Investigación, diseño y despliegue de un sistema de monitorización de CO2 en 40 aulas del Instituto Velázquez durante la pandemia: motivación científica, prototipado, resultados, guía de uso y firmware para réplica DIY.
Según guías de la Universidad de Harvard y el CSIC, una estancia se considera bien ventilada entre 800-950 ppm de CO2 (el exterior ronda 400-420 ppm); por encima de 1000 ppm la ventilación es insuficiente. La renovación de aire (ACH, Air Changes per Hour) recomendada para un aula de 100m² con 25 alumnos de 5-8 años es de 5-6 renovaciones/hora.
El CO2 no es el patógeno en sí, pero sirve como indicador indirecto: si hay 800 ppm, aproximadamente el 1% del aire respirado ya fue exhalado por alguien antes. Estudios de la Universidad de Sevilla confirman que las aulas mediterráneas con ventilación natural superan habitualmente el máximo recomendado por la OMS.
Los contagios obligaban a confinar alumnos y docentes, generando desigualdad entre quienes asistían presencialmente y quienes debían seguir las clases desde casa. Con ratios de hasta 30 alumnos por aula, el CO2 podía alcanzar niveles críticos.
Se planteó además como oportunidad educativa: alumnos de últimos cursos podían evaluar la ventilación como proyecto STEM.
Se construyeron varios prototipos con sensores NDIR (infrarrojo no dispersivo): MH-Z19 y MH-Z14 sobre Arduino, y un tercero con el sensor Sensirion SCD30 (más preciso, ±30 ppm) sobre placa TTGO ESP32 + OLED color. Se diseñó una caja mediante CAD e impresión 3D.
El punto de emplazamiento en el aula se eligió alejado de ventanas/puertas y corrientes de aire, a más de 2m de los ocupantes, a la altura de los alumnos sentados.
Además del envío automático a ThingSpeak, el delegado de cada clase registraba manualmente cada hora la concentración de CO2, el número de alumnos y el estado de puertas/ventanas. El análisis de un aula tipo (30 alumnos, 6,65×6,80×3,40m) mostró cómo el CO2 subía de 400 a más de 1370 ppm al cerrar puertas y ventanas, y bajaba a 400 ppm en los recreos.
El índice de renovación de aire (ACH) se validó experimentalmente mediante regresión lineal sobre la curva de decaimiento del CO2, obteniendo 7,41 renovaciones/hora frente a las 7,59 calculadas por la guía teórica.
El objetivo: mejorar el rendimiento académico, reducir el riesgo de contagio y aumentar el confort térmico, mediante una red de sensores que mapee el CO2 del centro en tiempo real (aulas, pasillos, biblioteca, sala de profesores).
Limitaciones reconocidas: el CO2 no se degrada igual que un virus en el aire, la emisión de partículas al hablar/gritar/cantar no es proporcional a la de CO2, y la emisión de CO2 por persona varía con edad, sexo, peso y actividad metabólica — el CO2 es un proxy útil, no una medida directa de riesgo de contagio.
Dos modelos finales: Medusa_CO2 (sensor Sensirion SCD30, placa LILYGO TTGO T-Display ESP32, pantalla color 1.14", USB-C, 40×83×21mm, 40g) y Medusa_CO2_batería (misma base con batería Li-ion 18650 3000mAh recargable por USB-C, 40×83×40mm, 93g).
Caja diseñada e impresa en 3D sin necesidad de tornillos, para montaje sencillo.
El medidor se enciende y tras 30 segundos de inicialización del sensor muestra en pantalla CO2, temperatura, humedad, batería, alarma y estado wifi. La lectura cambia de verde a amarillo a los 700 PPM y a rojo con alarma sonora a los 900 PPM (umbrales configurables).
Tiene tres botones: A y B en el frontal, R (reset) arriba. La alarma se desactiva manteniendo pulsado B más de 10 segundos.
La calibración debe hacerse en ambiente limpio (referencia 410 PPM). El sensor trae calibración automática (ASC) sobre ~7 días sin desenchufar, con exposición periódica a aire limpio.
La calibración manual se hace pulsando A más de 10 segundos, o remotamente accediendo a la IP del dispositivo (obtenible con pulsación corta de A) desde la misma red.
Pulsando dos veces el botón R se entra en modo configuración, que crea una red wifi «MedusaIoT» abierta. Al conectarse se abre (o se accede manualmente en 192.168.0.4) el panel donde se elige la red wifi de destino, se introducen los umbrales de alarma y las credenciales del canal ThingSpeak (Write API Key y Channel ID).
Los datos se envían a ThingSpeak (cuenta gratuita), que asigna un canal y clave de escritura por sensor. Se configuraron alertas por email automáticas cuando un canal supera un valor de CO2 determinado.
Para visualizar las 40 aulas del instituto se construyó un dashboard propio (medusaiot.org/medidas-co2) mostrando el estado de cada aula y, al seleccionarla, la evolución de CO2 de la última hora.
Se automatizó la calibración periódica (fuera de horario lectivo, aulas ventiladas) con un script Python: usa requests contra la API de ThingSpeak para leer las PPM de cada sensor por IP, y Selenium para pulsar el botón de calibrado en la web de cada dispositivo si está por debajo de 410 PPM.
Genera un log y lo envía por email. Empaquetado con PyInstaller como ejecutable para no requerir Python instalado en el equipo que ejecuta la tarea programada.
Analizador basado en ESP8266/ESP32 con sensor MH-Z14A. Material: NodeMCU Lolin V3, sensor MH-Z14A, pantalla OLED 1.3" 128×64, LED RGB, 4 resistencias 220Ω, micropulsador de calibración.
El firmware (Arduino) está disponible para descarga, junto con el mismo esquema aplicable al sensor MH-Z19B.
Este proyecto no habría sido posible sin la implicación de Antonio Barrios, Mercedes García de Casasola, Adolfo Martínez, Manuela Gordillo y Fernando Carrillo, así como del alumnado del centro que participó activamente en su desarrollo y despliegue, y de la Asociación de Madres y Padres de Alumnos (AMPA) del instituto.
El proyecto contó además con una campaña de financiación colectiva en Goteo, impulsada por el AMPA Pila del Pato.