Synthesis, characterization and catalytic performances of ruthenium-based catalysts for the acceptorless dehydrogenative coupling of butanol

A growing interest towards new sources of energy has led in recent years to the development of a new generation of catalysts for alcohol dehydrogenative coupling (ADC). This green, atom-efficient reaction is capable of turning alcohol derivatives into higher value and chemically more attractive ester molecules, and it finds interesting applications in the transformation of the large variety of products deriving from biomass. In the present work, a new series of ruthenium-PNP pincer complexes are investigated for the transformation of 1-butanol, one of the most challenging substrates for this type of reactions, into butyl butyrate, a short-chain symmetrical ester widely used in flavor industries. Since the reaction kinetics depends on hydrogen diffusion, the study aimed at identifying proper reactor type and right catalyst concentration to avoid mass transfer interferences and to get dependable data. A comparison between catalytic activities and productivities has been made to establish the role of the different ligands bonded both to the PNP binder and to the ruthenium metal center, and hence to find the best catalyst for this type of reaction.

Sviluppo e test di un sistema BCI SSVEP-based

Una Brain Computer Interface (BCI) è un dispositivo che permette la misura e l’utilizzo di segnali cerebrali al fine di comandare software e/o periferiche di vario tipo, da semplici videogiochi a complesse protesi robotizzate. Tra i segnali attualmente più utilizzati vi sono i Potenziali Evocati Visivi Steady State (SSVEP), variazioni ritmiche di potenziale elettrico registrabili sulla corteccia visiva primaria con un elettroencefalogramma (EEG) non invasivo; essi sono evocabili attraverso una stimolazione luminosa periodica, e sono caratterizzati da una frequenza di oscillazione pari a quella di stimolazione. Avendo un rapporto segnale rumore (SNR) particolarmente favorevole ed una caratteristica facilmente studiabile, gli SSVEP sono alla base delle più veloci ed immediate BCI attualmente disponibili. All’utente vengono proposte una serie di scelte ciascuna associata ad una stimolazione visiva a diversa frequenza, fra le quali la selezionata si ripresenterà nelle caratteristiche del suo tracciato EEG estratto in tempo reale. L’obiettivo della tesi svolta è stato realizzare un sistema integrato, sviluppato in LabView che implementasse il paradigma BCI SSVEP-based appena descritto, consentendo di: 1. Configurare la generazione di due stimoli luminosi attraverso l’utilizzo di LED esterni; 2. Sincronizzare l’acquisizione del segnale EEG con tale stimolazione; 3. Estrarre features (attributi caratteristici di ciascuna classe) dal suddetto segnale ed utilizzarle per addestrare un classificatore SVM; 4. Utilizzare il classificatore per realizzare un’interfaccia BCI realtime con feedback per l’utente. Il sistema è stato progettato con alcune delle tecniche più avanzate per l’elaborazione spaziale e temporale del segnale ed il suo funzionamento è stato testato su 4 soggetti sani e comparato alle più moderne BCI SSVEP-based confrontabili rinvenute in letteratura.