Studio delle criticità e della messa in sicurezza di un ex sito di cava ripristinato con fanghi di cartiera

Questo elaborato ha come obiettivo quello di analizzare, inquadrandolo anche da un punto di vista tecnologico, un trattamento innovativo di bioremediation in situ realizzato in una ex-area di cava, nella quale, in seguito al ripristino ambientale mediante fanghi di cartiera, si è verificato un fenomeno di degradazione anaerobica del materiale tombato che ha portato alla produzione di una ingente quantità di biogas e alla sua successiva migrazione verso abitazioni limitrofe.

Studio mineralogico e chimico della serie della "Vena del Gesso" della cava di Monte Tondo (Borgo Rivola, Riolo Terme - RA)

Questo elaborato consiste nello studio mineralogico e chimico di una parte della successione della Vena del Gesso, coincidente con il sito estrattivo di Monte Tondo. Oltre all'inquadramento geologico della zona oggetto di studio e alcuni accenni sulle attività della cava, il presente elaborato contiene tabelle con le analisi di fluorescenza XRF per tutti i campioni prelevati, grafici dello spettro XRD per due campioni, completi di tabelle con i valori in allegato, diagrammi di correlazione per alcuni elementi, una analisi termogravimetrica ed una termodifferenziale, e i grafici con le rette di regressione per gli elementi maggiori e in tracce, con l'esclusione di certi elementi che hanno dato concentrazioni sotto il limite di rilevabilità.

Automatic detection of the inferior alveolar nerve in CT scans with CenterNet

The inferior alveolar nerve (IAN) lies within the mandibular canal, named inferior alveolar canal in literature. The detection of this nerve is important during maxillofacial surgeries or for creating dental implants. The poor quality of cone-beam computed tomography (CBCT) and computed tomography (CT) scans and/or bone gaps within the mandible increase the difficulty of this task, posing a challenge to human experts who are going to manually detect it and resulting in a time-consuming task.Therefore this thesis investigates two methods to automatically detect the IAN: a non-data driven technique and a deep-learning method. The latter tracks the IAN position at each frame leveraging detections obtained with the deep neural network CenterNet, fined-tuned for our task, and temporal and spatial information.