Moschee a Milano: La costruzione geografica del diritto alla città

La tesi descrive e analizza la geografia delle moschee in Italia, un tema di grande attualità, in particolare per quanto riguardo il quadro degli studi geografici. La tesi ripercorre quello che è stato il processo di insediamento delle moschee in Italia, attraverso lo studio di casi esemplari, e analizza l’impatto che tale presenza ha esercitato sul territorio italiano, ed in particolare nel contesto urbano di Milano. Questo lavoro, infatti, permette di osservare il “processo di visibilizzazione” che una religione, assente fino a pochi decenni fa dal paesaggio italiano, imprime sul territorio, attraverso i luoghi di culto, le moschee. Il cuore di questo lavoro riflette sulla dimensione della “costruzione dello spazio” evidenziata dalla realizzazione di moschee. Infatti, i frequenti conflitti che accompagnano la proposta o la realizzazione di moschee dimostrano che non tutti hanno ugualmente “diritto alla città”, a un “posto” nello spazio. Le moschee non rappresentano solamente il simbolo della presenza di musulmani nello spazio europeo. Attraverso di esse è possibile leggere la posizione dei musulmani nella società italiana. Le sale di preghiera sorte inizialmente nelle città italiane, e in questo caso a Milano, in luoghi residuali e precari (cantine, garage, etc.) rappresentano una prima fase dell’insediamento dei musulmani nello spazio urbano. Un insediamento poco visibile e poco organizzato visto dalle istituzioni e dalla società senza grandi reazioni negative. I conflitti si innescano invece nel passaggio al tempo del riconoscimento, dell’istituzionalizzazione, in cui una presenza che si pensava temporanea o accidentale si fa stabile, organizzata, visibile e centrale. La realizzazione di moschee rappresenterebbe il passaggio da un’epoca di insediamento spontaneo di una minoranza religiosa arrivata recentemente al momento dell’istituzionalizzazione, dell’attribuzione di un “posto” riconosciuto e legittimo. Dunque, il passaggio dal tempo dell’ospitalità al “tempo del diritto alla città” e del riconoscimento.

Thermal and air quality modeling of an electric vehicle cabin with low-cost sensors and reinforcement learning

The design process of any electric vehicle system has to be oriented towards the best energy efficiency, together with the constraint of maintaining comfort in the vehicle cabin. Main aim of this study is to research the best thermal management solution in terms of HVAC efficiency without compromising occupant’s comfort and internal air quality. An Arduino controlled Low Cost System of Sensors was developed and compared against reference instrumentation (average R-squared of 0.92) and then used to characterise the vehicle cabin in real parking and driving conditions trials. Data on the energy use of the HVAC was retrieved from the car On-Board Diagnostic port. Energy savings using recirculation can reach 30 %, but pollutants concentration in the cabin builds up in this operating mode. Moreover, the temperature profile appeared strongly nonuniform with air temperature differences up to 10° C. Optimisation methods often require a high number of runs to find the optimal configuration of the system. Fast models proved to be beneficial for these task, while CFD-1D model are usually slower despite the higher level of detail provided. In this work, the collected dataset was used to train a fast ML model of both cabin and HVAC using linear regression. Average scaled RMSE over all trials is 0.4 %, while computation time is 0.0077 ms for each second of simulated time on a laptop computer. Finally, a reinforcement learning environment was built in OpenAI and Stable-Baselines3 using the built-in Proximal Policy Optimisation algorithm to update the policy and seek for the best compromise between comfort, air quality and energy reward terms. The learning curves show an oscillating behaviour overall, with only 2 experiments behaving as expected even if too slow. This result leaves large room for improvement, ranging from the reward function engineering to the expansion of the ML model.

Search for heavy neutrinos in $D_s$ decays with the CMS detector at LHC

This thesis presents a search for a sterile right-handed neutrino $N$ produced in $D_s$ meson decays, using proton-proton collisions collected by the CMS experiment at the LHC. The data set used for the analysis, the B-Parking data set, corresponds to an integrated luminosity of $41.7\,\textrm{fb}^{-1}$ and was collected during the 2018 data-taking period. The analysis is targeting the $D_s^+\rightarrow N(\rightarrow\mu^{\pm}\pi^{\mp})\mu^{+}$ decays, where the final state muons can have the same electric charge allowing for a lepton flavor violating decay. To separate signal from background, a cut-based analysis is optimized using requirements on the sterile neutrino vertex displacement, muon and pion impact parameter, and impact parameter significance. The expected limit on the active-sterile neutrino mixing matrix parameter $|V_{\mu}|^2$ is extracted by performing a fit of the $\mu\pi$ invariant mass spectrum for two sterile neutrino mass hypotheses, 1.0 and 1.5 GeV. The analysis is currently blinded, following the internal CMS review process. The expected limit ranges between approximately $10^{-4}$ for a 1.0 GeV neutrino to $7\times10^{-5}$ for a 1.5 GeV neutrino. This is competitive with the best existing results from collider experiments over the same mass range.