Espectroscopía en el infrarrojo cercano para la predicción del contenido de humedad en biomasa leñosa mezclada con suelo

Por qué la humedad en el combustible de madera importa

Mientras las sociedades buscan fuentes de energía más limpias, las astillas de madera y otros restos vegetales se están convirtiendo en combustibles importantes. Pero hay un detalle sencillo que puede determinar su utilidad: cuánto agua contienen. Un exceso de humedad significa menos energía útil, mayor riesgo de moho e incluso la posibilidad de autocalentamiento e incendios durante el almacenamiento. El reto aumenta cuando partículas de suelo se mezclan con la madera durante la recolección. Este estudio explora si un método basado en la luz, la espectroscopía en el infrarrojo cercano (NIR), puede medir rápidamente la humedad en pilas de biomasa contaminadas con suelo, ofreciendo una alternativa más rápida a las pruebas lentas basadas en horno.

De los restos del bosque a las muestras de ensayo

Los investigadores se centraron en dos tipos de biomasa que representan fuentes de combustible comunes. Uno eran los residuos de tala: ramas y copas que quedan tras la corta de árboles. Se trata de fragmentos leñosos densos con paredes celulares resistentes y una estructura relativamente estable. El otro fue el sorgo dulce, una gramínea alta con tejidos más porosos y un alto contenido en azúcares. El sorgo dulce se comporta de forma muy distinta frente a la luz, por lo que sirve bien como sustituto de cultivos herbáceos usados en bioenergía. Para reproducir condiciones reales, el equipo secó todas las muestras y luego las rehumedeció en una cámara climática ajustada a distintas temperaturas y humedades, creando un amplio rango de contenidos de humedad de aproximadamente 3% a 16%.

Añadiendo suciedad realista a la mezcla

En operaciones forestales reales, la biomasa rara vez permanece limpia. El suelo se adhiere a las ramas arrastradas por el suelo o almacenadas en pilas abiertas. Para capturar esta realidad, los científicos mezclaron cuidadosamente un suelo forestal controlado en la biomasa en seis niveles: 0, 1, 5, 10, 20 y 30% en peso. Los niveles bajos se asemejan a operaciones limpias; los niveles altos representan pilas muy contaminadas. Para cada combinación de tipo de biomasa y nivel de suelo, formaron “pastillas” compactas y uniformes en un molde. Este paso redujo el efecto de la densidad de empaque irregular, que de otro modo puede distorsionar cómo viaja la luz por el material y confundir las mediciones de humedad.

Iluminar y limpiar la señal

A continuación, el equipo midió cómo las muestras reflejaban la luz en el infrarrojo cercano a lo largo de longitudes de onda de 870 a 2.500 nanómetros. El agua presente en la biomasa absorbe la luz con especial intensidad cerca de ciertas longitudes de onda, por lo que el patrón de reflexión contiene pistas sobre el contenido de humedad. Sin embargo, las partículas de suelo y las superficies irregulares dispersan la luz, añadiendo “ruido” a la señal. Para afrontarlo, los investigadores aplicaron dos pasos de limpieza de datos a los espectros. El primero, llamado Standard Normal Variate (SNV), elimina gran parte de la variación causada por la dispersión y las superficies desiguales de las muestras. El segundo, un filtro de segunda derivada de Savitzky–Golay, agudiza picos superpuestos y suaviza líneas base con deriva. Juntos, estos pasos hacen que las firmas de humedad ocultas destaquen con mayor claridad.

Convertir patrones de luz en cifras de humedad

Con espectros más limpios, los investigadores usaron un método estadístico conocido como regresión por mínimos cuadrados parciales para vincular los patrones de luz con los contenidos de humedad reales medidos por secado en horno. Encontraron que, para los residuos de tala, la combinación de SNV y Savitzky–Golay ofrecía el mejor rendimiento, con valores predichos que coincidían estrechamente con los niveles reales de humedad. El sorgo dulce, con su estructura más compleja y química rica en azúcares, resultó más difícil de modelar, pero aun así ofreció resultados razonablemente precisos. Es importante que la calidad del modelo se mantuvo bastante estable incluso cuando el contenido de suelo aumentó del 0 al 30%, lo que muestra que los pasos de preprocesado redujeron con éxito los efectos disruptivos de la suciedad. Cuando los datos se agruparon por nivel de suelo conocido, la exactitud mejoró aún más, lo que sugiere que incluir información sobre la contaminación puede refinar las predicciones.

Qué significa esto para el uso real de la biomasa

El estudio muestra que la espectroscopía en el infrarrojo cercano, combinada con un preprocesado inteligente de los datos, puede estimar rápida y no destructivamente la humedad en biomasa leñosa contaminada con suelo. Para los operadores que gestionan residuos forestales o cultivos energéticos, esto podría significar verificar la calidad de las cargas entrantes en segundos en lugar de horas, ayudando a prevenir el deterioro, mejorar la eficiencia de combustión y reducir riesgos de seguridad. El método aún no es perfecto: tuvo dificultades para determinar con precisión cuánto suelo estaba presente y las pruebas se limitaron a un tipo de suelo y a condiciones de laboratorio. Aun así, los resultados apuntan hacia dispositivos NIR portátiles u online prácticos que podrían monitorizar la humedad en tiempo real a lo largo de las cadenas de suministro de biomasa, haciendo los combustibles sólidos renovables más fiables y eficientes.

Cita: Batjargal, BU., Kang, M., Cho, Y. et al. Near-infrared spectroscopy for moisture content prediction in soil-mixed woody biomass. Sci Rep 16, 6096 (2026). https://doi.org/10.1038/s41598-026-36901-8

Palabras clave: espectroscopía en el infrarrojo cercano, humedad de la biomasa, residuos leñosos, contaminación por suelo, bioenergía