y ópticos con alta sensibilidad y selectividad para algunos compuestos olorosos
claves, como por ejemplo el H2S. A su vez, para detectar los compuestos olorosos no
específicos se intenta imitar el sistema sensorial humano mediante una nariz electrónica,
realizando el proceso de reconocimiento de olores a través de un banco de sensores que
son diseñados para responder a un determinado grupo de compuestos químicos. Las
narices electrónicas poseen sensores altamente sofisticados que son capaces de captar
sustancias olorosas y relacionarlas con patrones ya registrados. De esta forma, se obtiene
una respuesta muy aproximada de la clase de sustancia que produce el mal olor y en qué
concentración se encuentra en el medio.
2.7.2 Método sensorial

En este método, expertos realizan pruebas con muestras para estimar la respuesta de una
población ante una determinada sustancia gaseosa. Este método se subdivide en dos
categorías: escalamiento y dilución. En la primera de ellas se califica un olor dentro de una
escala de intensidad y en la segunda categoría se realiza una dilución en una corriente de
aire libre de olores con el fin de determinar el umbral de olor (Ramos, Bermudez, y Rojas,
2018).
2.7.2.1 Olfatometría dinámica

La olfatometría dinámica sirve para determinar la presencia de olores que puedan generar
una molestia en la comunidad. Para llevarla a cabo se utiliza un olfatómetro, el cual
Página 35 de 123
funciona mediante un gas neutro cuya función es diluir la muestra de gas oloroso hasta
que la concentración iguale al umbral de detección, lo cual se establece al alcanzar una
percepción de olor de la muestra diluida de al menos el 50% de las personas que forman
parte del panel de expertos.
En el año 2002 la compañía St Croix Sensory Inc. lanzó al mercado el olfatómetro de

campo Nasal Ranger, que consta de doce movimientos de dial que el personal debe
recorrer para realizar la medición. Seis de éstos son los rangos de dilución, conocidos
como D/T y se encuentran definidos en la ecuación N°1. Los otros seis movimientos del
dial se utilizan como blancos que sirven de relajación del olfato antes y después de realizar
inhalaciones del aire ambiente para hallar el umbral (Murillo, 2017).
𝐷 𝑉𝑜𝑙𝑢𝑚𝑒𝑛 𝑑𝑒 𝑎𝑖𝑟𝑒 𝑓𝑖𝑙𝑡𝑟𝑎𝑑𝑜

= (1)
𝑇 𝑉𝑜𝑙𝑢𝑚𝑒𝑛 𝑑𝑒 𝑎𝑖𝑟𝑒 𝑜𝑙𝑜𝑟𝑜𝑠𝑜
Respecto al muestreo de olores por olfatometría dinámica, se distinguen dos tipos. El
primero de ellos es el muestreo dinámico por olfatometría directa, donde la muestra es
directamente conducida al olfatómetro. Esto se realiza sin almacenamiento previo de la
muestra en un contenedor y es recomendado cuando las emisiones presentan una
concentración constante durante el muestreo. Por otro lado, se encuentra el muestreo
retardado, donde al contrario que el anterior, la muestra es capturada en un depósito de
almacenamiento para ser analizada con posterioridad. Este tipo de muestreo es aplicable
cuando las condiciones del olor requieren que el panel de expertos se encuentre fuera del
sitio o cuando la concentración varía durante la captación de la muestra.
Una medición con el Nasal Ranger comienza con el dial en la posición “blanco” ubicada
entre las relaciones de dilución 2 y 60 D/T (dilución hasta el umbral). En esta posición, el
personal respira a una velocidad confortable durante 1 minuto, y luego el dial se mueve a
diferentes posiciones de dilución, donde se evalúa constantemente si el carácter del olor
es percibido correctamente. El procedimiento continúa sucesivamente para otros diales y
termina cuando el personal percibe el olor sobre algún valor D/T establecido. Si el olor no
es hallado al pasar por todos los diales bajo una misma dilución, se indica que el olor no
existe en este punto de medición o que la concentración es tan baja que no implica algún
tipo de afectación para esta posición (Herrera et al., 2015).
En el transporte y el almacenamiento, las muestras deben mantenerse a una temperatura

inferior a 25 [°C] pero por encima de su punto de rocío para evitar su condensación. Las
muestras deben ser analizadas lo antes posible tras el muestreo, no excediendo las 30
horas, de lo contrario se corre el riesgo de su degradación progresiva.
Página 36 de 123
2.7.2.2 Protocolo FIDO

La denominación FIDO hace referencia a la frecuencia, intensidad, duración y ofensividad
de los olores sobre las personas. La toma de medidas FIDO es catalogada como una
medición cualitativa que se realiza con el Nasal Ranger.
Tabla 2. 1 Tabla F.I.D.O. olores.
Frecuencia La frecuencia a la cual el individuo está expuesto a olores.

Intensidad Percepción del individuo de la fuerza del olor.
Duración Duración global a la que los individuos están expuestos a los olores
Ofensividad Carácter agradable o desagradable que poseen los olores.
Fuente. Evaluación y selección de tecnología para la reducción del impacto por olores en EDAR.
En el caso del Reino Unido, se asigna una sigla más, la localización, convirtiéndose en
FIDOL. Este último concepto hace referencia al terreno y las actividades humanas que se
desarrollan y generan un impacto odorífero en el lugar.
La ofensividad se determina a partir del tono hedónico resultante de la sensación de

percepción por parte del usuario y permite clasificar a los olores como: muy ofensivos,
ofensivos, desagradables y no desagradables. La frecuencia se establece en días, semanas,
meses o semestres y la intensidad se mide en rangos horarios que van desde minutos
hasta 12 horas. La intensidad posee su propia escala de 5 niveles, clasificando el olor
desde muy ligero a muy fuerte. Por último, los fundamentos del protocolo FIDO, ayudan a
determinar valores límites permitidos, en unidades de UOE/m3, que se consideran
apropiados para no provocar impacto odorífero en el medio. Estos valores se encuentran
en la figura 2.12, categorizados según ofensividad.
2.8 Efectos sobre la salud

La reacción a los olores es individual, específica y está influenciada por preferencias
personales, opiniones, experiencias y la sensibilidad de nuestro sistema olfativo. De esta
manera el olor es como el sonido, lo que algunos escuchan como música, otros lo
escuchan como ruido. Los olores pueden irritar y enojar, especialmente si se asocia con
algo amenazante, desagradable y fuera del alcance de nuestro control (The Synergy Group
SpA., 2019).
Según la Organización Mundial de la Salud (OMS), un efecto negativo en la salud surge de

una experiencia que provoque malestar a nivel físico, emocional y/o mental. Según este
punto de vista, sin duda la contaminación odorífera genera molestias en la salud,
particularmente en las personas que se encuentran cercanas a actividades generadoras de
malos olores. Estas personas suelen padecer de insomnio, mal humor, dolor de cabeza e
Página 37 de 123
irritación en la mucosa, además de la tendencia a desarrollar situaciones de estrés,

náuseas, vómitos y reacciones aparentemente neurotóxicas, tales como, pérdidas de
memoria, problemas de concentración, interacciones con otros sistemas sensoriales o
biológicos que provocan cambios de hipersensibilidad y cambios en las pautas de
respiración (Ramos et al., 2018). Los olores actúan sobre el sistema nervioso central o
periférico y se relacionan con la parte emocional, los recuerdos y el humor. Estos efectos
surgen cuando las sustancias odoríferas son captadas del medio ambiente por vía nasal o
retro-nasal. El tracto respiratorio genera una reducción del volumen del aire inhalado,
contrae la laringe y los bronquios, generando mayor secreción de hormonas del estrés y
aumentando la presión sanguínea (Herrera et al., 2015).
Figura 2. 12 Protocolo F.I.D.O. para la evaluación de episodios molestos.
Fuente. Evaluación y selección de tecnología para la reducción del impacto por olores en EDAR.
Página 38 de 123
3. Estado del arte
3.1 Teorías de percepción existentes

El sentido del olfato es importante para la medicina, la biología y la ciencia, ya que realiza
un rango dinámico de funciones cruciales, sin embargo, los mecanismos por los cuales la
diversidad estructural de los olores es reconocida y diferenciada sigue siendo un enigma.
La base molecular de los olores es dividida en dos grandes dominios: primero, la biología
molecular, la cual se centra en la interacción entre los olores y sus receptores, y segundo,
la química de las fragancias, que busca desarrollar reglas conocidas como SOR (Structure-
Odor Relations), para relacionar la estructura de los compuestos y el olor que generan
(Sharma et al., 2019).
En la actualidad se plantea que el mecanismo fundamental de percepción del olor es una

combinación de ambos dominios, donde la hipótesis estructural enfatiza la relevancia de
las características de los compuestos olorosos, tales como las características estéricas,
electrofílicas y nucleofílicas en la percepción del olfato. Por otro lado, hay estudios que
afirman que los compuestos que generan olores deben poseer propiedades como la
solubilidad, la polaridad, la actividad superficial, la volatilidad y la lipofilicidad dentro de
rangos establecidos, para así generar propiedades sensoriales. Algunas de estas teorías
sobre la percepción del olfato se exponen a continuación (Sharma et al., 2019).
3.1.1 Teoría estérica del olor

Corresponde a la teoría más sofisticada del olfato, la cual fue formulada por Troland y está
basada en los factores estéricos de la molécula. Según esta teoría, las moléculas
absorbidas en la superficie de las células olfativas se despolarizan y generan un impulso
neural, siendo la calidad del olor determinada por los tiempos del impulso nervioso. En el
caso de la intensidad del olor, ésta se relaciona con el número de células excitadas o el
número total de impulsos nerviosos generados. Moncrieff, otro de los investigadores que
apoyan esta teoría, estableció que cuando un compuesto oloroso es percibido, éste se une
a los receptores olfativos estableciendo una interacción similar a la de las enzimas y sus
sustratos, (modelo “cerradura y llave”). Por lo tanto, variables como la forma molecular, el
volumen y el tamaño del compuesto oloroso serían las que determinan su olor y calidad
(Turin y Yoshii, 2003). Esta teoría estérica explica la especificidad y sensibilidad de un
receptor olfativo hacia un conjunto de compuestos olorosos específicos.
Página 39 de 123
3.1.2 Teoría de la radiación

Esta teoría fue postulada por Jones y Jones en 1953, quienes afirman que los electrones
que conforman los átomos o moléculas poseen vibraciones que se traspasan al medio de
origen y que se refuerzan por resonancia. Otro de los postulados de esta teoría, indica que
los nervios olfativos encargados de la percepción tienen vibraciones eléctricas similares a
las de los electrones de los compuestos olorosos. Estas pequeñas vibraciones del sistema
olfativo se ven reforzadas por los compuestos que generan olor, cuya afinidad se define
según su período de vibración, y las diferentes velocidades de vibración se perciben como
diferentes calidades de olor (Sharma et al., 2019).
3.1.3 Teorías vibratorias del olor

3.1.3.1 Teoría infrarroja
Esta teoría asocia el olor con la resonancia infrarroja, entendida como una forma de
medición de las vibraciones de las moléculas y fue formulada por primera vez por Ogle,
quien plantea que al igual como los receptores visuales y auditivos responden a las ondas,
la pigmentación en la nariz responde a la radiación que se encuentra en el espectro
infrarrojo (Bourgeois, 2017). Cuando llega un olor en el campo de radiación de los
receptores olfativos, debido a la absorción infrarroja característica del olor, éstos sufren
una pérdida de energía que genera el impulso neural. Los diferentes olores poseen
diferentes espectros de absorción infrarroja y estimulan diferentes conjuntos de
receptores. Esta teoría enfrentó muchas críticas, entre ellas, que los receptores olfativos
irradian de forma selectiva según factores como el tamaño y la forma del compuesto
odorífero. Por otra parte, otros estudios declararon la existencia de sustancias, como el
disulfuro de carbono, que generan olores, pero sus curvas de espectro de absorción no se
encuentran dentro del rango de espectro infrarrojo. Además, existen sustancias inodoras
que presentan una absorción dentro del rango de espectro infrarrojo, como el dióxido de
carbono. Esta teoría tampoco explica porque los enantiómeros poseen espectros
infrarrojos idénticos, pero generan diferentes olores.
3.1.3.2 Teoría ultravioleta

Esta teoría creada por Heynix afirma que las bandas de absorción ultravioleta de los
compuestos olorosos son equivalentes al período de vibración propio de cada compuesto
(Bourgeois, 2017). Según su postulado, las diferencias en la calidad olfativa de diferentes
compuestos se deben a las distintas frecuencias de vibración determinadas a partir de las
bandas de absorción ultravioleta. A través de los años, se han señalado varias
inconsistencias que han llevado a la negación de la teoría ultravioleta, entre las que se
Página 40 de 123
encuentra la existencia de compuestos olorosos con una misma banda de absorción

ultravioleta y una diferente emanación de olor.
3.1.3.3 Teoría del cambio Raman

Cuando una sustancia es irradiada por un haz de luz de una longitud de onda particular, la
energía de los fotones se desplaza hacia arriba o hacia abajo, debido a que algunas
sustancias emiten longitudes de onda más cortas o largas que la luz original. Este cambio
de energía, conocida como cambio Raman, proporciona información sobre los modos
vibracionales del sistema. En el año 1928, Dyson intentó dar explicación al mecanismo del
olfato utilizando los cambios de Raman. Este autor postuló que las vibraciones
intramoleculares de los compuestos olorosos son las responsables del olor que generan y
postuló que, si el cambio de Raman de dos compuestos era similar, esto indicaría que el
olor generado por cada uno también lo sería (Bourgeois, 2017).
Aunque esta teoría tuvo mejor recepción que las anteriores, se han encontrado
excepciones a sus postulados. Por ejemplo, existen compuestos con el mismo olor, pero
diferente cambio de Raman; otros compuestos con diferentes olores y el mismo cambio
de Raman; y por último, compuestos que no generan olores y poseen bandas de absorción
en el espectro de Raman.
3.1.3.4 Teoría de espectroscopía de túnel de electrones inducidos por vibraciones

La teoría del túnel de electrones implica la transferencia de éstos por una columna
vertebral de la proteína. Turín propuso un modelo en que los puentes de zinc están
presentes tanto en los receptores olfativos como en la proteína G, explicando de este
modo la transferencia de electrones durante el olfato (Bourgeois, 2017).
El zinc es un elemento presente en nuestro organismo que tiene la capacidad para formar
puentes entre las proteínas y los aminoácidos de los receptores olfativos, estableciendo
un vínculo entre el flujo de electrones y la señal de transducción en las neuronas olfativas
a través de la proteína G. Después de que el compuesto odorífero se une al receptor
olfativo, los electrones lo excitan a su modo vibracional. Si la energía de este modo
vibratorio es igual a la brecha existente entre el límite y el estado libre, el electrón pierde
su energía y se mueve a través de la proteína. El receptor actúa como un espectrómetro
que detecta un único y bien definido nivel de energía moviéndose a través del receptor en
el caso que la diferencia sea lo suficientemente grande. Aunque la teoría no está
aprobada, parece tener argumentos válidos para ser considerada.
Página 41 de 123
3.1.4 Teoría mecánica

Esta teoría afirma que el movimiento del aire en la nariz provoca vibraciones de los vellos
olfativos que son moduladas por los compuestos odoríferos según su peso molecular y
momentum. La teoría fue abandonada porque no existía correlación de los postulados
entre la calidad del olor y el peso molecular del compuesto.
3.1.5 Teoría de patrones de estímulo

Adrian Wedell llevó a cabo un extenso trabajo sobre la electrofisiología del olfato en el
año 1950 (Bourgeois, 2017) y propuso que los diferentes compuestos estimulan distintas
regiones de la membrana olfativa debido a sus diversas propiedades físicas y al remolino
de corrientes en el conducto nasal. La teoría correlaciona la calidad del olor en el patrón
espacial de la membrana con las diferencias temporales en el tiempo de excitación y la
respuesta de este, pero fue duramente criticada por no haberse podido replicar los datos
obtenidos.
3.1.6 Teoría de los límites de fase

Esta teoría considera que los compuestos se disuelven primero en la capa de moco y
seguidamente se produce la absorción en las neuronas sensoriales olfativas (adsorción en
la superficie). En ambos eventos el metabolismo celular se altera, resultando en un
impulso neural. Esta teoría no ha sido considerada ya que no se mencionan las relaciones
entre estos límites de fases y la calidad olfativa.
3.1.7 Teoría química

En ella se relacionan las propiedades químicas de los receptores con el mecanismo de
olfato y/o transducción. Mullins propuso la existencia de dos tipos de receptores en el
epitelio olfativo que tendrían un parámetro de solubilidad diferente dependiendo de la
forma de la molécula odorífera. Se postula que los compuestos odoríferos excitan los
poros de los receptores en una superficie particular del receptor mientras que la parte
restante permanece insensible. Debido a esto, las moléculas grandes no son capaces de
excitar la membrana debido a la insuficiencia del número y tamaño de poros adecuados.
La teoría fue rechazada porque no se pudo establecer la existencia de estos poros
hipotéticos (Bourgeois, 2017).
3.1.8 Teoría de las enzimas

Las teorías modernas de la estimulación olfativa giran alrededor de la presencia de varias
enzimas activas en el epitelio olfativo, las que son inhibidas selectivamente por los olores,
alterando las concentraciones relativas de algunos compuestos en el receptor, lo que
resulta finalmente en la generación de impulsos nerviosos. La teoría más significativa es
Página 42 de 123
propuesta por Amoore, en la que correlacionó la calidad del olor con la forma y tamaño de
un compuesto oloroso (Bourgeois, 2017). Su teoría no enfrentó serias objeciones y ha sido
capaz de predecir y explicar con éxito el mecanismo del olfato, siendo el único
inconveniente la incapacidad para explicar los procesos de estimulación reales que
involucran al receptor.
3.2 Estudios realizados

3.2.1 Estudios de las relaciones estructura-olor (SOR)
De manera reciente, se han realizado estudios, bajo una perspectiva biológica, para
verificar la relación entre las estructuras moleculares y los olores percibidos. En el
siguiente apartado se presentarán los estudios analizados en “Structure – Odor relations: a
modern perspective” de Luca Turin y Fumiko Yoshii (Turin y Yoshii, 2003).
En dicho documento, se realiza una comparación entre las principales teorías de relación
estructura-olor, las teorías vibracionales y de odotipo. Se menciona que, en los estudios
de olfato, se ha dado poca relevancia a la capacidad de los seres humanos para detectar la
presencia de grupos funcionales con gran confiabilidad. Entre los estudios destacados, se
encuentra el desarrollado por Zhao en el año 1998, quién fue capaz de analizar la
respuesta de los receptores de las neuronas olfativas, encontrando un amplio espectro de
respuesta. En este estudio, los receptores fueron estimulados con heptanal y aldehídos de
cadena corta y larga, bajo un modelo basado en odótopos.
Otro estudio desarrollado por Malnic en 1999 permitió estimar la respuesta humana a
ciertos compuestos olorosos, a través de la creación de una base de datos, la cual se
fundamenta en la interacción entre los receptores olfativos y los compuestos, creando un
patrón de respuesta. Entre la lista de compuestos que forman parte del estudio, se
encuentran algunos ácidos carboxílicos, alcoholes, ácidos bromo carboxílicos y ácidos
dicarboxílicos con cadenas de carbono de diferentes longitudes. El desarrollo de este
estudio permitió concluir que “los diferentes olores se reconocen por distintas
combinaciones de receptores” y que además el número de receptores, que responden a
un determinado compuesto, aumenta a medida que se alarga la cadena de carbono,
resaltando la importancia de la hidrofobicidad de la molécula odorífera.
Parte de los resultados de este estudio muestran que para cada serie de compuestos
olorosos existe una proporcionalidad entre el número de receptores activos y el
coeficiente de partición. En los resultados expuestos en la figura 3.1, se puede apreciar
que los olores con menor potencia odorífera, es decir, con menor activación de
receptores, son aquellos que poseen una carga parcial que influye en su hidrofobicidad. La
Página 43 de 123
gráfica de la derecha corresponde a una corrección de las cargas parciales formales de los
compuestos, la que permite comparar tendencias y probar la importancia de incluir el
coeficiente de partición y las cargas parciales formales, en un modelo de percepción de
olores.
Figura 3. 1 Datos publicados sobre la respuesta olfativa expresado en receptores.
Los estudios de relación estructura-olor han logrado probar que ciertas características
estructurales de las moléculas poseen influencia en la sensación de percepción de un olor
como, por ejemplo, la presencia de algunos grupos funcionales polares, como el grupo -
OH (Moncrieff, 1967). Por otro lado, se establece que el grado de insaturación de los
compuestos orgánicos aumenta la intensidad de percepción de los olores y, en cambio, el
blindaje estérico de los compuestos por parte de un grupo funcional la disminuye. Cuando
dos aceptores de enlaces de hidrógeno están presentes en una molécula y estos se
encuentran cerca uno del otro, la intensidad de percepción es mucho mayor a cuando
estos grupos están más alejados entre ellos. Este último punto se conoce como Regla
Bifuncional de Ohloff y fue postulada en 1994.
En conjunto, los postulados sugieren que los compuestos pueden unirse a los receptores
con mayor fuerza cuando presentan dobles enlaces y pares solitarios ya que, bajo estas
condiciones, la atracción entre compuesto y receptor es mayor. La Regla Bifuncional de
Ohloff es particularmente interesante dado que se puede aplicar a un gran número de
compuestos olorosos que no presentan relación estructural. Es importante mencionar
que, en este tipo de estudios, la intensidad no es considerada una característica del olor
Página 44 de 123
sino como un reflejo de la capacidad del compuesto oloroso de unirse al receptor (Turin y
Yoshii, 2003).
En el año 2011, Kermen y Chakirian realizaron un estudio llamado “La complejidad

molecular determina el número de notas olfativas y el placer de los olores” (Kermen,
2011). Dicho estudio buscaba probar que un compuesto oloroso estructuralmente
complejo puede ser descrito utilizando múltiples notas olfativas mientras que para una
molécula más simple serían necesarios menos descriptores de olor. Para validar la teoría
se examinó la relación cuantitativa entre la complejidad estructural de los olores y el
número de notas olfativas evocadas por un panel de expertos. Para su desarrollo, se
estableció una lista de notas olfativas descriptoras y un índice de complejidad molecular
que, en su conjunto, disminuirían la dispersión en las respuestas de los integrantes del
panel. El índice de complejidad molecular considera factores como: los elementos que
componen la molécula, la simetría, los enlaces, los electrones libres, entre otros. En la
figura 3.2 se aprecian algunos ejemplos de las notas olfativas resultantes, así como
descriptores de los compuestos odoríferos (a) y los índices de complejidad molecular de
los mismos (b).
Los resultados obtenidos en este estudio lograron confirmar, tras el análisis de 411
compuestos olorosos, que existe una relación logarítmica (r=0,35; p<0,0001) entre la
complejidad molecular y el número de notas olfativas, lo que refleja que existe una
saturación en el número de notas olfativas por encima de un cierto umbral de
complejidad molecular. Tras la clasificación de los compuestos olorosos según su
complejidad molecular (baja, media y alta), se consiguió confirmar el efecto de saturación.
Los compuestos con baja complejidad molecular evocaban menos notas olfativas que
aquellos que se encuentran en el rango medio o en el alto. En la figura 3.2 (a) se puede
apreciar claramente la correlación descrita con anterioridad. Como resultado
complementario se obtuvo que aquellos compuestos olorosos catalogados como de baja
complejidad molecular, generaban una peor respuesta en los receptores, siendo entonces
identificados como menos agradables. Por el contrario, aquellos compuestos que
pertenecían a la clasificación de complejidad media o alta eran considerados más
agradables.
Finalmente, se obtuvo una correlación positiva entre el número de notas olfativas y la

capacidad del compuesto de generar un olor agradable, siendo entonces categorizados
como más desagradables aquellos compuestos que emanaban una menor cantidad de
notas olfativas como se observa en la figura 3.3 (c).
Página 45 de 123
Figura 3. 2 Notas olfativas descriptoras de olor.
Figura 3. 3 Correlación de las notas olfativas.
a) Gráfica notas olfativas vs complejidad molecular. (c) Gráfica olor placentero vs notas olfativas
Página 46 de 123
Entre los estudios más recientes se encuentra “Structure-Odor Correlations in Homologous

series of Alkanethiols and Attemps to predict Odor Tresholds by 3D-QSAR Studies” de el de
Johannes Polster y Peter Schieberle (Polster y Schieberle, 2015). Este estudio buscaba
analizar el efecto de la familia de los tioles sobre el consumo de los alimentos y el olor
asociado a ellos, ya que estos compuestos se ven involucrado en olores satisfactorios
como el aroma del café, el vino o la carne cocida, y de otros desagradables como el olor
emanado de la fermentación de algunos licores. Para el desarrollo del estudio se
sintetizaron series homólogas de alcano tioles, con un rango de 3 a 10 carbonos en la
cadena principal y con diferentes patrones de sustitución para poder estudiar la influencia
de estos cambios estructurales en los umbrales de olor y sus cualidades.
Se estableció como método para la determinación del umbral de detección de los olores
una muestra en medio gaseoso y otra en medio acuoso, obteniéndose tendencias
similares en ambos casos (figura 3.4). Sin embargo, el valor umbral para un mismo
compuesto es 1000 veces menor si está en fase gaseosa que si está en fase líquida.
Figura 3. 4 Comparación de umbrales de olor en aire y en agua.
Por último, se realizó un análisis de modificación de cadena para los tioles y se obtuvo que
al disminuir la longitud de la cadena de los tioles no se apreciaban variaciones
significativas en los valores de umbral de detección, en cambio, al aumentar la longitud de
la cadena principal del compuesto, los valores umbrales aumentaban considerablemente.
Finalmente, se realizaron sustituciones crecientes del átomo de carbono que contiene al
grupo mercaptano, lo que causó que los umbrales de detección disminuyeran (figura 3.5).
Los resultados obtenidos sugieren que, además de la importancia del grupo mercaptano
Página 47 de 123
en la generación del olor, la percepción de éste también es influenciada por efectos

estéricos.
Figura 3. 5 Influencia en el cambio de largo de cadena en el umbral de olor de alcano tiol primario, secundario y
terciario.
Un último estudio por destacar es “Chemical features mining provides new descriptive
structure-odor relationships” (Lincon et al., 2019). En este estudio se desarrolló un sistema
computacional basado en un algoritmo que creó subgrupos capaces de discriminar
cualidades perceptivas del olor en base a las propiedades fisicoquímicas de los
compuestos. Además, se realizaron una serie de experimentos sobre 75 cualidades
olfativas distintas que permitieron validar reglas que vinculan estas propiedades con la
percepción de los olores.
El algoritmo fue desarrollado con un enfoque de descubrimientos de subgrupos originales

para las reglas descriptivas que caracterizan a subconjuntos de cualidades olfativas. La
metodología del programa se resume en la generación de reglas fisicoquímicas, para cada
una de las 75 cualidades, basadas en los 82 descriptores de olor que forman parte de la
base de datos del estudio. En segundo lugar, el algoritmo busca las mejores reglas o
combinaciones para cada una de las cualidades. En esta etapa, las propiedades se
clasifican según su precisión, con esto, se logró construir una lista de reglas y/o una
combinación de ellas para cada cualidad. Alrededor del 90% de las cualidades olfativas
pudieron ser descritas combinando de 1 a 6 reglas mientras que el 66% fueron descritas
combinando 3, 4 ó 5 reglas. Estos resultados se pueden apreciar en la figura 3.6.
Página 48 de 123
Figura 3. 6 Resultados de algoritmo de descubrimiento de subgrupos.
(a) Histograma del número de reglas utilizadas como descriptor de las 75 cualidades olfativas (b) Ejemplo de
selección de la mejor regla o combinación de reglas basadas en el cálculo de la distancia euclidiana del punto
ideal.
El estudio proporciona nuevas reglas descriptivas de la relación estructura-olor con un

gradiente de confianza que va desde el nivel medio a niveles más altos, dependiendo de la
cualidad olfativa emanada por el compuesto. El algoritmo creado se encuentra disponible
en los enlaces presentes en un documento oficial como una herramienta para el
desarrollo de futuros estudios (INSA, 2021).
3.2.2 Estudios de la forma molecular

En el año 2016, en la Universidad de Concepción, Adelio Matamala realizó un estudio
sobre las dimensiones físicas de las moléculas como el largo, el ancho y el alto, titulado “A
box-model approach to molecular shape” (Matamala, 2016). Dicho estudio buscaba
generar indicadores que describan la forma molecular de un compuesto. El modelo fue
construido en base a cincuenta moléculas, entre las que se incluyen alcanos, alquenos,
alquinos, moléculas planas y los isómeros de 18 octanos. Para la obtención de los
parámetros, se establecen los valores de A, B Y C, que representan el largo, ancho y alto
de la caja, respectivamente, para luego optimizar la geometría de cada molécula mediante
el método empírico AM1, y utilizando la superficie molecular de Van der Waals para
definir el contorno molecular. Por último, se obtiene una representación 3D-vdW de la
molécula, a través del software Vega ZZ (figura 3.7).
Página 49 de 123
Figura 3. 7 Molécula dentro de una caja rectangular.
Dentro de los parámetros definidos se encuentra el índice de espesor () y el índice de

asimetría (K), que están descritos en base al largo, alto y ancho de la caja que contiene la
molécula:
𝐶
𝜏= (2)
𝐴
𝐶 𝐵
𝐾= − (3)
𝐵 𝐴
Este estudio se realizó con los primeros diez alcanos normales, los primeros diez alquenos,
los primeros seis alquinos normales, seis moléculas con forma particular y los isómeros de
dieciocho octanos. Sin embargo, el método desarrollado es bastante general y puede
aplicarse a cualquier tipo de molécula. En las tablas 3.1 y 3.2 se muestran los valores de
los descriptores obtenidos para los alquenos y alquinos estudiados.
Tabla 3. 1 Valores descriptores de forma de los primeros 10 alquenos.
Página 50 de 123
Tabla 3. 2 Valores descriptores de forma de los primeros seis alquinos.
Página 51 de 123
4. Marco teórico
4.1 Definiciones
A continuación, se presentan los conceptos base de referencia. que se definirán a través
de la bibliografía de la norma UNE-EN 13725 y los avances del Comité CEN/TC 264 “Air
Quality”.
4.1.1 Olor
Según la norma chilena 3190:2010 “Calidad del aire - Determinación de la concentración
de olor por olfatometría dinámica”, el olor se define como la propiedad organoléptica
perceptible por el órgano olfativo cuando inspira determinadas sustancias volátiles. Según
la Air Guidance Note 5 (AG5), el olor es la propiedad de una sustancia que activa el sentido
del olfato humano (Enviromental Protection Agency, 2010).
Un olor ofensivo, según el Decreto 948 de 1995 del Ministerio del Medio Ambiente se
define como “el olor generado por sustancias o actividades industriales, comerciales o de
servicio que produce fastidio, aunque no cause daño a la salud humana” (Ministerio del
Medio Ambiente, 1995). De la misma manera, se puede encontrar el concepto de olor en
la Resolución N°1541 de 2013 del Ministerio del Medio Ambiente.
4.1.2 Impacto odorífero

Corresponde a los malos olores causados por actividades tales como explotaciones de
ganado, actividades industriales, depuradoras, vertederos, etc. Se entiende como un tipo
de impacto en el ambiente debido a que, aunque los olores no lleguen a ser tóxicos,
pueden llegar a provocar malestar y molestias respiratorias. Los olores son un factor para
la aceptación o rechazo, ocasionando niveles de descontento tan negativos como
cualquier otro problema ambiental (The Synergy Group SpA., 2019).
4.1.3 Intensidad
La intensidad se define como “La fuerza con la que el olor se percibe, la cual aumenta en
función de la concentración del olor” definida en la guía para la predicción y evaluación de
impactos por olor (Servicio de Evaluación Ambiental, 2017). La Intensidad no se relaciona
directamente con la molestia generada por el olor, sino que es un parámetro
independiente y se determina mediante olfatómetros con panelistas calificados y bajo la
metodología descrita en norma técnica VDI3882 Blatt1:1992-10.
Página 52 de 123
4.2 Ecuaciones gobernantes

4.2.1 Ley de Henry
Uno de los principales fenómenos analizados en este estudio, corresponde al fenómeno
de transferencia de los compuestos odoríferos desde la fase gaseosa hasta los receptores
olfativos. Ya que, antes de llegar a éstos, las moléculas olorosas deben disolverse en la
mucosa nasal, la cual se encuentra compuesta en un 95% de agua.
La ley de Henry permite determinar el grado en que las moléculas del compuesto oloroso
pueden disolverse en la cavidad nasal y establece que, “cuando un gas está en contacto
con un disolvente, a una temperatura constante, su concentración en el medio líquido es
directamente proporcional a su presión” (Valencia, 2019). Matemáticamente, se puede
expresar mediante la ecuación N°4, donde Pgas corresponde a la presión del gas que se
encuentra en contacto con el medio líquido, HCP es una constante específica para cada gas
y disolvente a una temperatura específica (constante de Henry) y Cgas corresponde a la
concentración del gas disuelto.
𝐶𝑔𝑎𝑠 = 𝐻𝐶𝑃 ∗ 𝑃𝑔𝑎𝑠 (4)
Como en toda ley se presentan limitaciones para su aplicación, en este caso la ley sólo es
aplicable a aquellos gases que poseen un comportamiento ideal, a temperaturas y
presiones moderadas, con una solubilidad baja en el disolvente. Para los gases poco
solubles en líquidos, la disolución se aproxima al estado ideal, cumpliéndose la ley de
Henry a bajas presiones (figura 4.1). Sin embargo, cuando la presión es elevada se produce
una desviación respecto a esta ley, debido a que la disolución deja de comportarse como
una solución diluida ideal (Mitsuo, 2012).
Figura 4. 1 Diagrama de solubilidad.
Página 53 de 123
La constante de Henry puede tener unidades y valores diferentes dependiendo de las

unidades usadas para expresar las concentraciones del compuesto en las fases gaseosa y
líquida. Para este trabajo, se decidió expresar dichas concentraciones en las mismas
unidades por lo que la constante de Henry usada, para transformar las concentraciones
umbrales en fase gaseosa a concentraciones en fase acuosa, será adimensional (Ecuación
Nº5).
𝐶𝑎𝑐𝑢𝑜𝑠𝑜 = 𝐻𝐶𝐶 ∗ 𝐶𝑔𝑎𝑠 (5)
4.2.2 Intensidad
La intensidad de un olor se refiere a la fuerza de percepción de una sensación de olor, la
cual aumenta en función de la concentración. La siguiente ecuación desarrollada por
Stevens, define la relación entre intensidad del olor (I) y concentración (C), donde K es una
constante y n es el exponente (Mitsuo, 2012). La relación representativa corresponde a la
ecuación N°6.
𝐼𝑃𝐸𝑅𝐶𝐼𝐵𝐼𝐷𝐴 = 𝐾 ∗ 𝐶 𝑛 (6)
Donde, Ipercibida corresponde a la Intensidad de percepción de la sensación, K a la constante

específica para cada sustancia y C a la intensidad física del estímulo, es decir, la
concentración de olor, por último, n corresponde al exponente que depende de las
propiedades fisicoquímicas del compuesto, siendo su valor menor a 1. El valor de n, para
algunos compuestos olorosos, varía entre aproximadamente 0,2 y 0,8.
Figura 4. 2 Función de intensidad de 1-butanol según la ley de Stevens.
Página 54 de 123
La figura 4.2 muestra el cumplimiento de la función de Steven para el compuesto 1-

butanol. Aunque esta ley es reconocida por la comunidad científica, en Europa para
olfatometría se utiliza la ley de Weber Fechner (Ecuación N°7).
𝐶
𝐼 = 𝐾𝑤 ∗𝑙𝑜𝑔 ( ) (7)
𝐶0
Donde: C y C0 son valores de concentración normal y umbral, respectivamente e I la

intensidad del olor (Paduch, 2017). El coeficiente Kw corresponde al valor de la pendiente
de la curva que representa la relación típica e individual entre la intensidad del olor y la
concentración de olores provenientes de una fuente definida o un ciclo de producción.
Una de las principales diferencias entre ambas leyes corresponde al concepto de
intensidad, mientras que Stevens la define como un estímulo y la mide en decibelios (dB),
en la ley de Weber Fechner se define en base a la psicofísica y se analiza como una fuerza
de una sensación.
La medición de la fuerza de sensación del estímulo es asignada por personas, bajo una
escala de valores establecidos, existiendo escalas de 5 a 9 puntos e incluso más, donde los
valores bajos corresponden a un olor imperceptible o extremadamente débil y los valores
altos corresponden a un compuesto oloroso fuerte y de muy fácil percepción. En dichos
estudios, el olor es presentado un mínimo de 10 veces a los panelistas y es calculado y
trazado por medio de una escala de juicios. A continuación, se presenta una escala simple
de intensidad de olor, constituida por 6 niveles de intensidad, que se encuentra en la
norma alemana VDI3882-1 y sobre la cual se basan los antecedentes para la generación de
las normativas chilenas (tabla 4.1).
Tabla 4. 1 Escala de intensidad.
Olor Nivel de Intensidad

No perceptible 0
Muy débilmente perceptible 1
Débilmente perceptible 2
Distinguible 3
Fuerte 4
Muy fuerte 5
Extremadamente fuerte 6
Página 55 de 123
4.2.3 Coeficiente de partición

El paso de los compuestos olorosos a través de las membranas biológicas y su
desplazamiento posterior por el sistema olfativo son procesos determinantes para que
puedan ser identificados y procesados como olor por nuestro cerebro. El coeficiente de
reparto o partición es un parámetro fisicoquímico que ayuda a determinar
cuantitativamente el grado de lipofilia o hidrofobicidad de una molécula. Esto, permite
inferir cómo se comportará en los fluidos del organismo y como será su paso a través de
las membranas biológicas. En otras palabras, el coeficiente de partición representa la
solubilidad relativa de una sustancia determinada en un sistema compuesto por dos fases,
inmiscibles entre sí, a una temperatura específica, donde generalmente, una de las fases
está constituida por un disolvente orgánico y de baja polaridad (fase O), mientras que la
otra, habitualmente acuosa, y con alta polaridad está compuesta por agua o disoluciones
tamponadoras (fase W) (Universidad Nacional de Colombia, 2021). La expresión
matemática que define el equilibrio entre ambas fases corresponde a la ecuación N°8,
donde P representa el grado de lipofilia de una sustancia, CO y CW representan valores de
concentración molar o en [mg/L] de la sustancia en las fases orgánica y acuosa,
respectivamente. Entonces, se puede afirmar que, a un mayor valor de P, la sustancia
presenta mayor afinidad por la fase orgánica y, por consiguiente, su carácter lipofílico es
mayor.
𝐶𝑂
𝑃= (8)
𝐶𝑊
El coeficiente de reparto se ve afectado por factores como: la naturaleza química del

compuesto, su carácter lipofílico o hidrofóbico, el pH del medio, la temperatura y el
sistema disolvente. Estos últimos factores, se consideran en condiciones normales y
uniformes para todos los compuestos olorosos de la base de datos generada en este
trabajo.
Por convención y con fines prácticos, se ha adoptado el uso del logaritmo base 10 del
coeficiente de partición conocido como Log P ya que el rango de valores existentes es muy
amplio. El valor del coeficiente de partición permitirá convertir las concentraciones de
fase acuosa, obtenidas mediante la ley de Henry, en concentraciones de fase orgánica,
cuya expresión se define mediante la ecuación N°9.
𝐶𝑓𝑎𝑠𝑒𝑜𝑟𝑔á𝑛𝑖𝑐𝑎 = 𝑃 ∗ 𝐶𝑓𝑎𝑠𝑒𝑎𝑐𝑢𝑜𝑠𝑎 (9)
De esta forma, se puede conocer cómo va variando la concentración del compuesto desde
la fase gaseosa hasta llegar a los receptores olfativos.
Página 56 de 123
4.3 Propiedades fisicoquímicas

En la base de datos, creada para el análisis estadístico del estudio, se consideraron las
siguientes propiedades físicas y químicas dada su relación con la sensación de percepción
de olores.
4.3.1 Peso molecular

El peso molecular se puede definir como una propiedad física que cuantifica el peso de un
mol de moléculas, expresada generalmente en gramos por mol (g/mol). Por limitaciones
físicas, se sabe que para que un compuesto genere un olor, éste no debe exceder los 300
[dalton] de masa.
Según el estudio del año 2016, “Olfactory Perception of chemically diverse molecules”,
existe una clara relación entre ciertas características moleculares y la percepción olfativa
de un compuesto oloroso (Keller et al., 2016). Además, este estudio indica que, aquellos
compuestos con un menor número de carbonos suelen generar olores menos agradables
y más intensos. Por el contrario, los compuestos con una cadena de carbono más larga se
categorizan como olores menos intensos y más agradables. El largo de una cadena de
carbonos se puede cuantificar a través del peso molecular, por esto, se ha considerado el
peso molecular como una variable relevante al momento de explicar la percepción de un
olor.
4.3.2 Constante de Henry

La constante de Henry corresponde al factor de proporcionalidad de la Ley de Henry, la
cual representa la solubilidad de un gas específico a una temperatura dada, cuando la
presión parcial del mismo gas es de 1 [atm]. Sus unidades varían según la concentración y
la presión, pudiendo tener unidades de [mol /L atm], [mol/kg atm], entre otras. Para el
análisis de los datos se ha utilizado la constante de Henry adimensional, conocida también
como Hcc. Esta se utiliza como un coeficiente de partición agua-aire.
Incluir la constante de Henry en el estudio, permitirá poder analizar si existe una relación
entre la capacidad de disolverse de un compuesto y la sensación de percepción de olor
que éste genera.
Página 57 de 123
4.3.3 Constante de acidez y basicidad

La constante de disociación ácida (Ka) es una medida cuantitativa de la fuerza de un ácido
en disolución, cuyo equilibrio puede expresarse según la ecuación N°10, donde HA es un
ácido genérico que se disocia en A- conocida como base conjugada del ácido y el ion
hidrógeno o protón (H+). Debido a los distintos órdenes de magnitud que pueden abarcar
los valores de Ka, ésta se suele expresar en una escala logarítmica (pKa). A un mayor valor
de pKa, la extensión de disociación es menor y, por el contrario, un menor valor de pK a
indica una mayor disociación, por ejemplo, un ácido débil tiene un valor de pK a en un
rango aproximado de 2 a 12 en agua, por lo que un valor menor a 2 correspondería a un
ácido fuerte.
[𝐴− ][𝐻 + ]
𝐾𝑎 = 𝑝𝐾𝑎 = −log (𝐾𝑎 ) (10)
[𝐻𝐴]
Existe también Kb, conocida como la constante de disociación básica, que corresponde a
una medida cuantitativa de la capacidad de disociación de una base en un medio acuoso,
definida según la ecuación N°11. Bajo los mismos criterios, en el amplio rango de valores
se define pKb. Existe una relación entre pKa y pKb, expresada en la ecuación N°12.
[𝐵 + ][𝑂𝐻 − ]
𝐾𝑏 = 𝑝𝐾𝑏 = −log (𝐾𝑏 ) (11)
[𝐵𝑂𝐻]
𝑝𝐾𝑎 + 𝑝𝐾𝑏 = 14 (12)
Ya que muchos compuestos odoríferos pueden disociarse según el pH del medio en el que
se encuentren y considerando que esto podría o no tener influencia en la sensación de
percepción de olores, es que se decidió incluir sus constantes de acidez o basicidad en el
estudio. Dichas propiedades serán consideradas también al momento de obtener las
concentraciones en fase acuosa de cada compuesto, tomando en cuenta el valor de la
concentración tras la disociación de las moléculas.
4.3.4 Concentración umbral

La “Guía de estrategias para el impacto de olor” define la concentración umbral como la
concentración teórica mínima para generar un estímulo específico de la población, que
por convención generalmente debe alcanzar el 50% de ésta, cuyas unidades se establecen
en unidades de olor por metro cúbico (1 OUE /m3) (Servicio de Evaluación Ambiental,
2017). Para este estudio, se utilizaron valores medidos por olfatometría dinámica y debido
al amplio rango de valores obtenidos para esta propiedad, se trabajará como Log 10
(Cumbral).
Página 58 de 123
Esta propiedad es fundamental para el análisis de datos que se realizará en este estudio,
ya que permitirá obtener los valores de concentración en cada una de las fases (gaseosa,
acuosa y orgánica) y relacionarlas con la sensación de percepción y la intensidad de un
olor según la Ley de Webber Fechner.
4.3.5 Log P
El coeficiente de partición es el cociente o razón entre las concentraciones de un
compuesto en dos fases inmiscibles de una mezcla en equilibrio. Por lo tanto, indicaría su
solubilidad relativa en cada una de las fases.
El valor de este coeficiente da idea de la lipofilicidad o hidrofobicidad de las moléculas del

compuesto, lo que permitirá cuantificar su capacidad para traspasar las membranas del
organismo y unirse a los receptores de olor.
4.3.6 Demanda química de oxígeno

La demanda química de oxígeno, también conocida como DQO, es la representación
cuantitativa de la cantidad de oxígeno necesaria para oxidar la materia orgánica a CO2 y
H2O (Eddy, 1995). Este parámetro permite cuantificar el grado de reducción de la materia
orgánica, pudiéndose analizar si éste va a tener influencia sobre la percepción del olor.
4.3.7 Indicadores de grosor y asimetría

Los resultados de varios estudios han determinado que la forma de los compuestos
odoríferos podría tener influencia en la sensación de percepción resultante. Por ello, se ha
incluido dos indicadores de forma (asimetría y grosor de la molécula) definidos por el
estudio “A box-model approach to molecular shape”, del año 2016. El procedimiento para
la obtención de dichos indicadores se encuentra descrito en el apartado 3.2.2 “Estudios de
forma molecular” de este documento. En la figura 4.3 se adjunta una imagen del
procedimiento para la obtención de estos indicadores.
Figura 4. 3 Visión 3D molécula en Vega ZZ.
Página 59 de 123
La asimetría y el grosor de una molécula se encuentran relacionadas directamente con la

distribución espacial de los radicales que surgen de la cadena principal de carbonos. Por
ende, se incluirán en el análisis del estudio, ya que el tamaño de la molécula podría
afectar a su capacidad de traspasar las membranas del sistema olfativo.
4.3.8 Grupos funcionales

Un grupo funcional es un átomo o conjunto de átomos unido a una cadena de carbonos
principales y que es responsable de la reactividad y de las propiedades químicas de los
compuestos. Las moléculas odoríferas pueden contener muchos tipos diferentes de
grupos funcionales y el conjunto particular de estos grupos puede afectar muchas de sus
propiedades como son la estructura, tamaño, solubilidad y reactividad.
Tras varios estudios se ha demostrado que los compuestos olorosos que poseen el mismo
grupo funcional generan olores similares. Como los ésteres que poseen un olor afrutado y
floral, los ácidos grasos un olor agrio y los aldehídos que se asocian con olores verdes
como el césped cortado o las hojas. Sin embargo, solo es posible predecir algunos olores
en función del grupo funcional de la molécula, ya que también se han encontrado
moléculas que tienen el mismo grupo funcional con notas olfativas que difieren entre sí. Si
bien, los grupos funcionales no pueden relacionarse con alguna propiedad en concreto de
las moléculas, se analizará el efecto de su presencia en conjunto con el de las propiedades
seleccionadas.
4.3.9 Volumen
Se define el volumen como el espacio que ocupa una molécula de cualquier gas en
condiciones normales de temperatura y presión. En este caso, se obtuvieron estimaciones
del volumen molecular a partir del software “Vega ZZ” y de la visión 3D de cada estructura
molecular, cuya unidad de medida es el ángstrom cúbico [A3].
El volumen corresponde a una de las principales propiedades que contribuye y explica la

lipofilicidad de una molécula, reflejando el impedimento estérico de los compuestos de
interactuar con los receptores olfativos (Chastrette, 2002).
4.3.10 Área de superficie polar

La polaridad química es una propiedad que representa la separación de las cargas
eléctricas en la misma molécula. Ésta se relaciona con otras propiedades como la
solubilidad, el punto de fusión, el punto de ebullición y las fuerzas intermoleculares. La
suma de las superficies de los átomos o moléculas polares se conoce como área de
superficie polar. Esta variable es utilizada en la industria farmacéutica para la optimización
Página 60 de 123
de la dosis de fármacos debido a su efecto sobre la capacidad de absorción del mismo. La

unidad de medida de las áreas polares corresponde a ángstrom cuadrado [A2].
Tanto los factores electrónicos como los estéricos, juegan un papel importante para
definir la polaridad de un compuesto. En este sentido, considerar la superficie polar de las
moléculas ayudará a comprobar si el impedimento estérico de algunos grupos funcionales
y la distribución de cargas dentro de una misma molécula es un factor decisivo en la
sensación de percepción del olor. La figura 4.4 muestra una etapa del procedimiento de
obtención de esta propiedad.
Figura 4. 4 Análisis de polaridad en Vega ZZ.
4.4 Programas estadísticos

4.4.1 Random Forest
El modelo de Random Forest es un algoritmo de aprendizaje automático supervisado que
se construye a partir de algoritmos de árboles de decisión y que se aplica en varias
industrias para predecir el comportamiento de un conjunto de datos, resolver problemas
de regresión y clasificación. Este algoritmo establece el resultado en función de las
predicciones de los árboles de decisión y realiza predicciones tomando el promedio o la
medida de la salida de varios árboles. A continuación, se da una breve explicación de los
términos que permiten comprender el funcionamiento del algoritmo.
Árboles de decisión
Un árbol de decisión es un conjunto de condiciones en una estructura jerárquica, de modo
que la decisión final a tomar se puede determinar siguiendo las condiciones que se
cumplen desde la raíz del árbol hasta alguna de sus hojas. La principal ventaja de este
método es la simplicidad de su explicación dado que funciona como un conjunto de reglas
predictivas y que los datos outliers o faltantes no afectan considerablemente el modelo.
Otra de las ventajas corresponde a la posibilidad de incluir variables categóricas sin tener
Página 61 de 123
el problema de realizar una mala clasificación. Además, permite manejar predictores

cuantitativos y cualitativos sin la necesidad de crear variables indicadoras. Entre sus
principales desventajas se encuentran el alto riesgo de sobreajuste del modelo, además
de la alta sensibilidad que posee al cambio de datos de entrenamiento, es decir, no es
robusto. Cuando se trata con variables continuas pierde parte de la información al
categorizarlas en el momento de la división de los nodos. Por esta razón, el modelo suele
conseguir mejores resultados en clasificación que en regresión.
Existen dos tipos de árboles: los árboles de regresión, correspondientes a aquellos que
trabajan con variables de respuestas continuas, y los árboles de clasificación, que se
asemejan a los anteriores, con la diferencia que éstos logran predecir variables de
respuesta cualitativas en lugar de continuas. El proceso de construcción de un árbol de
decisión se divide en tres etapas. Primeramente, se realiza la división sucesiva del espacio,
donde se generan regiones rectangulares de múltiples dimensiones; y luego, se realiza la
predicción de la variable respuesta en cada región creada en la etapa anterior. La ecuación
N°13 presenta el criterio frecuentemente utilizado para identificar las divisiones, el
“Residual Sum of Square” (RSS), donde 𝑦̂𝑅𝑗 es la media de la variable respuesta en la
región 𝑅𝑗 .
𝐽
2
𝑅𝑆𝑆 = ∑ ∑(𝑦𝑖 − 𝑦̂𝑅𝑗 ) (13)
𝑗=1 𝑖∈𝑅𝑗
La división binaria recursiva es la siguiente etapa en la construcción de los árboles de

decisión. Este proceso comienza en lo más alto del árbol, donde todas las observaciones
pertenecen a la misma región. Al realizar la predicción, se recorre el árbol en función de
los valores que tienen sus predictores hasta llegar a uno de los nodos terminales. En el
caso de los árboles de regresión, el valor predicho suele ser la media de la variable
respuesta de las observaciones de entrenamiento que están en ese mismo nodo.
Métodos de ensamble Random Forest

Existen problemas con los árboles de predicción, ya que sufren desequilibrio entre el
sesgo y la varianza. El sesgo es un concepto que describe la distancia promedio de las
predicciones respecto a los valores reales mientras que la varianza representa
cuantitativamente cuanto varía el modelo dependiendo de la muestra empleada en el
entrenamiento. Cuando un modelo aumenta su complejidad, dispone de mayor
flexibilidad para ser adaptado a las observaciones, permitiendo que se reduzca el sesgo y
mejore su capacidad predictiva. El sobreajuste de los datos de entrenamiento en los
Página 62 de 123
árboles de decisión sobre el modelo provoca que este se vuelve incapaz de predecir de
manera correcta las nuevas observaciones, por lo que el mejor modelo será siempre aquel
que consiga un equilibrio entre los conceptos de sesgo y varianza. Para obtener este
equilibrio se debe evitar árboles de decisión muy pequeños, que no sean capaces de
representar bien la relación entre las variables, teniendo un sesgo alto y poca varianza.
También se deben evitar los árboles de decisión muy grandes que se ajustan bien a los
datos de entrenamiento (sesgo bajo), a costas de tener mucha varianza. En este sentido,
los métodos de ensamble, entre los que se encuentran el Bagging y el Boossting, permiten
alcanzar dicho equilibrio.
El modelo Bagging tiene como objetivo ajustar muchos árboles en paralelo, formando lo
que se denomina “bosque”, donde todos los árboles que componen el bosque participan
aportando su propia predicción y entregando, como valor final, la media de todas las
predicciones emitidas para variables continuas; En el caso de trabajar con variables
cualitativas, el modelo considera la clase más frecuente para definir la predicción final.
Uno de los modelos Bagging más conocidos y utilizados es Random Forest.
El modelo Bossting trabaja en paralelo, ajustando de manera secuencial múltiples

modelos sencillos, de forma que cada uno aprende de los errores del modelo anterior y
como valor final entrega una media de todas las predicciones o la clase más frecuente,
según sea el tipo de variable. En la figura 4.5 se muestra gráficamente los diferentes tipos
de métodos de ensamblaje.
Figura 4. 5 Tipos de métodos de ensamble.
Random Forest
Dentro de las principales ventajas del modelo Bagging, se encuentra la escasa necesidad
de preparación de los datos, lo que permite manejar hasta miles de variables de entrada e
identificar las más significativas mediante una gráfica de salida. Sin embargo, entre las
principales desventajas se encuentra la inevitable pérdida de interpretación, el poco
Página 63 de 123
control que se tiene sobre el modelo y la poca eficiencia en la obtención de valores de

regresión, ya que no es posible predecir más allá del rango de valores del conjunto de
datos de entrenamiento.
Dada la naturaleza del proceso de decisión de Random Forest, es posible estimar de forma
directa la prueba de error sin necesidad de recurrir a la validación cruzada o a un conjunto
de datos de prueba independiente. Los árboles se ajustan de forma repetida utilizando
muestras generadas por bootstrapping, un muestreo repetitivo que conlleva un ajuste que
usa solamente dos tercios de las observaciones originales, dejando sin utilizar el tercio
restante que se denomina out-og-bag (OOB). Este método se aplica para evitar recurrir al
proceso de validación cruzada para la optimización de hiperparámetros, siempre y cuando
el número de árboles de decisión sea alto o el valor del OOB-error sea equivalente al error
de validación cruzada.
Dentro de este modelo existen parámetros modificables que mejoran la capacidad de

predicción, el incremento del promedio de errores al cuadrado (MSE) y el incremento de
la pureza de los nodos. Dentro de estos se encuentran los hiperparámetros, que
corresponden a variables capaces de mejorar los modelos y sus resultados, el primero de
ellos es “ntree”: que corresponde al número de árboles en el bosque; “mtry”: el número
de variables aleatorias como candidatas en cada ramificación; y “sampsize”: el número de
muestras sobre las cuales entrenar, que tiene como valor por defecto un 63,25%. Por
último, se tiene “nodesize”: que corresponde al número mínimo de muestras dentro de
los nodos terminales; y los “maxnodes”: que representa el número máximo de nodos
terminales.
4.4.2 Redes neuronales

El método de redes neuronales se utilizará para predecir las concentraciones del
compuesto en diferentes fases (Fierro, 2016). En este apartado, se presentará como la
inteligencia artificial puede ser un método útil en la modelación de datos y los principales
fundamentos en que se basa. La idea principal de este método es extraer combinaciones
lineales de las entradas como características derivadas y luego modelar la variable
respuesta como una función no lineal de estas características.
Inteligencia artificial
Las redes neuronales artificiales (ANN) están diseñadas para imitar la estructura del
cerebro humano con el fin de crear inteligencia artificial (IA), una disciplina científica que
estudia los mecanismos de construcción de sistemas inteligentes, como la inteligencia
humana (Guzman, 2020). Dentro de la inteligencia artificial existen dos perspectivas, la IA
Página 64 de 123
simbólica y la IA Sub-simbólica (Isasi, 1997). La perspectiva simbólica consiste en el

estudio de los mecanismos de razonamiento humano de alto nivel, relacionado con el
enfrentamiento y resolución de problemas. En cambio, la perspectiva sub-simbólica trata
de estudiar los mecanismos físicos que capacitan a los humanos como seres inteligentes.
El objetivo de las redes neuronales artificiales (RNA) es diseñar máquinas con elementos
neuronales que imiten, de la forma más real, el comportamiento de los sistemas
neuronales de los animales.
Sistema nervioso
El mecanismo fundamental que capacita a los humanos para realizar tareas complejas no
preprogramadas se denomina sistema nervioso y está formado principalmente por
neuronas. Una neurona humana es una célula que consta de las siguientes partes, el soma
o el cuerpo celular, del que emanan dendritas y el axón. La comunicación entre las
neuronas ocurre a través de las terminaciones sinápticas, ubicadas en las dendritas que en
conjunto con un axón transmiten impulsos nerviosos a las neuronas subsiguientes. En la
figura 4.6, se muestra un diagrama de una neurona y sus principales componentes.
Figura 4. 6 Neurona biológica.
Fuente. “Métodos de redes neuronales artificiales”, 2016
La comunicación entre dos o más neuronas permite coordinar una función en el

organismo a través de los impulsos nerviosos de comunicación. El cerebro memoriza
información que se relaciona con los valores sinápticos de las conexiones entre las
neuronas, generándose el conocimiento.
En este punto, una red neuronal artificial se presenta de manera similar a la del sistema
biológico, con componentes como las entradas, las capas, el algoritmo y las salidas. En la
figura 4.7 se simboliza la distribución de una red neuronal artificial.
Página 65 de 123
Figura 4. 7 Estructura de un sistema neuronal.
Fuente. “Redes Neuronales”, 2020.
Modelo de neurona artificial

Una neurona artificial es un elemento que posee un estado interno denominado “nivel de
activación” que puede recibir señales que modifiquen su estado actual, llamadas
excitadores o inhibidores, según sea el tipo de señal recibida. Estos niveles dependen de
las entradas recibidas (U) y de los valores sinápticos, donde el valor de U se determina
sumando todas las entradas (𝑥𝑗 ) ponderados por cierto valores, denominados pesos
(𝑤𝑖𝑗 )(ver ecuación N°14).
𝑘
𝑈 = ∑ 𝑤𝑖𝑗 𝑥𝑗 (14)
𝑗=1
De esta manera el modelo contiene un sumador, que se encarga de adicionar todas las
entradas multiplicadas por sus respectivas sinapsis, una función de activación (f) no lineal
para limitar la amplitud de salida y un umbral exterior, que determina el valor umbral (w0)
de activación de la neurona. En la figura 4.8 se muestra un esquema representativo de
una unidad de proceso típica de una neurona artificial.
Página 66 de 123
Figura 4. 8 Unidad de Proceso típica de una neurona.
Función de activación
Esta función corresponde a una representación simultánea de la salida de la neurona y de
su estado de activación, que se define mediante la ecuación N°15.
𝑦𝑖 = 𝑓𝑖 (𝑈𝑖 ) = 𝑓𝑖 (∑ 𝜔𝑖𝑗 𝑥𝑗 ) (15)

𝑗=0
Esta ecuación corresponde al mecanismo por el cual la neurona analiza la información de

entrada y la pasa a través de su red. En las redes de neuronas artificiales, esto se llama
función de activación de umbral, que entrega una señal de salida cuando se ha alcanzado
un umbral de entrada específico. En la figura 4.9 se muestra un ejemplo de función de
activación umbral.
Figura 4. 9 Ejemplo de una función de activación neural.
Página 67 de 123
La principal diferencia entre las distintas funciones de activación es el rango de señal de

salida. Es primordial realizar una buena elección de la función de activación ya que ésta
determina el ajuste de la red neuronal a ciertos tipos de datos de manera más apropiada,
permitiendo la construcción de redes neuronales especializadas.
Composición de una red neuronal

Como se aprecia en la figura 4.10, y según lo mencionado previamente, una red neuronal
artificial está compuesta por una capa de entrada y por las neuronas, que reciben datos
desde el entorno y son encargadas de asignar los valores de todas las variables
predictoras. La segunda componente corresponde a la capa oculta, denominada capa
interna de la red, la cual no posee una conexión directa con el entorno. Por último, se
tiene la capa de salida que está compuesta por las neuronas de la variable de respuesta y
es en donde se obtienen las predicciones o los valores pronosticados.
La capacidad de una red neuronal para aprender se basa en su topología o patrones y la

estructura de interconectado de las neuronas, siendo las principales características para
configurar la arquitectura de la red: el número de capas, el número de nodos dentro de
cada capa y la existencia de retroalimentación dentro de las neuronas
(“Backpropagation”).
Figura 4. 10 Composición de una red neural.
Modelo neuronal perceptrón

El modelo perceptrón propuesto por Frank Rosenblatt es capaz de realizar tareas de
clasificación automática a partir de un conjunto de ejemplos de clases diferentes,
mediante un grupo de neuronas llamadas nodos de entrada, que reciben señales no
procesadas directamente de los datos de entrada (Rosenblatt, 1957). Cada uno de estos
Página 68 de 123
nodos es responsable de procesar una característica del conjunto de datos y el valor de

ésta será transformada por la función de activación del nodo correspondiente.
Finalmente, las señales enviadas por los nodos de entrada son recibidas por el nodo de
salida, que utiliza su propia función de activación para generar una predicción final. En la
figura 4.11 se muestra un esquema representativo de un Perceptrón.
Figura 4. 11 Esquema representativo de una neurona según modelo de Perceptrón.
Modelo neuronal perceptrón multicapa

En 1969, Minsky y Papert demostraron que la combinación de varios perceptores simples
era adecuada para solucionar problemas no lineales. Sin embargo, no fue hasta 1986 que
Rumelhart, Hinton y Williams presentaron una manera de retropropagar los errores
dando lugar a lo que se conoce como regla delta generalizada. Dentro de las redes
neuronales, el perceptrón multicapa es uno de los modelos más utilizados en la actualidad
para la resolución de problemas. Un perceptrón multicapa (MLP) es un perceptrón que se
une con perceptrones adicionales apilados en varias capas para resolver problemas
complejos. Su esquema se muestra en la figura 4.12.
Este modelo de red se caracteriza porque sus neuronas están agrupadas en tres niveles, la
capa de entrada, las capas ocultas y las capas de salida. En el esquema de percepción se
puede apreciar que cada neurona o nodo recibe información unidireccionalmente por lo
que se le denomina red feedforward (Isasi, 1997).
Página 69 de 123
Figura 4. 12 Ejemplo de perceptrón multicapa.
En este modelo, el número de nodos de entrada están predeterminados por el número de

características en los datos ingresados y, en el caso de los nodos de salida, por el número
de resultados a modelar o el número de clases de niveles de resultado. Por último, el
usuario puede definir el número de nodos ocultos antes de entrenar el modelo. Un
número mayor de neuronas dará como resultado un modelo que refleje mejor los datos
de entrenamiento, pero se corre el riesgo de sobreajustarlo.
Entrenamiento de la red neuronal

El funcionamiento de una red neuronal se asemeja a una neurona real, que requiere
entrenamiento para adquirir un nuevo aprendizaje, ya que a medida que una red neuronal
artificial procesa los datos de entrada, las conexiones entre las neuronas se fortalecen o se
debilitan de forma similar a lo que ocurre en el cerebro humano. Los pesos de estas
conexiones se ajustan para reflejar los patrones observados a lo largo del tiempo. Este
proceso se llama “Backpropagation” y genera épocas o ciclos, que incluyen una fase en
que las neuronas se activan en secuencia desde la capa de entrada a la capa de salida,
aplicando los pesos y la función de activación. Además de generar una señal de salida tras
la capa final, se cuenta con una fase hacia atrás, en que la señal de la red resultante de la
fase hacia delante se compara con el valor objetivo usando los datos de entrenamiento. La
diferencia entre la señal de salida y el valor real da como resultado un error que se
propaga hacia atrás en la red para modificar los pesos de conexión entre las neuronas y
reducir los errores futuros.
Página 70 de 123
5. Metodología
5.1 Base de datos
La base de datos creada inicialmente para este estudio estaba formada por un total de
103 compuestos, la cual fue modificada para entregar mayor validez a los resultados
obtenidos, aumentando su contenido a 205 compuestos odoríferos. Ambas versiones de
la base de datos contenían compuestos orgánicos e inorgánicos, además de las
propiedades físicas, químicas y descriptivas de sus moléculas, así como su umbral de
detección de olor. Los compuestos analizados fueron escogidos de forma aleatoria
respecto a los datos disponibles en bibliografía, limitando el estudio, en el caso de los
compuestos orgánicos, a compuestos cuyo largo de cadena principal no excediera los siete
carbonos. La identificación de cada compuesto se realizó utilizando su fórmula molecular y
nombre químico, además del número de identificación de compuesto (CID) para la
búsqueda de los modelos 3D de la estructura química de cada uno de ellos.
La aleatoriedad de los compuestos escogidos para la base de datos tiene como finalidad el
permitir generalizar los resultados obtenidos, donde la relación planteada entre el umbral
de detección y las distintas propiedades será válida para cualquier compuesto odorífero
inorgánico y orgánico que posea entre 1 y 7 carbonos. Aunque las propiedades y fuentes
de información serán mencionadas en el siguiente apartado, en la tabla 5.1 se muestra un
resumen de ellas.
Tabla 5. 1 Resumen de fuentes de información de propiedades.
Nombre propiedad Fuente de información

Fórmula molecular PubChem
Nombre compuesto PubChem
Grupo funcional PubChem
Constante de Henry Instituto Max Planck de química
NTP320: Umbrales olfativos y seguridad de
sustancias químicas peligrosas
Concentración umbral
Measurement of odor Threshold by triangle
Odor Bag Method
Constantes de acidez y basicidad Handbook of Chemistry and Physics
Grado de disociación Handbook of Chemistry and Physics
Coeficiente de partición Handbook of Chemistry and Physics
Dimensiones físicas (alto, ancho, largo) Vega ZZ
Volumen Vega ZZ
Área polar Vega ZZ
Página 71 de 123
PubChem es una base de datos de moléculas operada por el Centro Nacional para la
Información Biotecnológica (NCBI) de Estados Unidos, que proporcionó las principales
variables para identificar los compuestos odoríferos, entre las que se encuentra: el
nombre del compuesto, su fórmula química, el número identificador de compuesto (CID) y
la estructura 3D de las moléculas (PubChem , 2021). Esta última es fundamental para el
cálculo de las dimensiones de alto, largo y ancho de los compuestos a través del programa
de modelación molecular Vega ZZ. Dicho programa que incluye funciones y herramientas
de cálculo, que también permitieron obtener el volumen y el área polar de cada molécula.
El valor de las constantes de Henry se obtuvo de la base de datos creada por Sander en el
año 2015, que corresponde a una compilación de 4632 compuestos, basada en 689
referencias bibliográficas (Sander, 2015). Los valores de concentración umbral se
obtuvieron de dos estudios: 1) “Measurement of odor Threshold by triangle Odor Bag
Method”, el cual busca obtener los umbrales de olor de 223 compuestos bajo el método
de la bolsa (Nagata, 2003); 2) “NTP 320: Umbrales Olfativos y Seguridad de Sustancias
Químicas Peligrosas”, un compilado de 216 sustancias odoríferas peligrosas y sus
umbrales olfativos orientado a determinar el grado de seguridad de su percepción en el
trabajo (Arenaz, 2000). Finalmente, con la ayuda del “Handbook of Chemistry and Physics”
se obtuvieron las propiedades químicas de los compuestos orgánicos e inorgánicos, tales
como las constantes de acidez y basicidad y el coeficiente de partición, que forman parte
de la base de datos (Lide, 2004).
5.2 Análisis estadístico

Los estudios de olores realizados con anterioridad por otros autores abarcan e incluyen
propiedades relacionadas al tamaño y peso del compuesto, como el peso molecular y el
número de átomos de carbono o elementos específicos dentro de sus estructuras, además
de analizar la influencia de ciertos grupos funcionales en la sensación de percepción de
olor. Sin embargo, estos estudios suelen relacionar dichas características con el tono
hedónico del olor emitido y no con la intensidad generada por el olor y/o alguna
característica relacionada con ella. En base a esto, se planteó desarrollar un modelo que
permitiese relacionar ciertas características físicas y químicas de los compuestos
odoríferos con la concentración umbral del olor relativa a cada una de sus fases de estado
y su interacción con el organismo, como una referencia de la intensidad percibida,
empleando estadística de interpretación y valoración cuantitativa de las relaciones entre
diferentes propiedades.
Página 72 de 123
5.2.1 Selección de variables

Como variables de estudio se consideraron tanto aquellas empleadas en estudios
anteriores (peso molecular y presencia de grupos funcionales) como otras no
comúnmente relacionadas con la percepción de olores, como la constante de Henry, la
capacidad de disociación, la distribución de cargas, la capacidad de oxidación, etc. Estas
variables se incorporaron de forma progresiva tras analizar la influencia que podrían tener
en cada etapa del proceso de percepción, desde que el compuesto se disuelve en la nariz,
hasta que traspasa las membranas del organismo, como es el caso de las variables
objetivo concentración en fase acuosa y la concentración en fase orgánica.
Inicialmente todas las propiedades del estudio fueron incorporadas en su forma estándar,
sin embargo, a lo largo de la investigación, se incorporaron transformaciones de variables
que permitieron analizar de mejor forma el conjunto de datos. La totalidad de
propiedades utilizadas en el estudio se encuentran en la tabla 5.2, junto a sus respectivas
unidades métricas.
Tabla 5. 2 Propiedades utilizadas en el estudio.
Propiedades estudiadas Unidades
Peso molecular [g/mol]
Constante de Henry [mol/m3·Pa]
Concentración en fase acuosa [mol/L]
Concentración umbral [mol/L]
Concentración en fase orgánica [mol/L]
Constante de acidez [-]
Constante de basicidad [-]
Grado de disociación [-]
Ácido o base [-]
Log (P) [-]
DQO [mol de O2/g de compuesto]
Volumen [Å3]
Indicador de grosor [-]
Indicador de asimetría [-]
Presencia de grupo funcional [-]
Área polar [Å2]
Página 73 de 123
5.2.2 Métodos estadísticos

Para el desarrollo de la investigación se realizaron cuatro análisis estadísticos: 1) El análisis
de componentes principales (ACP); 2) regresión por Random Forest; 3) correlación lineal
múltiple (CLM); 4) redes neuronales (RN). Estas herramientas permitieron analizar datos y
definir las variables que determinarían la concentración umbral del olor en las distintas
fases de interacción del compuesto oloroso con el organismo: 1) fase gaseosa: en esta
fase se tomó como referencia de concentración el umbral de detección del olor
(concentración umbral); 2) fase acuosa: corresponde a la mucosa acuosa de la nariz y la
concentración de esta fase se calculó en base al umbral de detección del olor y a la
constante de Henry (concentración umbral en la fase líquida); 3) fase orgánica:
corresponde al sistema olfativo. La concentración en esta fase se calculó en base a la
concentración en la fase acuosa y al valor del coeficiente de partición (concentración
umbral en la fase orgánica).
A continuación, se mencionará la metodología utilizada para la obtención del modelo

propuesto, según cada uno de los análisis estadísticos antes mencionados, en orden
cronológico y con las modificaciones realizadas a lo largo de la investigación. Por otro
lado, en la figura 5.1 se presenta un esquema con las decisiones y cambios realizados a lo
largo del estudio.
A. Análisis de componentes principales

El estudio se inició con la recolección de información para conformar la base de datos, que
inicialmente contaba con 103 compuestos odoríferos y 5 propiedades de estos: el peso
molecular, la constante de Henry, la presencia de grupos funcionales, la concentración
umbral y la concentración umbral en fase acuosa. Al inicio de la investigación se buscó
utilizar un método de análisis estadístico que identificara las propiedades con mayor
relevancia en el fenómeno de percepción. Para esto, se utilizó como herramienta el
análisis de componentes principales ya que permitía expresar un conjunto de variables en
una serie de combinaciones lineales de factores no correlacionados entre sí, entregando
relaciones factibles entre las propiedades descriptoras y la variable objetivo. Para su
aplicación se utilizó, como herramienta principal, el software de gráficas y computación
estadística “R for Windows” y como suplemento “XLSTAT by Addinsoft”, un complemento
de análisis de datos de Excel.
Página 74 de 123
Figura 5. 1 Diagrama de proceso "Análisis estadístico"
Página 75 de 123
Figura 5. 2 Diagrama de proceso "Análisis estadístico" (continuación).
Página 76 de 123
Tras realizar los primeros análisis no se obtuvieron resultados favorables, por lo que
rápidamente se incorporaron nuevas propiedades y se aplicaron distintas estrategias de
análisis como la clasificación de datos, cuya implementación surge del amplio rango de
valores observado en algunas propiedades como: la constante de Henry, la concentración
umbral y la concentración umbral en fase acuosa, para las cuales se realizaron
clasificaciones en potencias de diez. Posterior a esto se incorporaron tres nuevas
propiedades químicas (la constante de acidez, la constante de basicidad y el logaritmo del
coeficiente de partición). En base a ello, se realizó una nueva clasificación de los
compuestos en función de su capacidad para disociarse, distinguiendo dos grupos de
compuestos: los que tienen carácter ácido o básico y aquellos que no poseen capacidad
para disociarse. La aplicación de dichas estrategias de análisis de datos tenía como fin
identificar patrones o relaciones existentes en ciertos rangos y/o clasificaciones de las
propiedades incorporadas. Sin embargo, tras obtener resultados no favorables, se decidió
incluir en el análisis una nueva variable: la concentración umbral en la fase orgánica. La
incorporación de esta variable brindó una nueva perspectiva sobre el proceso de
percepción, indicando si el conjunto de datos propuesto era capaz de inferir sobre el
proceso del traspaso de las membranas del organismo por parte de los olores.
Los resultados obtenidos hasta este momento no brindaron más información respecto a
las componentes principales del proceso de percepción, entregando únicamente indicios
de las propiedades involucradas en la percepción de olor y que coincidían con las que
conformaban los estudios revisados de otros autores. Dado que se logró apreciar una leve
correlación en cierto grupo de propiedades, se decidió aplicar una regresión por Random
Forest, con el fin de facilitar la interpretación de los resultados, a través de una variable
cuantitativa, que permitiese identificar de mejor forma el impacto de algunas propiedades
sobre el modelo.
De los análisis realizados con el método de componentes principales, sólo se expondrán

en la sección de resultados aquellos que entregaron información relevante para la
obtención del modelo final. Los demás resultados serán expuestos en la sección de
anexos.
B. Regresión por Random Forest

El uso del programa “Random Forest” de “R for Windows” permitió expresar de forma
numérica la capacidad que tiene el conjunto de datos propuesto para predecir el valor de
la variable objetivo, además de indicar gráficamente cuales de ellas poseen mayor
Página 77 de 123
influencia. Este programa logra reducir la cantidad de variables en el modelo a través de

sucesivas iteraciones que tienen por objetivo alcanzar el mejor valor para la “%var
explained”. Ésta es una variable respuesta porcentual entregada por el programa, que, en
rasgos generales, indica la capacidad en porcentaje que posee el modelo para explicar la
variable respuesta.
Inicialmente, los modelos de Random Forest contemplaron como variable objetivo la

concentración umbral en las tres fases (concentración umbral, concentración umbral en la
fase acuosa y concentración umbral en la fase orgánica), además de diez propiedades
descriptoras, que tras los primeros resultados se aumentarían a trece. Por otra parte, se
modificaron algunas propiedades ya consideradas en el análisis anterior, como es el caso
de la presencia de grupos funcionales. En el análisis de componentes principales, ésta
correspondía a una variable cualitativa y fue transformada en una variable numérica
dependiente de la cantidad de grupos funcionales contenidos en la estructura de cada
compuesto.
Es así como se evaluó continuamente la “%var explained” hasta alcanzar un modelo

favorable, probando combinaciones entre las propiedades descriptoras y la variable
objetivo con el fin de encontrar la conjugación de ellas que pudiera explicar mejor el
fenómeno de percepción. Con el fin de dar mayor validez y reciprocidad al modelo
propuesto se realizaron diversas acciones: variar parámetros del programa (número de
árboles), aumentar a 205 los compuestos de la base de datos, clasificar los datos según el
grupo funcional y el valor de la concentración umbral y normalizar las variables.
Tras realizar varios análisis se descubrió la existencia de un fenómeno estadístico llamado

autocorrelación que afectaba directamente a los resultados obtenidos. Esta característica
consiste en el uso de dos variables específicas que juntas carecen de significado, ya que
una de ellas se correlaciona con la otra. En nuestro modelo afectó directamente las
parejas de: concentración umbral en la fase acuosa/constante de Henry y concentración
umbral en la fase orgánica/coeficiente de partición. Tras la identificación de este
fenómeno se modificaron los conjuntos de variables y como resultado se obtuvieron
valores bajos para el porcentaje de explicación, los que se revertirían al aplicar la
estrategia de transformación de variables, utilizando el logaritmo en base 10 de las
concentraciones umbrales en las 3 fases.
El empleo del análisis de regresión mediante Random Forest permitió cuantificar los
resultados obtenidos en el análisis de componentes principales mediante una herramienta
más amigable, logrando observar en cada combinación de variables como evolucionaba el
Página 78 de 123
modelo. Tras obtener las propiedades significativas, fue necesario indagar el tipo de
correlación existente, los coeficientes de regresión y el residuo generado, lo que se realizó
mediante un análisis de regresión lineal múltiple.
C. Regresión lineal múltiple

Los análisis de regresión lineal múltiple se realizaron en paralelo con las regresiones del
programa Random Forest ya que solo se aplicó a los mejores modelos obtenidos (los que
surgen tras la transformación logarítmica de las variables respuesta) con el objetivo de
estimar las relaciones entre variables, ajustándolas a una regresión lineal.
Con ayuda del programa estadístico “R for Windows”, mediante cual se realizan las
regresiones lineales múltiples del estudio, se lograron determinar los compuestos cuyas
propiedades excedían o se encontraban por debajo del valor medio de los datos,
considerándolos como “valores atípicos”. En base a esto se decidió trabajar con 2 grupos
de datos de forma independiente: un grupo que incluye todos los compuestos y otro que
no presentaba valores atípicos en su interior. A cada grupo se le realizó un análisis de
regresión considerando como variables objetivo el logaritmo de la concentración umbral y
el logaritmo de la concentración umbral en la fase acuosa.
Los ajustes obtenidos para ambos grupos de datos fueron satisfactorios y bastantes
similares, aunque se apreció que, en el grupo de datos sin valores atípicos, los valores de
la “%var explained” eran mucho mayores que los obtenidos en caso de considerar todos
los compuestos. Dado que los datos atípicos eran en torno a un 50% de los compuestos de
la base de datos, se trató de encontrar algún un patrón que permitiese identificarlos tal
como: la relación de Oxígeno/Hidrógeno, el peso molecular, la polaridad, entre otros.
Finalmente, a cada modelo generado se le aplicaron tres pruebas estadísticas con el fin de
validarlos: la prueba de Goldfeld, que analiza la homocedasticidad y mide la variabilidad
constante de los residuos; la prueba de Shapiro, que verifica una distribución normal en
los resultados y la prueba de Durbin-Watson, que detecta la autocorrelación en el modelo.
D. Redes neuronales
En este estudio se aplicó el método de las redes neuronales para extraer combinaciones
lineales de las propiedades con el fin de modelar la variable objetivo como una función no
lineal de dichas propiedades. Se realizó de forma simultánea con la regresión lineal
múltiple, como otra vía para dar forma al modelo y se aplicó únicamente a los mejores
resultados obtenidos con Random Forest. Al realizar el análisis, la base de datos fue
segmentada aleatoriamente por el programa en dos partes, llamadas datos de prueba y
Página 79 de 123
datos de entrenamiento, que representan un 20 y 80% de los datos, respectivamente, y

que permitieron desarrollar y validar el modelo de la red neuronal.
Los resultados se obtuvieron para el mejor modelo de Random Forest, basado en el

conjunto de datos sin valores atípicos. Sin embargo, se decidió implementar otra
transformación, el escalado de variables, y es que el conjunto de datos posee variables
con un amplio rango de valores por lo que necesitaban ser confinados en un rango menor.
Tras llevar a cabo la estrategia de transformación de variables se compararon los valores
de error de cada conjunto de datos (datos de entrenamiento y datos de prueba), con el fin
de evaluar que el modelo responda de forma similar a distintos grupos de compuestos.
Inicialmente las redes neuronales se utilizaron como un medio de respaldo de la

regresión, con el objetivo de confirmar la existencia de correlaciones no lineales entre las
variables. Sin embargo, tras obtenerse resultados favorables tanto para las redes
neuronales (basados en sus errores), como para la correlación lineal múltiple (medidos
por coeficiente de determinación), se decidió obtener el valor de R2 para las redes
neuronales con el fin de compararlo con el obtenido en la regresión lineal múltiple y, así,
definir cuál sería el modelo más adecuado para describir la percepción de olores y el
método estadístico que permitiría validar dicho modelo.
Página 80 de 123
6. Resultados y Discusión
6.1 Resultados obtenidos
A continuación, se expondrán los resultados obtenidos para cada uno de los análisis
realizados en este estudio.
6.1.1 Análisis de componentes principales (PCA)

Este análisis tuvo como propósito encontrar posibles relaciones entre cada una de las
propiedades estudiadas y reducirlas según la afinidad resultante con la variable objetivo,
permitiendo optimizar el número de variables a incluir en el modelo.
6.1.1.1 Clasificación de valores para la concentración umbral

Inicialmente, se relacionaron las variables tradicionalmente estudiadas en materia de
olores de los 103 compuestos que formaban la primera base de datos, entre las que se
encuentran la presencia de grupos funcionales, el peso molecular y la concentración
umbral, con la particular incorporación de la constante de Henry. Sin embargo, los
resultados obtenidos no mostraron la existencia de relaciones entre las propiedades que
permitiesen dar explicación a la percepción de olor. Debido a lo anterior, en un nuevo
análisis (y en todos los siguientes), se decidió incorporar la concentración umbral de la
fase acuosa y el coeficiente de partición, como propiedades representantes de la
interacción de los compuestos y el organismo a lo largo del proceso de percepción de olor
(Tabla 6.1). Además, dado que existía un amplio rango de valores de la concentración
umbral para los compuestos considerados (3,4·10-8-5,2·103mol/L), se decidió analizar los
datos considerando cinco rangos de potencias de 10 (ver Anexo N°2).
Tabla 6. 1 Propiedades consideradas en el primer modelo.
Propiedades incluidas Unidades

Constante de Henry [mol/m3Pa]
Concentración umbral en fase [mol/L]
acuosa
Coeficiente de partición [-]
Grupos funcionales [-]
Respecto a los resultados obtenidos, se puede mencionar que la gran mayoría de los
compuestos formaban parte del primer rango de datos, donde los valores de la
concentración umbral son menores a 0,1[mol/L], siendo en este rango donde se
Página 81 de 123
obtuvieron los mejores resultados. En la tabla 6.2, se aprecia que, para el primer rango de
datos, los tres primeros componentes principales explican el 78,9% de la variación de los
datos. Sin embargo, es necesario revisar los valores obtenidos sobre los vectores propios
presentes en la tabla 6.3, para asociar las distintas propiedades con la sensación de
percepción. Por ejemplo, es posible apreciar que el peso molecular y “log P”, que
corresponde al logaritmo del coeficiente de partición, poseen una influencia positiva con
la primera componente principal, presentado mayor relevancia la variable “log P”. Esto
indica que dentro de los factores que definen el fenómeno de percepción de olores, tiene
mayor importancia la afinidad con las grasas y la solubilidad que el tamaño del
compuesto. Las variables asociadas a la segunda y tercera componente principal puede
corroborar lo anteriormente mencionado, ya que se ven influenciadas por la constante de
Henry y la concentración umbral en fase acuosa.
Tabla 6. 2 Valores propios rango N°1.
F1 F2 F3 F4 F5
Valor propio 1,690 1,233 1,022 0,742 0,313
Variabilidad (%) 33,807 24,651 20,444 14,845 6,253
% acumulado 33,807 58,458 78,902 93,747 100,000
Tabla 6. 3 Vectores propios rango N°1.
Vectores Propios F1 F2 F3 F4 F5
Peso molecular [g/mol] 0,505 0,428 0,011 0,624 -0,415
Constante de Henry [mol/(m3Pa)] -0,259 0,576 -0,633 0,114 0,433
C umbral [mol/L] -0,451 -0,402 0,090 0,768 0,194
Concentración umbral en fase acuosa [mol/L] -0,149 0,509 0,768 -0,002 0,359
log P 0,673 -0,256 -0,021 0,089 0,688
En la figura 6.1, conocida como la gráfica de sedimentación, se observa que los

componentes con mayor relevancia para explicar el fenómeno de la percepción
corresponden a los componentes principales 1 y 2, donde los valores propios de cada uno
de éstos son mayores a 1 y la variabilidad acumulada es cercana al 60%. Con respecto a los
vectores propios, el primer componente principal posee asociaciones positivas con el
coeficiente de partición y el peso molecular, lo que permite relacionar este primer
componente con el tamaño del compuesto y, por lo tanto, con la capacidad para traspasar
las membranas olfativas. Por otro lado, el segundo componente principal tiene
asociaciones positivas con la constante de Henry y la concentración umbral en la fase
acuosa, lo que se puede interpretar como la relevancia de la solubilidad de los
Página 82 de 123
compuestos odoríferos. La representación gráfica de las influencias entre las dimensiones

y las propiedades se observa en la figura 6.2.
1.8 100
1.6
Variabilidad acumulada (%)

1.4 80
1.2
Valor propio
60
1
0.8
40
0.6
0.4 20
0.2
0 0
F1 F2 F3 F4 F5
eje
Figura 6. 1 Gráfica de sedimentación.
1 Concentra
Constante ción fase
0.75 de henry acuosa [
[mol/(m3 mol/L] Peso
Pa)] molecular
0.5
[g/mol]
0.25
F2 (24,65 %)
-0.25
log P
C umbral
-0.5
[mol/L]
-0.75
-1
-1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1
F1 (33,81 %)
Variables…
Figura 6. 2 Influencia de las variables estudiadas en las dimensiones 1 y 2.
La gráfica de puntuaciones muestra la distribución de los datos, que permite detectar

posibles aglomeraciones y valores atípicos (figura 6.3). En este caso, se encontró una gran
cantidad de datos atípicos y dos aglomeraciones de compuestos olorosos que coinciden
con grupos funcionales específicos, como los alcoholes, las amidas y las aminas.
Página 83 de 123
5 sulfuric acid
diethanolamine
4
3
F2 (24,65 %)
2 Tribromomethane
1 2-propenamide 4-methyl-3-oxa-1-
bis-(chloromethyl)
chloroethanoic acid
4-methyl-2-pentanone
1,1-dimethylhydrazine
(acrylamide) methyl
pentanol
methyl propenoate
(2- acid)
propanoate
pentanal
(chloroacetic ether ketone;
2-methyl-1-butanol
(methyl isobutyl
3-methyl-2-butanol
methyl methacrylate o-Dichlorobenzene
pyridine
(methyl
isopropoxyethanol)
(methyl acrylate)
propionate)
(isopentanol)
(valeraldehyde)
0 N,N- MIBK)
1-pentanol
3-buten-2-one (methyl 2-methyl-2-butanol
2-methylpropanal
propanal (amyl
butanal
propyl (butyraldehyde)
ethanoate
3-pentanol
2-
dimethylmethanamide nitric acid
2-propanamine
vinyl
ethanal
nitrogen monoxide ketone; MVK)(propionaldehyde)
(acetaldehyde) alcohol) chlorobenzene
triethylamine
(tert-pentanol)
(isobutyraldehyde)
ethylenediamine
(methylamino)ethanol
(N,N- chlorine (molecular) (propyl acetate)
1-pentene
1,2-dimethylhydrazine 1-butanol 1-butene
Benzene
2-butene
-1 (nitric oxide)
dimethylformamide)
methanal
2-methyl-1-propanol
1-butanamine (1-
methylhydrazine
(formaldehyde) (isobutanol)
ethylenimine butylamine)
-2
-4 -3 -2 -1 0 1 2 3 4 5
F1 (33,81 %)
Observaciones activas
Figura 6. 3 Puntuaciones dimensiones 1 y 2.
Finalmente, al analizar los resultados, se determinó que era necesario conservar en el

modelo y en futuros análisis, las variables que son un indicador de la solubilidad y del
tamaño de los compuestos, es decir, los que se asocian con las componentes principales 1
y 2.
6.1.1.2 Clasificación de los compuestos en base a su capacidad de disociarse

Conservando los resultados del modelo anterior y considerando que en la base de datos
existen compuestos que se ionizan, en mayor o menor grado, en una disolución acuosa, se
determinó incluir en el análisis propiedades tales como el grado de disociación, la
constante de acidez y la de basicidad ya que son indicadores de la capacidad que tiene un
compuesto para disociarse. Esta decisión se basa en que la concentración final percibida
por el sistema olfativo correspondería a la concentración de especie neutra. Por ello, se
hizo una clasificación de los compuestos en 2 grupos en base a su capacidad de
disociación: 1) compuestos que tienen la capacidad de disociarse, en este caso se
consideró que la concentración umbral en la fase acuosa vendría dada solamente por la
concentración de las moléculas neutras y; 2) compuestos que no poseen capacidad de
disociarse. En base a esta clasificación se realizó un análisis con la finalidad de identificar
posibles patrones asociados al fenómeno de la disociación en la percepción de olor.
Página 84 de 123
A. Conjunto de compuestos con capacidad de disociarse

Para este análisis se consideraron todos compuestos que pudiesen disociarse, los que
corresponden aproximadamente a un 20% del total de compuestos que conforman la
base de datos. Las propiedades incluidas en el análisis se encuentran en la tabla 6.4,
donde la concentración de fase acuosa corresponde a la concentración de la especie
neutra del compuesto tras la disociación.
Tabla 6. 4 Propiedades del modelo de conjunto de compuestos con capacidad de disociarse.
Propiedades incluidas Unidades
Peso Molecular [g/mol]
Constante de Henry [mol/m3Pa]

Concentración umbral en fase acuosa [mol/L]
Coeficiente de partición [-]
Constante de acidez [-]
Constante de basicidad [-]
Grado de disociación [-]
En la figura 6.4, se observa que las constantes de acidez y basicidad poseen una asociación
positiva hacia la segunda componente principal, lo que se relaciona con la capacidad de
disociación de los compuestos, es decir, con el carácter ácido o básico que estos poseen.
Por otro lado, la primera componente principal posee una influencia negativa sobre el
peso molecular, lo que relaciona dicha componente con el tamaño del compuesto.
Finalmente, en la gráfica de puntuaciones no se observaron aglomeraciones en la
distribución de datos, pero se distingue la existencia de algunos datos fuera de la
distribución principal, considerados datos atípicos (figura 6.5). Los dos componentes
principales mencionados explican en un 52,58% la variabilidad de los datos, por lo que la
inclusión de las propiedades asociadas a la disociación de compuestos no sería suficiente
para dar explicación al fenómeno de percepción.
Página 85 de 123
Figura 6. 4 Influencias de los compuestos con capacidad para disociarse.
Figura 6. 5 Puntuaciones de los compuestos con capacidad para disociarse.
Página 86 de 123
B. Conjunto de compuestos sin capacidad de disociarse

Este análisis incluye únicamente a aquellos compuestos que no sufren disociación,
abarcando al 80% de los compuestos de la base de datos. A continuación, se expondrán
los resultados obtenidos.
De los resultados de la figura 6.6, se puede determinar que las propiedades de los
compuestos que poseen la capacidad de disociarse tienen un efecto en el modelo
generado, ya que los resultados de los componentes principales y sus influencias varían
respecto a los resultados que los incluyen. Para este conjunto de datos, el peso molecular
muestra una influencia positiva en la segunda componente principal, confirmando la
relación existente entre el tamaño de los compuestos y la sensación de percepción. Por
otro lado, la concentración en fase acuosa posee una influencia positiva en la primera
componente principal. Esto indica que, en el caso de los compuestos que no se disocian, la
capacidad de disolverse en la mucosa nasal toma mayor relevancia en la percepción de
olores. Finalmente, ambos componentes principales son capaces de explicar la variación
de datos en un 71,21%, un porcentaje mayor al obtenido con el primer grupo de datos.
Figura 6. 6 Influencias de los compuestos sin capacidad de disociarse.
Página 87 de 123
Figura 6. 7 Gráfica de puntuaciones de los compuestos sin capacidad de disociarse.
El análisis de componentes principales se utilizó como guía para determinar cuáles de las
propiedades consideradas poseían una relación con la percepción del olor; estas son: la
constante de Henry, las constantes de acidez y basicidad, la concentración umbral en la
fase acuosa y el peso molecular. Sin embargo, hay que considerar que este método
estadístico solo analiza relaciones del tipo lineal simple, por lo que, a partir de este punto,
se aplicaron otras herramientas estadísticas con el fin de profundizar en el análisis de los
datos.
En el Anexo N°3 se muestran otros análisis realizados mediante el método de

componentes principales cuyos resultados no fueron satisfactorios.
6.1.2 Análisis de correlación por Random Forest

En este apartado se realizó un análisis de correlación, el que permitió asociar variables
numéricas entre sí. Para ello, se utilizaron las herramientas estadísticas de Excel y Random
Forest, explicadas en el apartado “4.4 Programas estadísticos”.
Para verificar la existencia de una correlación entre las diferentes propiedades y la

concentración umbral en las 3 fases, se usó el programa R bajo el método “Random
Forest”, el cual expresa de forma numérica, a través del porcentaje de explicación (“%var
explained”), la capacidad que tiene el conjunto de datos entregado para predecir el valor
de la variable objetivo. Con el fin de obtener un modelo con la mayor capacidad de
predicción posible, se analizaron varias combinaciones de las propiedades descriptoras y
se crearon diferentes clasificaciones de datos. También se realizaron ajustes en los
Página 88 de 123
parámetros del código del programa, como el número de árboles y/o nodos, para
convertir el modelo en uno más estable y recíproco. Además, se modificaron y/o
incorporaron nuevas propiedades a la base de datos con el fin de mejorar los resultados
de las correlaciones.
En la tabla 6.5, se encuentra un listado completo de las propiedades físicas y químicas

utilizadas en los distintos modelos propuestos a lo largo del estudio mientras que en la
tabla 6.6 se presentan los datos obtenidos para cada uno de ellos. A continuación, se
describirán de forma más detallada los modelos que permitieron obtener los mejores
resultados con este método estadístico. Los resultados de los modelos que no entregaron
información relevante a este estudio se encuentran en el anexo N°4.
Tabla 6. 5 Propiedades utilizadas en los modelos de Random Forest.
Propiedades Modelo Modelo Modelo Modelo Modelo Modelo Modelo Modelo Modelo
Unidades
incluidas 1 2 3 4 5 6 7 8 9
X X X X X X X X X
Constante de X X X X X X - X -
[mol/m3·Pa]
Henry
Concentración X X X X X X X - X
umbral en fase [mol/L]
acuosa
Concentración X X X X X X - X -
[mol/L]
umbral
Concentración X X X X X X - - -
umbral en fase [mol/L]
orgánica
Constante de X X - - - - - - -
[-]
acidez
Constante de X X - - - - - - -
[-]
basicidad
- - X X X - X - -
Ácido o base [-]
X X X X X X X X X
Log (P) [-]
[mol de X - X X X - X X X
DQO O2/g de
compuesto]
- - X X X X X X X
Volumen [Å3]
Indicador de - - X X X - X - -
[-]
grosor
Indicador de - - X X X X X X X
[-]
asimetría
X X X - - - X - -
Grupo funcional [-]
- - - X X - X X X
Área polar [Å2]
Página 89 de 123
Tabla 6. 6 Resultados obtenidos para los modelos de Random Forest.
Concentración Concentración
Concentración
Resultado umbral en fase umbral en fase
umbral
acuosa orgánica
Var explained 0,90% -5,68% -4,72%
Modelo
1
Number of trees 500 500 500
Var explained 2,64% -6,00% -4,16%

Modelo
2
Var explained 18,31% 46,77% 30,43%

Modelo
3
Var explained 14,30% 73,10% 32,20%

Modelo
4
Var explained -21,51% 72,05% 12,86%

Modelo
5
Var explained - 92,34% -

Modelo
6
Number of trees - 500 -
Var explained -0,19 % 5,16% -

Modelo
7
Number of trees 1000 1000 -
Var explained 53,56% - -

Modelo
8
Number of trees 2000 - -
Var explained - 58,5% -

Modelo
9
Number of trees - 2000 -
Página 90 de 123
El primer modelo propuesto alcanzó solo un 0,90% de explicación para la concentración

umbral (modelo 1). Este modelo se encontraba descrito por las 10 propiedades indicadas
en la Tabla 6.5, entre las que se encontraban propiedades físicas asociadas al tamaño,
peso y composición de los compuestos, además de propiedades asociadas a la capacidad
de disociación de las moléculas olorosas. Con el propósito de aumentar el porcentaje de
explicación, se llevó a cabo distintas combinaciones para esas 10 variables, obteniéndose
como mejor resultado el modelo 2, que combinaba 9 propiedades, cuyo porcentaje de
explicación presentaba un aumento de 1,74% respecto al primer modelo (tabla 6.6).
Aunque este modelo seguía teniendo un bajo porcentaje de explicación, fue significativo
en términos generales de la investigación, ya que nos permitió apreciar la dispersión que
algunas propiedades podrían entregar al modelo generado.
La incorporación y transformación de variables cualitativas en cuantitativas y viceversa

(grupos funcionales y constantes de acidez y basicidad) permitieron aumentar el
porcentaje de explicación hasta el 46,77% para la concentración umbral en fase acuosa
(modelo 3). Posterior a esto, se incorporó como variable a estudiar el área polar de la
molécula (modelo 4), obteniéndose un porcentaje de explicación de un 73,10% para la
concentración umbral en fase acuosa (ver tabla 6.6). Esto indicaría un gran aporte a la
correlación del modelo por parte de propiedades que se relacionen con la polaridad de los
compuestos. Tras la incorporación de la última variable (área polar), se realizaron
múltiples clasificaciones de datos, con el fin de analizar los datos en grupos o rangos de
valores e identificar patrones o correlaciones en dichas clasificaciones (para la revisión de
algunos de sus resultados ver anexo N°4).
Respecto a los cambios y estrategias aplicadas anteriormente (transformación,

clasificación e incorporación de variables), sólo se expondrá en esta sección los obtenidos
tras la normalización de variables (Modelo 5). Este modelo incluye un análisis de las tres
fases de concentración definido por las mismas 12 variables que el modelo 4 (que no
presenta normalización). Sin embargo, resultados indicaron que el modelo 5 alcanzó
porcentajes de explicación incluso menores a los del modelo 4.
Tras analizar los resultados obtenidos hasta este momento, que los modelos generados
podrían presentar problemas de robustez y reciprocidad por lo que se decidió ampliar la
base de datos usada a un total de 205 compuestos. En base a ella se desarrollaron los
modelos posteriores.
Página 91 de 123
El modelo 6 es el resultado de una extensa búsqueda que indaga en la mejor combinación

de variables para dar explicación al fenómeno de percepción de olores a partir de la
concentración umbral en la fase acuosa. Este modelo se describió en base a 8 variables y
alcanzó un porcentaje de explicación del 92,34%. Sin embargo, se determinó que este
resultado era producto de un fenómeno estadístico llamado autocorrelación de datos,
debido a que las parejas de variables: concentración umbral en la fase acuosa/constante
de Henry y concentración umbral en la fase orgánica/coeficiente de partición estaban
relacionadas entre sí. Por este motivo, se realizaron modificaciones en la base de datos,
reagrupando las variables en cada modelación (Modelo 7), obteniendo bajos porcentajes
de explicación (tabla 6.6).
Finalmente, se decidió aplicar una transformación logarítmica a los valores de la

concentración umbral y de la concentración umbral en la fase acuosa, dando lugar a los
modelos 8 y 9, respectivamente. El modelo 8 se definió en base siete propiedades
descriptoras, que fueron capaces de explicar en un 53,56% la variabilidad de los datos, y
entre las cuales, el área polar y la constante de Henry poseían una mayor influencia según
se observa en la gráfica MSE de la figura 6.8. En el caso del modelo 9, éste contemplaba
seis propiedades y logró explicar en un 58,5% la variabilidad de los datos, siendo el
coeficiente de partición y el área polar las propiedades con un mayor impacto en el
modelo (figura 6.9).
Figura 6. 8 Gráfica MSE del modelo 8.
Página 92 de 123
Figura 6. 9 Gráfica MSE del modelo 9.
En resumen, el uso de Random Forest permitió cuantificar las correlaciones entregadas

por el análisis de componentes principales, dando paso a determinar de forma fiable que
propiedades incluir en el modelo y cuales descartar.
6.1.3 Análisis de regresión

El análisis de regresión es un proceso estadístico que permitió estimar las relaciones entre
variables para el caso de usar como variables objetivo tanto el logaritmo de la
concentración umbral como para el logaritmo de la concentración umbral en la fase
acuosa. Para llevar a cabo este análisis se utilizó la herramienta estadística “R for
Windows” con la que, para cada tipo de concentración, se realizaron estudios con dos
modelos: 1) un modelo con la totalidad de los 205 compuestos de la base de datos
llamado “modelo con valores atípicos”; 2) un modelo, llamado “modelo sin valores
atípicos”, correspondiente a un análisis en el que se eliminaron todos los compuestos que
el propio programa clasificaba como valores atípicos. El objetivo principal de estudio era
ajustar el modelo a una regresión lineal y verificar que cumplía con las condiciones para
ser considerado como tal, evaluando la colinealidad de las propiedades consideradas y
validándolo a través de 3 pruebas estadísticas.
Página 93 de 123
6.1.3.1 Regresión del modelo 8

Para el análisis al logaritmo de la concentración umbral se incluyeron siete propiedades
para dar forma a la estructura inicial del modelo descrito por la ecuación N°16. Los
resultados para los modelos con y sin datos atípicos se especifican a continuación.
log 𝐶𝑢𝑚𝑏𝑟𝑎𝑙 ~ log 𝑃 + 𝐷𝑄𝑂 + 𝐼𝑛𝑑𝑖𝑐𝑎𝑑𝑜𝑟 𝑑𝑒 𝑎𝑠𝑖𝑚𝑒𝑡𝑟í𝑎 + 𝑣𝑜𝑙𝑢𝑚𝑒𝑛𝑐𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑜

+ Á𝑟𝑒𝑎 𝑃𝑜𝑙𝑎𝑟 + log 𝐻 + 𝑃𝑒𝑠𝑜 𝑀𝑜𝑙𝑒𝑐𝑢𝑙𝑎𝑟 (16)
A. Modelo con valores atípicos.

Como se mencionó con anterioridad, este modelo incluye los valores atípicos presentes en
la distribución de datos, contando con un total de 205 compuestos odoríferos. Respecto a
los resultados obtenidos, cabe destacar que tres variables presentaron colinealidad (log P,
indicador de asimetría y log H), por lo que fueron desestimadas del modelo (ver ecuación
N°17). Se obtuvo un valor bajo de R2 de 0,27 lo que indica que sólo se puede explicar en
un 27% la variabilidad del logaritmo de la concentración umbral de los compuestos con el
modelo propuesto. A pesar de este bajo valor, el modelo es válido, ya que posee un valor-
p menor a 0,05.
log 𝐶𝑢𝑚𝑏𝑟𝑎𝑙 ~ 𝑃𝑒𝑠𝑜 𝑚𝑜𝑙𝑒𝑐𝑢𝑙𝑎𝑟 + 𝐷𝑄𝑂 + 𝑉𝑜𝑙𝑢𝑚𝑒𝑛 + Á𝑟𝑒𝑎 𝑃𝑜𝑙𝑎𝑟 (17)
En la figura 6.10 se pueden observar los resultados entregados por el programa “R”,
donde dos de las cuatro variables consideradas en el modelo poseen un valor-p menor a
0,05 lo que indicaría que tanto el volumen como el área polar aportan a la correlación del
modelo. También se estudiaron también posibles correlaciones exponenciales y
logarítmicas con dichas propiedades, sin obtener mejores resultados que los presentados
en esta sección.
Los resultados obtenidos para este modelo muestran que la concentración umbral vendría
definida en base a propiedades relacionadas al tamaño del compuesto y a la distribución
de cargas de este. Conclusiones similares se obtuvieron de un análisis previo bajo el
método de análisis de componentes principales, confirmando el aporte al modelo por
parte de las propiedades asociadas al tamaño y a la distribución de cargas.
Página 94 de 123
Figura 6. 10 Resultados regresión lineal del modelo con valores atípicos.
Según los valores obtenidos en las pruebas estadísticas (tabla 6.7), el modelo no cumple
con los requerimientos mínimos para ser considerado como regresión lineal múltiple, ya
que la prueba de Goldfeld muestra que los residuos del modelo no presentan
homocedasticidad, es decir, que su varianza no es constante y que estos no se distribuyen
de forma aleatoria. Por otro lado, la prueba de Shapiro indica que no existe una
distribución normal de los residuos. Tras los análisis realizados y los resultados expuestos
se rechaza este modelo de regresión lineal, ya que no solo el coeficiente de regresión es
bajo, sino que no cumple con dos de los tres indicadores de validación.
Tabla 6. 7 Resultados pruebas estadísticas del modelo 8 con valores atípicos.
Prueba Estadística Valor obtenido Condición Validación
Goldfeld 0,001221 >0,05 NO
Durbin-Watson 0,05378 >0,05 SI
Shapiro 1,543e-7 >0,05 NO
B. Modelo sin valores atípicos.

En este caso se eliminaron los datos clasificados como atípicos de la base de datos,
considerados como aquellos cuyo valor sobrepasa el de media en más de 3 desviaciones
estándar. Con ayuda del programa “R for Windows” se determinaron que datos eran
atípicos, tal como se muestra en la figura 6.11. Del total de datos disponibles, se
identificaron 82 compuestos como datos atípicos, quedando un conjunto de 123
compuestos olorosos disponibles para realizar el análisis.
Página 95 de 123
Figura 6. 11 Ejemplo de identificación datos atípicos.
Una vez eliminados los valores atípicos, el proceso de correlación identificó 2 variables
colineales (indicador de asimetría y peso molecular) que fueron excluidas del modelo
(ecuación N°18).
log 𝐶𝑢𝑚𝑏𝑟𝑎𝑙 ~ log 𝑃 + 𝐷𝑄𝑂 + 𝑉𝑜𝑙𝑢𝑚𝑒𝑛𝑐𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑜 + Á𝑟𝑒𝑎 𝑃𝑜𝑙𝑎𝑟 + log 𝐻 (18)
Este modelo tiene con un R2 de 0,76, es decir, que con sus componentes es capaz de
explicar en un 76,89% la variabilidad observada en el logaritmo de la concentración
umbral, siendo su valor-p significativo ( 2,2·e-16). Respecto a las propiedades predictoras
todas cumplen con un valor menor a 0,05 para el valor-p por lo que se consideran
significativas y que generan contribución al modelo (figura 6.12).
Las pruebas estadísticas de homocedasticidad, distribución normal y autocorrelación

permiten validar el modelo como una regresión lineal múltiple, según los resultados
obtenidos (ver tabla 6.8). En la ecuación N°19 se muestra el modelo obtenido mediante
este análisis, con los coeficientes estimados para cada variable descriptora.
log 𝐶𝑢𝑚𝑏𝑟𝑎𝑙 ~ − 0,457061 log 𝑃 − 24,141964 𝐷𝑄𝑂 − 0,01581 𝑉𝑜𝑙𝑢𝑚𝑒𝑛𝑐𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑜

− 0,036044 Á𝑟𝑒𝑎 𝑃𝑜𝑙𝑎𝑟 + 0,167202 log 𝐻 + 4,389413 (19)
Página 96 de 123
Figura 6. 12 Regresión lineal del modelo 8 sin valores atípicos.
Tabla 6. 8 Pruebas estadísticas del modelo 8 sin valores atípicos.
Prueba Estadística Valor obtenido Valor referencia Validación
Goldfeld 0,4099 > 0,05 SI
Durbin-Watson 0,2527 > 0,05 SI
Shapiro 0,1107 > 0,05 SI
Con el de fin de estudiar si era posible identificar compuestos atípicos, se decidió generar
una variable llamada “O/H”, que da valor a la relación de los átomos de oxígeno e
hidrógeno del compuesto. Se generó esta variable como una medida de la posible
distribución de cargas en el compuesto, dada la diferencia de electronegatividad entre
estos elementos, ya que ésta podría afectar a la percepción olfativa.
Tras el análisis se encontró una leve tendencia, donde los datos clasificados como atípicos
poseen una O/H levemente mayor que aquellos que permanecen en la base de datos
(tabla 6.9). No obstante, no es posible asegurar estadísticamente que el valor de la
relación O/H defina si el compuesto será considerado como un dato atípico o no. Es
importante mencionar que el 48% de los compuestos del conjunto de datos sin valores
atípicos poseen un valor de 0 para esta relación. Este porcentaje aumenta a un 62% para
el grupo exclusivo de valores atípicos.
Página 97 de 123
Tabla 6. 9 Análisis para discriminar datos atípicos en función de la relación O/H.
Valores atípicos Valores típicos
N°de Datos 82 123
Promedio O/H 0,153 0,098
Desviación estándar 0,420 0,120
Valor máx 3 0,5
Valor min 0 0
Se realizó nuevamente el análisis de regresión lineal, incorporando como variable la

relación Oxígeno/Hidrógeno. La incorporación de esta variable mejoró notablemente el
coeficiente de correlación de los datos cuando se incluyen los correspondientes a los
valores atípicos (R2 de 0,32) pero este coeficiente muestra una disminución cuando el
análisis se realiza excluyendo los datos atípicos, con un valor de R2 de 0,69 (tabla 6.10).
Tabla 6. 10 Resultados de la regresión lineal considerando la variable O/H.
Regresión Lineal R2
Grupo con atípicos 0,32
Grupo sin atípicos 0,69
Respecto a los resultados obtenidos, cabe mencionar que el número de valores atípicos
disminuye al incluir la variable “relación O/H” en el modelo, quedando un total de 151
compuestos odoríferos en el conjunto de datos. Sin embargo, este conjunto en particular
no cumple con la prueba de Durbin Watson, deduciendo así que el modelo posee
autocorrelación (Ver Tabla 6.11). La incorporación de esta variable no aportó nuevas
relaciones al modelo, por lo que, respecto a esta sección, se estableció como mejor
resultado el presente en la ecuación N°19.
Página 98 de 123
Tabla 6. 11 Pruebas estadísticas de la regresión lineal considerando la variable O/H.
Prueba Estadística Valor obtenido Valor referencia Validación
Durbin-Watson 0,0266 > 0,05 NO
Shapiro 0,1185 > 0,05 SI
6.1.3.2 Regresión modelo 9.

En el modelo 9, la variable a predecir corresponde al logaritmo de la concentración umbral
en la fase acuosa y se incluyen seis propiedades (ecuación N°20). Los resultados obtenidos
para cada grupo de datos se exponen en los siguientes apartados.
log 𝐶𝑓𝑎𝑠𝑒 𝑎𝑐𝑢𝑜𝑠𝑎 ~ log 𝑃 + 𝐷𝑄𝑂 + 𝐼𝑛𝑑𝑖𝑐𝑎𝑑𝑜𝑟𝑎𝑠𝑖𝑚𝑒𝑡𝑟í𝑎 + 𝑣𝑜𝑙𝑢𝑚𝑒𝑛𝑐𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑜 + Á𝑟𝑒𝑎 𝑃𝑜𝑙𝑎𝑟

+ 𝑃𝑒𝑠𝑜 𝑀𝑜𝑙𝑒𝑐𝑢𝑙𝑎𝑟 (20)
A. Modelo con valores atípicos.

El modelo obtenido en este caso contempla cinco de las seis propiedades consideradas
inicialmente ya que el peso molecular presentó colinealidad (ecuación N°21).
log 𝐶𝑓𝑎𝑠𝑒 𝑎𝑐𝑢𝑜𝑠𝑎 ~ log 𝑃 + 𝐷𝑄𝑂 + 𝐼𝑛𝑑𝑖𝑐𝑎𝑑𝑜𝑟𝑎𝑠𝑖𝑚𝑒𝑡𝑟í𝑎 + 𝑣𝑜𝑙𝑢𝑚𝑒𝑛𝑐𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑜 + Á𝑟𝑒𝑎 𝑃𝑜𝑙𝑎𝑟 (21)
Este modelo presenta un R2 de 0,43 y los valores de valor-p para sus cinco variables
descriptoras son menores a 0,05, indicando que todas las variables incluidas aportan al
modelo (figura 6.13).
A través de los resultados obtenidos para las pruebas estadísticas, se determinó que el
modelo no es válido como regresión lineal, ya que no cumple con los indicadores de
Durbin-Watson y Shapiro, que reflejan la autocorrelación y la distribución normal de
residuos, respectivamente (tabla 6.12).
Página 99 de 123
Figura 6. 13 Regresión lineal del modelo 9 con valores atípicos.
Tabla 6. 12 Resultado de las pruebas estadísticas del modelo 9 con valores atípicos.
Prueba Estadística Valor referencia Valor referencia Validación
Durbin-Watson 3,872e.6 > 0,05 NO
Shapiro 3,163e-5 > 0,05 NO
B. Modelos sin valores atípicos.

En este caso se encontraron 75 compuestos con valores atípicos, generando el modelo
con los 130 compuestos odoríferos restantes. Respecto a las variables descriptoras que
conformaron el modelo inicial, solo el peso molecular presentó colinealidad, por lo que
fue excluida del análisis (ecuación N°22).
log 𝐶𝑓𝑎𝑠𝑒 𝑎𝑐𝑢𝑜𝑠𝑎 ~ log 𝑃 + 𝐷𝑄𝑂 + 𝐼𝑛𝑑𝑖𝑐𝑎𝑑𝑜𝑟𝑎𝑠𝑖𝑚𝑒𝑡𝑟í𝑎 + 𝑣𝑜𝑙𝑢𝑚𝑒𝑛𝑐𝑜𝑚𝑝𝑢𝑒𝑠𝑡𝑜 (22)
El modelo presentó un R2 de 0,704, y se las cuatro variables que lo conforman, tres

aportan a la regresión (log P, DQO e indicador de asimetría) (figura 6.14).
Mediante las pruebas estadísticas, se determinó que el modelo no es válido como

regresión lineal, ya que solo cumple con dos de los tres indicadores, presentando fallas en
la distribución normal de residuos que se mide a través de la prueba de Durbin-Watson
(tabla 6.13).
Página 100 de 123

Figura 6. 14 Regresión lineal del modelo 9 sin datos atípicos.
Tabla 6. 13 Resultado de las pruebas estadísticas del modelo 9 sin datos atípicos.
Prueba Estadística Valor referencia Valor obtenido Validación
Durbin-Watson 0,0007 > 0,05 NO
Shapiro 0,8668 > 0,05 SI
6.1.4 Redes neuronales

Se aplicó la herramienta de redes neuronales, cuyos fundamentos se encuentran descritos
en el apartado “4.4.2 Redes neuronales”, al modelo 8, ya que fue el que mostró mejores
resultados durante la regresión lineal múltiple. Para este análisis se tuvieron en cuenta las
siete variables descriptivas consideradas inicialmente en este modelo: el peso molecular,
el logaritmo del coeficiente de partición, la DQO, el volumen, el área polar, el indicador de
asimetría y el logaritmo de la constante de Henry. La base de datos fue segmentada en
dos partes, denominadas datos de prueba y de entrenamiento, que representan un 20 y
un 80%, respectivamente, del total de los compuestos, los cuales son distribuidos de
forma aleatoria por el programa. Los datos de entrenamiento permiten al algoritmo
encontrar un patrón para predecir el resultado frente a un nuevo conjunto de datos y, a
través de ellos, entrenar la red neuronal propuesta, mientras que los datos de prueba se
usan para comprobar si el modelo generado predice adecuadamente. Esta comprobación
Página 101 de 123

se hace en base al error de las redes neuronales cuyo valor debe presentar magnitudes
similares durante el entrenamiento y la prueba.
Por último, los valores de los conjuntos de datos (de prueba y de entrenamiento) fueron
escalados antes de realizar el análisis, es decir, se cambió el rango de distribución de éstos
para ser acotados en una escala menor. Esto permitió aumentar la calidad de los datos
ingresados, evitando el sobreajuste del modelo y obteniendo como resultado una red
neuronal de mayor rendimiento. Las redes neuronales generadas corresponden a el
modelo N°8 de la sección de regresión lineal múltiple, dispuestas en dos secciones con
diferentes conjuntos de datos a analizar: Una red neuronal que incluye la totalidad de
compuestos (A) y una red neuronal que no considera los valores atípicos del conjunto de
datos (B).
La estructura de las redes neuronales viene caracterizada por el número de nodos y de

pasos y, en sus esquemas, las interacciones se muestran en forma de flechas con un
número asociado, el cual representa el peso de la interacción entre la propiedad y el
nodo. Éste actúa como un centro de operación en el que se ponderan las interacciones de
cada variable que llegan a ese punto.
A. Red neuronal con valores atípicos.

En este caso las redes neuronales se generaron considerando los 205 compuestos que
componen la base de datos y siete propiedades descriptoras. La figura 6.15 muestra la red
neuronal de los datos de entrenamiento que corresponden a un 80 % de la totalidad de
los compuestos. En esta red, es posible apreciar que existe un gran número de
interacciones entre las propiedades y los nodos de ésta, registrándose siete de ellos,
además de un mayor número de capas ocultas, lo que se interpreta como una alta
necesidad de realizar transformaciones al conjunto de datos para obtener el mismo valor
de concentración umbral. Cabe destacar que no se observan variables con un peso de
valor cero, por lo que todas generan un aporte al modelo.
En la figura 6.16, se presenta la red neuronal basada en los datos de prueba que
corresponden a un 20% del total de datos disponibles. En ella es posible apreciar que la
variable con más peso corresponde al indicador de asimetría. Además, se observa que no
existe ausencia de conexión entre las propiedades y los nodos, lo que se interpreta como
que cada descriptor genera un aporte al modelo. Esta red presenta una estructura mucho
más simple que la de la red neuronal generada por los datos de entrenamiento.
Página 102 de 123

Figura 6. 15 Red neuronal de los datos de entrenamiento escalados del modelo 8 con datos atípicos.
Figura 6. 16 Red neuronal de los datos de prueba escalados del modelo 8 con datos atípicos.
Finalmente, en la tabla 6.14 se muestran los valores de error y el número de pasos de la

red neuronal de cada conjunto de datos. Aunque es difícil establecer un criterio que
Página 103 de 123

permita considerar si el valor de los errores es “aceptable”, ya que no se encontraron

estudios similares en materia de intensidad olores que sirvan como referencia, se tomó
como antecedente el estudio de Tiziano Zarra (Tiziano Zarra, 2019), que consiste en una
revisión sobre la aplicación de redes neuronales artificiales para el manejo de olores
ambientales y cuyos resultados manejan redes neuronales del tipo “Perceptrón
multicapa-Back Forward” y funciones de error cuadrático medio (MSE) similares a las
utilizadas en este estudio.
Por último, al comparar los valores de los errores de ambas redes neuronales (datos de
entrenamiento y datos de prueba), se evidencia que el modelo de red neuronal no es
eficiente, puesto que sus valores de error son considerados altos y con una diferencia
amplia entre ellos, según el estudio de referencia. Cabe destacar que cuando se generaron
las redes neuronales con estos mismos datos, pero sin escalar, los errores obtenidos tanto
para los datos de entrenamiento como de prueba eran aún mayores que aquellos
obtenidos con los datos preprocesados (escalados) (ver anexo N°5).
Tabla 6. 14 Resultados de las redes neuronales para el modelo 8 con datos atípicos.
Datos Entrenamiento Prueba
Error 1,0596 4,9604
N° de pasos 12489 809
N° de nodos 7 3
B. Red neuronal sin valores atípicos.

Para generar las redes neuronales sin los compuestos que mostraban valores atípicos, se
consideraron seis propiedades descriptoras y un total de 123 compuestos. La red neuronal
obtenida con los datos de entrenamiento presentó un total de 7 nodos y una capa oculta
(figura 6.17) y su error y número de pasos son 0,509 y 4191, respectivamente, (tabla 6.15).
Se puede observar que el conjunto de datos requiere de una mayor cantidad de
transformaciones y pasos (respecto a la red neuronal de los datos de prueba) por la red
para obtener el valor final del logaritmo de la concentración umbral, cuyo principal aporte
viene dado por el logaritmo de la constante de Henry y la DQO, según el peso de sus
interacciones.
Página 104 de 123

Figura 6. 17 Red neuronal de los datos de entrenamiento escalados del modelo 8 sin datos atípicos.
La red neuronal basada en los datos de prueba presentó 4 nodos, con interacciones entre
todas las variables (figura 6.18). Es posible determinar que dentro de la red neuronal el
indicador de asimetría y el logaritmo de la constante de Henry corresponden a las
variables con mayor influencia.
Figura 6. 18 Red neuronal de los datos de prueba escalados del modelo 8 sin datos atípicos.
Los valores de los errores obtenidos para ambos conjuntos de datos muestran una
diferencia de 0,81 entre sí (tabla 6.15) que, según Tiziano Zarra (2019), indicaría que la red
neuronal resultante no es eficiente ya que posee valores de error muy altos en ambos
conjuntos de datos.
Página 105 de 123

Tabla 6. 15 Resultados de las redes neuronales para el modelo 8 sin datos atípicos.
Error 0,5096 1,3270
N° de pasos 4191 914
N° de nodos 7 3
En resumen, los resultados obtenidos en esta sección demuestran que existe una relación
entre las propiedades descriptivas escogidas, presentando una red neuronal multicapa
con un número bajo de nodos e interacción entre todas las variables para obtener el valor
final del logaritmo de la concentración umbral. Sin embargo, no se obtuvo una red
neuronal consistente que cumpliera con valores bajos de error, lo que indica un fallo en el
conjunto de datos en la fase de entrenamiento proveniente de la falta de datos,
exponiendo el análisis a un sobreajuste de la red neuronal, ya que la estabilidad de ésta es
directamente proporcional a la cantidad de los datos entregados al algoritmo.
Tabla 6. 16 Valores del coeficiente de regresión obtenidos para el modelo 8 sin datos atípicos.
Red neuronal (datos de entrenamiento) Regresión lineal múltiple

R2 0,071 0,76
Si bien las redes neuronales son capaces de explicar la existencia de relaciones entre los
descriptores y la variable objetivo, éstas no pueden aportar información sobre los tipos de
relaciones existentes entre ambos, por lo que, no es posible obtener un modelo que
permita identificar las operaciones existentes entre ellos, no permitiendo replicar esa
relación con otro análisis estadístico.
Finalmente, se estimó el valor del coeficiente de regresión para la red neuronal resultante
sin los datos atípicos, obteniendo una red poco eficiente con un valor de R 2 bajo. Tras
compararlo con el valor obtenido en la regresión lineal múltiple, se identifica que el
modelo que mejor se ajusta al conjunto de datos propuestos corresponde al de la
regresión lineal múltiple (tabla 6.16).
6.2 Discusión de los resultados

De los resultados obtenidos en esta investigación, se logró identificar algunas de las
propiedades fisicoquímicas que contribuyen a la intensidad de percepción de moléculas
Página 106 de 123

que aportan a la contaminación odorífera. Mediante el análisis de regresión lineal múltiple

se demostró que propiedades como: el coeficiente de partición, la demanda química de
oxígeno, el volumen del compuesto, el área polar y la constante de Henry, permiten
determinar el valor de la concentración umbral de un compuesto odorífero y, con ello,
estimar la intensidad percibida por nuestro sistema olfativo. Hasta la fecha, los trabajos
realizados en esta área se han centrado más bien en correlacionar las propiedades físicas y
químicas de los compuestos con el tono hedónico del olor generado, estableciendo reglas
estructurales para definir la calidad de un olor en base a sus componentes (Chastrette,
2002; Genva et al., 2019; Kerman, 2011). Y, existen pocos estudios enfocados en definir el
aporte de propiedades fisicoquímicas de los compuestos a la intensidad de percepción
(Keller et al., 2016; Nagata, 2003). La novedad del presente estudio frente a éstos se
encuentra en la incorporación de propiedades asociadas a los equilibrios gas-líquido-fase
orgánica y al grado ionización de los compuestos, las cuales influyen en el proceso de
percepción. Además, otra novedad a destacar es el uso de inteligencia artificial para la
detección de correlaciones asociadas a la intensidad de percepción.
Tras el análisis de los datos es necesario discutir algunos aspectos de gran importancia
sobre los métodos estadísticos y los conjuntos de datos utilizados. En primer lugar, el
diseño del mejor modelo obtenido mediante Random Forest surge del preprocesamiento
de los datos, a través de la transformación logarítmica de algunas variables, lo que podría
generar un sobreajuste de los datos a un modelo lineal, alterando los valores de regresión.
Por otro lado, el conjunto de datos utilizado para la generación del modelo final se redujo
en un 40% tras eliminar los valores atípicos. La característica descriptora que clasifica los
datos como valor atípico aun es desconocida, por lo tanto, cabría la duda de que el
modelo pudiese presentar buena reciprocidad frente a un número mayor de compuestos
(asumiendo que tras el análisis de valores atípicos se reduce en la misma proporción).
Estos antecedentes dan cuenta de porqué estudios similares realizaron estudios “pilotos”
con una cantidad reducida de compuestos, para luego replicarlos con una nueva base de
datos (Keller et al., 2017). Por último, mencionar que el modelo final contempla el área
polar de los compuestos como un factor involucrado en la percepción de olores, aún
cuando una gran parte de los datos poseen la cualidad de ser apolar, lo que afectaría la
estimación del valor final de la concentración umbral mediante la aplicación del modelo
obtenido. Por lo tanto, se prevé que el modelo tendría un menor coeficiente de varianza
en los compuestos apolares.
De acuerdo con los resultados obtenidos, se encontró una asociación estadísticamente

significativa entre siete propiedades descriptoras y el logaritmo de la concentración
Página 107 de 123

umbral. Algunas de estas propiedades ya fueron contempladas anteriormente en las

teorías de percepción de olores (Sharma et al., 2019).
Durante la realización de este estudio, se presentaron una serie de limitantes que

dificultaron el análisis y la interpretación de los resultados obtenidos. Dentro de éstas
destacan:
-Tamaño de la muestra: el universo de compuestos odoríferos es muy grande y diverso,

por lo que siempre existe la posibilidad de poseer una muestra no representativa, lo que
dificulta la generalización del modelo a cualquier compuesto odorífero.
-Información disponible sobre valores de concentración umbral: La escasa bibliografía

actual disponible y la sensibilidad que presenta la variable de concentración umbral
respecto a métodos de medición dificultaron la etapa de creación del conjunto de datos.
Página 108 de 123

7. Conclusiones y recomendaciones
Los problemas relacionados con los olores no deseados y sus consecuencias tras ser
emitidos al aire deben abordarse de forma inmediata. Actualmente se requiere de un
mayor nivel de conocimiento para la contención de los efectos adversos generados en la
población. Basado en esto, se realizó una investigación centrada en aportar nuevas
direcciones de estudio, en la que se obtuvo un modelo que relaciona el logaritmo de la
concentración umbral con propiedades asociadas a la lipofilicidad, solubilidad y
distribución de carga de los compuestos, a través de una regresión lineal, con un R2 de
0,76. Este modelo fue validado mediante las pruebas estadísticas de Goldfeld, Durbin-
Watson y Shapiro, que evalúan homocedasticidad, autocorrelación y distribución normal
de residuos, respectivamente.
Es posible apreciar que el modelo no considera el peso molecular y la presencia de grupos

funcionales, propiedades que otros estudios han encontrado relevantes para explicar el
tono hedónico o las notas olfativas de los compuestos odoríferos. Sin embargo, que
propiedades asociadas a estudios anteriores no formen parte del modelo propuesto en
este trabajo no significa que no contribuyan en la sensación de percepción, sino que
existen otras propiedades que, según los resultados obtenidos, poseen mayor influencia.
Se recomienda para futuras investigaciones ampliar la gama de compuestos a estudiar,
considerar la clasificación de datos como una estrategia estadística e implementar nuevas
herramientas, tales como la inteligencia artificial, que sean un aporte al estudio de olores.
El modelo obtenido en la presente tesis podría ser usado para predecir la concentración
umbral de un compuesto y de esa forma poder establecer su límite de emisión en función
de las condiciones meteorológicas y de la distancia entre la fuente emisora y la población,
evitando así posibles problemas socioambientales.
Página 109 de 123

8. Referencias
AQUALOGY. (2014). Generación de Antecedentes para la elaboración de una regulación para el
control y prevención de olores en Chile. Santiago de Chile.
Arenaz, J. (2000). NTP 320: Umbrales Olfativos y Seguridad de Sustancias Químicas Peligrosas.
España.
Benjamin D. young, (2019). Odors: From Chemical Structures to gaseous plumes. Elsevier, 29.
Bettina Malnic, D. C.-K. (2010). La neurobiología del Olfato. CRC PRESS.
Bourgeois, A. (2017). Theories of olfaction: A review. Revista Interamericana de Psicología, 19-

31.
Centro Nacional de Información de la Calidad. (s.f.)(2020). Contaminación Odorífera.
Chastrette, M. (2002). Chemical Classification and Structure-Odour Relationships. En M.

Chastrette, Olfaction, Taste and Congnition (págs. 100-116). Cambridge: Cambridge
University.
Congreso Nacional del Medio Ambiente. (2014). Contaminación odorífera. Madrid.
Departamento de Ruido, Lumínica y Olores; Ministerio del Medio Ambiente. (2017).

Estrategia para la gestión de olores en Chile. Santiago de Chile.
ECOTEC INGENIERÍA LTDA. (2013). Estudio: Antecedentes para la regulación de olores en

Chile. Santiago.
Eddy, M. (1995). Ingeniería de aguas residuales. España: McGRAW-Hill.
Enviromental Protection Agency. (2010). Ministerio del Medio Ambiente, Olores. Obtenido de
Air Guidance Note 5 (AG5): https://olores.mma.gob.cl/wp-
content/uploads/2019/03/Air-Guidance-Note-5-AG5-Odour-Impact-Assessment-
Guidance-for-EPA-Licensed-Sites.pdf
Fierro, E. (2016). Solubilidad de gases en líquidos iónicos usando datos termodinámicamente

consistente y redes neuronales artificiales. Concepción.
Fuentes, A., Fresno, M., Santander, H., Valenzuela, S., Guitierrez, M. y Millares, R. (2011).
Sensopercepción Olfaoria: una revisión. Revista Médica de Chile, 362-367.
Generalitat Valenciana . (2008). Guía Técnica para la Gestión de las Emisiones Odoríferas
Generadas por las Explotaciones Ganaderas Intensivas. España: Centro de Tecnologías
Limpias.
Página 110 de 123

Genva, M., Kemene, T., Deleu, M., Lins, L., y Fauconnier, M. (2019). ¿Is it possible to predict the
odor of a molecule on the basis of its Structure? International Journal of molecular
Sciences, 16.
Guzman, M. (26 de Octubre de 2020). Redes Neuronales. Diplomado Data Science y Machine
Learning. Valparaíso, Chile.
Herrera, N., Herrera, C., Soto, D., y Restrepo, E. (2015). Determinación de Olores Ofensivos por
causa de Contaminantes en el Aire. 1-7.
INSA. (12 de Octubre de 2021). Olfamining. Obtenido de Olfamining:

https://projet.liris.cnrs.fr/olfamine/
Isasi, P. (1997). Redes Neuronales artificiales:Un enfoque Práctico. Random House Publishing
Group.
IWA odors. (28 de Octubre de 2008). Olores. Obtenido de

https://olores.org/index.php?option=com_content&view=article&id=1&lang=es#:~:t
ext=En%20general%20la%20concentraci%C3%B3n%20de,de%20personas%20selec
cionadas%20o%20panel.&text=El%20umbral%20de%20olor%20de,persona%20es
%20capaz%20de%20olerlo.
Keller, A. &. (2016). Olfactory perception of chemically diverse molecules. BMC Neuroscience,
17-55.
Keller, T., Gerkin, R. C., Szalai, B., Turu, G., y Mainland, J. D. (2017). Predicting human olfactory
perception from chemical fatures of odor molecules. Science, 355, 820-826.
Kerman, F. e. (2011). Molecular Complexity determines the number of olfactory notes and the
pleasatness of smells. Sceintific Reports., 206(1).
Lide, D. R. (2004). Handbook of Chemistry and Physics. CRC.
Lincon CC, B. G. (2019). Chemical features mining provides new descriptive structure-odor
relationships. PLoS Comput Biol.
Lozada, D., y Giraldo, E. (2019). Origen de los olores en plantas de tratamiento de aguas
residuales. Bogotá D.C.
Matamala, A. (2016). A box-model aproach to molecular shape. Journal of the Chilean Chemical
Society, 3250-3254.
Ministerio del Medio Ambiente. (5 de Junio de 1995). Decreto 948 de 1995. Obtenido de
Decreto 948 de 1995:
https://www.minambiente.gov.co/images/normativa/app/decretos/54-
dec_0948_1995.pdf
Página 111 de 123

Ministerio del Medio Ambiente. (2012). D.S N°37 "Establece Norma de emisión de compuestos
TRS, Generadores de Olor, Asociados a la Fabricación de pulpa Kraft o al Sulfato".
Santiago de Chile, Chile.
Ministerio del Medio Ambiente. (2019). Instructivo par ala elaboración de un plan de gestión
de olores (PGO). Santiago de Chile.
Ministerio del Medio Ambiente. (07 de Septiembre de 2021). Ministerio del Medio Ambiente.
Obtenido de Ministerio del Medio Ambiente: https://olores.mma.gob.cl/como-se-
mide/
Ministerio del Medio Ambiente. (07 de Mayo de 2021). OLORES. Obtenido de Ministerio del
Medio Ambiente: https://olores.mma.gob.cl/que-es-olor/
Mitsuo, T. (2012). Pantallas e Interfaces olfatvas humanas. En Percepción del olor- El

mecanismo de cómo se percibe el olor (págs. 44-59). IGI Global Books.
Murillo Jimenez, J. (2017). Evaluación y selección de tecnología para la reducción del impacto
por olores en EDAR. Sevilla.
Nagata, Y. (2003). Measuremente of odor Treshold by Triangle Odor Bag Method. Japan
Enviromental Sanitation Center.
Odour Observatory. (03 de Diciembre de 2021). Cromatografía de gases- Olfatometría.

Obtenido de https://odourobservatory.org/es/measuring-odour/gas-
chromatography-olfactometry/
Paduch, M. (18 de Octubre de 2017). El nivel de olor: el parámetro clave para distinguir el
abatimiento de odorantes del abatimiento del olor. Obtenido de Olores.org:
https://www.olores.org/index.php?option=com_content&view=article&id=640:the-
odour-level-the-key-parameter-to-distinguish-odorants-abatement-from-odour-
abatement&catid=3&Itemid=303&lang=es
Plusgener. (2000). Estudio de generación de antecedentes técnicos y científicos para la

regulación de olores molestos. Santiago de Chile.
Polster, J. (2015). Structure-Odor Correlations in Homologous Series of Alkanethiols and

Attemmp to Predict Odor Thresholds by 3D-QSAR Studies. Journal of Agricultural and
Food Chemistry, 1419-1432.
PubChem . (9 de Noviembre de 2021). PubChem. Obtenido de

https://pubchem.ncbi.nlm.nih.gov/
Ramirez, C. (2019). Diagnóstico para la mejora de la evaluación de impacto por olor en el marco
del sistema de evlaución de impacto ambiental (SEIA). Santiago de Chile.
Página 112 de 123

Ramos, J., Bermudez, A., y Rojas, T. (2018). Contaminación odorífera: Causas, efectos y
posibles soluciones a una contaminación invisible. Revista de Investigación Agraria y
Ambiental, 9, 165-179.
Rosenblatt, F. (1957). The perceptron: A perceiving and recognicing automation. Cornell

Aeronautical Laboratory: Technical Report VG-119-G-1.
RWDI AIR Inc. (2005). Odour management in British Columbia: review and recommendations,
final report.
Sander, R. (2015). Compilación de las constantes de la ley de Henry (version 4.0) para el agua
como disolvente. Obtenido de Compilación de las constantes de la ley de Henry
(version 4.0) para el agua como disolvente: http://satellite.mpic.de/henry/index.html
Servicio de Evaluación Ambiental. (2017). Guía para la predicción y evaluación de impactos por
olor en el SEIA. Chile.
Sharma, A., Kumar, R., Aier, I., Semwal, R., Tyagi, P., y Varadwaj, P. .. (2019). Sense of Smell:
Structural, Functional, Mechanistic Advancements and Challenges in Human Olfactory
Research. Current Neuropharmacology, 17, 891-911.
The Synergy Group SpA. (2019). Generación de antecedentes técnicos para la elaboración de la
norma de emisión de olores para la crianza intensiva de animales. Santiago de Chile.
Tiziano Zarra, M. G. (2019). Environmental odour management by artificial neural network –

A review. Environment International, 133, Part B, 105189.
Turin, L., y Yoshii, F. (2003). Struture-odor relations: a modern perspective. Handbook of

Olfaction and Gustation, 36.
Universidad Nacional de Colombia. (18 de Octubre de 2021). Facultad de ciencias-

Departamento de Farmacia. Obtenido de Determinación Experimental del coeficiente
de reparto de barbitúricos:
http://red.unal.edu.co/cursos/ciencias/2015657/u8/html/marcoteorico.html
Valencia, I. (14 de Octubre de 2019). Ley de solubilidad de Henry. Obtenido de Ley de

solubilidad de Henry:
http://132.248.48.64/repositorio/moodle/pluginfile.php/1983/mod_resource/conte
nt/9/Contenido/index.html
Página 113 de 123

Anexos
1. Resumen metodologías de medición de olor
Tabla A 1.Resumen metodologías de medición de olor.
Tipo de
Enfoque método Descripción Aplicación Estándar metodológico Resultados
método
Evaluación de riesgo odorante usando

Riesgo Riesgo basado en Alto -Medio -Bajo -
Cualitativo conceptos de Emisión- dispersión- Evaluación Preliminar
Odorante Despreciables
Receptor.
Muestreo estático – olfatometría

NCh 3386:2015
dinámica Muestreo en fuentes
Muestras de olor para análisis en
Muestreo Olor difusas, puntuales,
laboratorio de olfatometría dinámica
volumen.
Muestreo estático – fuentes de volumen VDI 4285:2011
NCh 3190:2010 Concentración de olor [OU/m3]
VDI 3882:1994 parte I Intensidad

Predictivo Muestras de olor,
Análisis de
Cuantificación – Olfatometría dinámica levantadas por
muestras Olor VDI 3882:1994 parte II Tono Hedónico
Cuantitativo muestreo estático.
Ruedas de olor y training
Descriptores
sensorial
- Área de influencia
- Área de impacto
Modelación atmosférica (CALPUFF; Guía para el uso de modelos - Frecuencia de impacto
Modelación Proyección del alcance
AERMOD) Ingresando emisión de de calidad del aire en el SEIA, - Concentración máxima en
Olor odorante
referencia de olor o factores [OU/s] 2012. receptores
- Análisis de sensibilidad (donde y
cuando reducir)
FUENTE. MMA 2021, OLORES
Página 2 de 123
Tabla A 2.Resumen metodologías de medición de olor (continuación)
Estándar
Tipo de método Enfoque método Descripción Aplicación Tipo de método
metodológico
Levantar frecuencia NCh3190:2010

Medición de olor al aire de percepción de (selección panel)
- Horas de olor
ambiente – Método de la olor
- Frecuencia de percepción de olor
Grilla NCh3533:2017
Sensorial Parte I (Grilla)
Medición
al aire NCh 3190:2010
Medición de olor al aire Medir el impacto en (selección panel) Cálculo inverso de la emisión total de la instalación -
ambiente – Método de la un área afectada por Validación de los resultados de la modelación - Alcance de
pluma olor NCh 3533:2017 la pluma de olor
Observación /
Parte II (Pluma)
empírico
Monitores, sensores
Analíticos Compuesto Odorante (olor simple) Niveles de H2S, COV´s, etc. En el ambiente
electroquímicos, CG, otros.
Porcentaje de días en los que se supera un nivel de

Diarios de olor
intensidad de olor.
Activo
Participación de la
Porcentaje de molestia o de personas experimentando
comunidad como Encuestas NCh3387:2015
molestia
“sensor”
Catastro de VDI3883:2017 Parte Registro de quejas – Análisis de causas – definición de

Pasivo Registro y gestión de quejas
denuncias IV acciones.
FUENTE. MMA 2021, OLOR
2. Análisis de componentes principales: “clasificación por valor de concentración umbral”

A continuación, se entregan los resultados no concluyentes y los rangos de clasificación para la concentración umbral, bajo los que se
reagruparon los datos para el desarrollo de este análisis.
Página 3 de 123
Tabla A 3.Resumen de los rangos establecidos durante el análisis de componentes principales.
Rango Valor Concentración Umbral [mol/L]
RANGO 1 Cu < 0,1
RANGO 2 0,1 ≤ Cu < 1
RANGO 3 1 ≤ Cu <10
RANGO 4 10 ≤ Cu < 100
RANGO 5 Cu ≥ 100
En esta sección se presentan las tablas, los resultados y las gráficas obtenidas para los
rangos del 2 al 5 (tabla A3), que fueron descartados debido a la poca cantidad de
compuestos odoríferos disponibles en cada uno de ellos dado que esto no permitía
generalizar las influencias resultantes del análisis de componentes principales. El conjunto
de gráficas (figura A1) corresponden al análisis de las influencias de los diferentes rangos,
ordenadas de izquierda a derecha y de arriba abajo desde el segundo al quinto. En estas
gráficas se pueden apreciar altos porcentajes de explicación debido a la baja cantidad de
compuestos de cada rango de concentración umbral. Por último, en las tablas A4-A7 se
muestran los valores propios para los rangos mencionados, siendo posible apreciar
únicamente influencias positivas entre las componentes principales y las variables
incluidas en el modelo.
Página 4 de 123
Concentra
1 1 ción fase C umbral
Peso acuosa [ [mol/L]
0.75 molecular C umbral mol/L]
0.75
[g/mol] [mol/L]
Concentra
Constante
log P
0.5 ción
de henry
fase 0.5
[mol/(m3
acuosa [
0.25 mol/L]
Pa)]
0.25
F2 (25,71 %)
F2 (31,06 %)
0 0
Constante Peso
log P
de henry molecular
-0.25 -0.25 [g/mol]
[mol/(m3
Pa)]
-0.5 -0.5
-0.75 -0.75
-1 -1
-1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1 -1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1
F1 (50,61 %) F1 (39,75 %)
Variables… Variables…
1 C umbral 1 log P
[mol/L]
0.75 0.75 Peso
molecular
[g/mol]
0.5 0.5
0.25 0.25
F2 (27,41 %)
F2 (31,30 %)
Concentra
Constante
0 ción fase 0
Log P de henry
acuosa [
[mol/(m3
-0.25 mol/L] Concentra
Constante
Pa)] -0.25
ción
de henry
fase
[mol/(m3
acuosa [
-0.5 -0.5 C umbral mol/L]
Pa)]
[mol/L]
-0.75 Peso -0.75

molecular
-1 [g/mol] -1
-1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1 -1 -0.75 -0.5 -0.25 0 0.25 0.5 0.75 1
F1 (47,66 %) F1 (65,08 %)
Variables… Variables…
Figura A. 1 Respuesta del análisis de componentes principales según los distintos rangos de concentración
umbral.
Página 5 de 123
Tabla A 4. Valores propios del análisis de componentes principales: rango 2.
F1 F2 F3 F4
Valor propio 2,531 1,286 0,869 0,315
Variabilidad (%) 50,612 25,714 17,373 6,300
% acumulado 50,612 76,326 93,700 100,000
Tabla A 5.Valores propios del análisis de componentes principales: rango 3.
F1 F2 F3 F4 F5
Valor propio 1,987 1,553 0,874 0,498 0,088
Variabilidad (%) 39,745 31,063 17,471 9,952 1,768
% acumulado 39,745 70,809 88,280 98,232 100,000
Tabla A 6.Valores propios del análisis de componentes principales: rango 4.
F1 F2 F3 F4 F5
Valor propio 2,383 1,370 0,820 0,404 0,023
Variabilidad (%) 47,656 27,405 16,402 8,079 0,457
% acumulado 47,656 75,062 91,464 99,543 100,000
Tabla A 7. Valores propios del análisis de componentes principales: rango 5.
F1 F2 F3
Valor propio 3,254 1,565 0,181
Variabilidad (%) 65,079 31,299 3,621
% acumulado 65,079 96,379 100,000
Página 6 de 123
3. Otros análisis de componentes principales

Entre los modelos a revisar en esta sección se encuentran el de la figura A2, un modelo en
el que se incluyó la concentración umbral en sus tres fases (gaseosa, acuosa y orgánica) y
otras propiedades descriptoras, cuyos resultados mostraron una influencia positiva de la
DQO respecto a la primera componente principal, que indicaría la influencia de ciertos
grupos funcionales cuando el compuesto tiene un valor alto de DQO.
Figura A. 2 Gráficas de influencias.
Página 7 de 123
4. Otros resultados de correlación por Random Forest

A. Clasificación según valores de concentración umbral
En este caso, los datos de la concentración umbral fueron distribuidos en cuartiles,
obteniéndose los mejores resultados para el primer y último cuartil, con un 39,87% y
9,64% de variabilidad explicada, respectivamente, y mostrando un mayor aporte a la
correlación del modelo aquellos compuestos con un mayor valor de concentración umbral
(tabla A8).
Tabla A 8. Resultados modelo “clasificación de datos para la concentración umbral”.
Resultado Grupo 1 Grupo 2 Grupo 3 Grupo 4

Var Explained 39,87% -50,59% -24,31% 9,64%
Number of trees 1000 1000 1000 1000
B. Clasificación según la acidez o basicidad de los compuestos.

En esta sección se desarrolló un modelo basado en clasificar los compuestos según su
carácter ácido o básico, distinguiendo también los que no entraban en ninguna de estas
categorías. Se incluyeron todas las variables y el principal objetivo fue analizar si existe
correlaciones internas entre estos subgrupos de datos. Los resultados muestran que los
compuestos que no poseen la capacidad de disociarse se ajustan mejor al modelo con las
variables propuestas, pudiéndose explicar en un 42,81% la variabilidad de los datos (tabla
A9). Los resultados obtenidos podrían evidenciar que: 1) La capacidad de disociarse de un
compuesto oloroso no es una característica que defina y/o afecte en la sensación de
percepción; o bien que 2) la cantidad de compuestos olorosos que conforman la base de
datos y poseen un carácter ácido o básico no sean suficientes para establecer un alto
porcentaje de explicación de las variables.
Tabla A 9.Resultados obtenidos en base a la clasificación según la acidez y basicidad.
Resultado Ácido Base No disocia

Var Explained -25,76% -10,24% 42,81%
Página 8 de 123
C. Clasificación de compuestos según su polaridad.

Otra de las clasificaciones estudiadas se basó en la polaridad de los compuestos, creando
dos grupos: los compuestos polares y los compuestos no polares, que corresponde en
proporción a un 70% y 30% de la base de datos, respectivamente. Los valores obtenidos se
exponen en la Tabla A10 y la figura A3. El modelo tiene una mayor capacidad de explicar la
variabilidad de los datos para el caso de los compuestos polares, siendo el coeficiente de
partición la propiedad con más peso.
Tabla A 10.
Resultado Compuestos polares Compuestos no polares

Var Explained 55,65% 18,84%
Number of trees 2000 2000
Resultados obtenidos en base a la clasificación según la polaridad.
D. Correlación en excel
En este apartado, se presentan los resultados obtenidos para la correlación gráfica de los
datos mediante excel, a partir del mejor modelo de la sección “6.1.2.1 Correlación por
Random Forest”. Para ello se graficó cada variable en función del logaritmo de la
concentración umbral y concentración umbral en la fase acuosa, con el fin de analizar
posibles dependencias.
Figura A. 3 Gráfica MSE en base a la clasificación según la polaridad. Página 9 de 123

D.1 Correlación en base a la concentración umbral

Tras la revisión de la correlación de la concentración umbral con las demás propiedades,
bajo la clasificación de compuesto polar y no polar, no se observaron resultados
favorables, ya que no se aprecia una correlación con el logaritmo de la constante de
Henry, ni con ninguna otra propiedad analizada, entre las que se encuentran: el peso
molecular, el logaritmo del coeficiente de partición, el indicador de asimetría, la DQO y el
volumen. La figura A4 se presenta como referencia de los análisis realizados.
2
log (C mbral)
0
-10 -5 0 5 10 15
-2
-4
-6
-8
log (H)
no polar polar
Figura A. 4 Correlación” log Cumbral vs log H” según la polaridad de los compuestos.
D.2 Correlación en base a la concentración umbral en la fase acuosa

Los resultados obtenidos para la concentración umbral en la fase acuosa muestran una
clara relación en una de sus propiedades: el logaritmo del coeficiente de partición. En la
figura A5, se aprecia una tendencia en los compuestos polares a tener un mayor valor de
la concentración umbral en la fase acuosa y, por el contrario, los compuestos no polares
poseen un menor valor. Esto indicaría que aquellos compuestos que poseen una mayor
diferencia de electronegatividad entre sus elementos y, por ende, una mejor tendencia
solubilizarse, pueden relacionarse mejor con los receptores de olor, y, por lo tanto, ser
percibidos con una mayor intensidad. Si bien se observa una tendencia lineal tanto para
los compuestos polares como apolares, los valores del coeficiente de regresión obtenidos
son bajos en ambos casos. Por otro lado, se analizaron también posibles tendencias
exponenciales y logarítmicas, pero éstas no lograban mejorar los resultados conseguidos
con el ajuste lineal.
Página 10 de 123
20
LOG Concentración Fase Acuosa 15
y = -2.0821x + 2.3555
R² = 0.4889 10
5
y = -0.8235x + 1.7978
R² = 0.2716
0
-4 -2 0 2 4 6
-5
-10
LOG P
NO POLAR POLAR
Figura A. 5 Correlación “log C umbral vs log P” según la polaridad de los compuestos.
5. Otros resultados de redes neuronales

A continuación, se entregan los resultados obtenidos para las redes neuronales del
logaritmo de la concentración umbral para datos no escalados y sin valores atípicos (tabla
A11), que muestran errores mucho mayores a los observados que cuando se utilizaron los
datos escalados.
Tabla A 11. Resultados de la red neuronal con los datos no escalados y sin valores atípicos.
Error 293,1107 31,1303
N° de pasos 225 282
N° de nodos 7 7
Página 11 de 123

Tesis Camila Canelo

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tesis Camila Canelo

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA

DEPARTAMENTO DE INGENIERÍA QUÍMICA Y AMBIENTAL

ANÁLISIS DE PROPIEDADES FISICOQUÍMICAS EN LA PERCEPCIÓN DE

CAMILA CONSTANZA CANELO AZÓCAR

MEMORIA DE TITULACIÓN PARA OPTAR AL TÍTULO DE INGENIERÍA CIVIL

PROFESOR GUÍA: LORNA GUERRERO.

PROFESOR CORREFERENTE: JOSE LUIS CAMPOS.

Gracias a todo aquel que confío en que yo podría.

Tras el desarrollo de la investigación, se generó un modelo de regresión lineal que

2.7.1 Métodos analíticos ............................................................................................................... 34

4.2 Ecuaciones gobernantes ......................................................................................................... 53

7. Conclusiones y recomendaciones ............................................................................................... 109

Figura 4. 6 Neurona biológica. .......................................................................................................... 65

Tabla 3. 2 Valores descriptores de forma de los primeros seis alquinos. ......................................... 51

Para esto, se vuelve necesario generar nuevas investigaciones en el área, que

1.1 Objetivo general

1.2 Objetivos específicos

● Complementar estudios de percepción de olores actuales que se enfocan en la

2.1 Contexto global

2.1.1 Investigaciones internacionales

Se ha requerido de muchos años de investigación, estudios, experimentos y un gran

2.1.2 Normativa internacional

Existe un gran número de normativas internacionales dirigidas a solucionar el problema de

2.1.2.2 Reino unido

En junio del 2021, el Consejo Federal de Alemania aprobó la modificación de la Ley de

Figura 2. 1 Diagrama de flujo de la normativa colombiana en materia de olores.

Fuente. Elaboración Propia.

estacionarias de emisión y los métodos de determinación de la concentración de olor

2.2 Contexto nacional

2.2.1 Actividades generadoras de olor

disposición de residuos líquidos y las plantas de recuperación de molibdeno (Ministerio

Figura 2. 2 Mapa nacional de ubicación de establecimientos potenciales generadores de olor.

Figura 2. 3 Porcentaje de aporte de las actividades potencialmente generadoras de olor.

Fuente. Elaboración Propia

17% Región del O'Higgins

Región de Los Lagos

Figura 2. 4 Regiones con mayor probabilidad de sufrir problemas de olor.

Fuente. Elaboración Propia

2.2.2 Normativa nacional

Respecto a las denuncias realizadas por la ciudadanía y según la categorización establecida

Figura 2. 5 Número de denuncias por año a nivel nacional.

Fuente. Superintendencia del Medio Ambiente, marzo 2018

Respecto a estos datos, la distribución de denuncias a la Superintendencia del Medio

Figura 2. 6 Distribución de denuncias a la SMA por rubro a nivel nacional.

Fuente. Superintendencia del Medio Ambiente, marzo 2018

En base a la cantidad de instalaciones y a los conflictos socio-ambientales involucrados, se

2.2.3 Evaluación en el SEIA

2.3 Proceso de emisión, dispersión y respuesta humana al olor

Figura 2. 7 Proceso de emisión, transporte y recepción de olor.

Fuente. Plan de Gestión de Olores, MMA, 2019

● Característica del olor emitido: Este parámetro depende específicamente del

2.4 El mecanismo del olfato

Figura 2. 8 Proceso de emisión, dispersión y respuesta humana al olor.

Fuente. Elaboración Propia en base a Pagans y Odourment, 2013.

La nariz se encuentra monitoreando continuamente la composición química del medio

receptores olfativos. Generalmente hay un glomérulo en cada hemisferio lateral y uno en

La estimulación retro nasal ocurre durante la ingesta de alimentos, en concreto, durante

esquema del proceso de percepción olfatoria orto-nasal, cuya comprensión es necesaria

Figura 2. 9 Proceso de percepción de olores.

Fuente. Sense of Smell, 2019.

2.5 Moléculas aromáticas y concepto de olor

La representación neural de la percepción de una molécula aromática se llama olor. Éste

● Concentración: Corresponde al número de diluciones necesarias para que el olor

relaciona directamente con la persistencia del olor, siendo un indicador de la