Studio di un metodo per la determinazione dei polifenoli dell'olio d'oliva in accordo con le indicazioni salutistiche previste dal reg.(ue) n. 432/2012

La principale finalità di questo lavoro sperimentale riguarda la messa a punto di un metodo analitico rapido ed economico di tipo colorimetrico, che possa essere attuato anche in laboratori attrezzati per eseguire solo semplici determinazioni spettrofotometriche, con il quale quantificare il contenuto in composti fenolici in accordo con quanto riportato nell’health claim salutistico relativo ai polifenoli negli oli d’oliva (Reg. UE 432/2012). A questo scopo, il metodo sarà testato su dodici oli extra vergini di oliva, sia italiani che spagnoli, caratterizzati da concentrazioni diverse in composti fenolici, in parallelo ad un metodo cromatografico (HPLC-UV-MS) preceduto da idrolisi acida, già presente in letteratura. Tale reazione idrolitica consente, infatti, una conversione dei fenoli complessi tipici dell’oliva - i secoiridoidi - in fenoli semplici (idrossitirosolo e tirosolo), permettendo una determinazione semplificata del contenuto fenolico di un campione rispetto a quanto possibile mediante l’applicazione del solo metodo COI ("Determinazione dei biofenoli degli oli di oliva mediante HPLC", COI/T.20/Doc.n.29, 2009) per la verifica di quanto richiesto dall’health claim. Sulla base dei risultati ottenuti, sarà possibile valutare se i test colorimetrici più comunemente applicati per la determinazione dei composti fenolici negli oli d’oliva (Folin-Ciocalteu e metodo per la determinazione degli orto-difenoli con sodio molibdato) siano effettivamente applicabili per la determinazione del contenuto totale di idrossitirosolo e derivati in oli vergini di oliva, indicando se gli oli oggetto dello studio soddisfino o meno i requisiti UE per l’indicazione in etichetta del claim salutistico.

Machine Learning Unsupervised Methods in the Design of an On-board Health Monitoring System for Satellite Applications

The dissertation starts by providing a description of the phenomena related to the increasing importance recently acquired by satellite applications. The spread of such technology comes with implications, such as an increase in maintenance cost, from which derives the interest in developing advanced techniques that favor an augmented autonomy of spacecrafts in health monitoring. Machine learning techniques are widely employed to lay a foundation for effective systems specialized in fault detection by examining telemetry data. Telemetry consists of a considerable amount of information; therefore, the adopted algorithms must be able to handle multivariate data while facing the limitations imposed by on-board hardware features. In the framework of outlier detection, the dissertation addresses the topic of unsupervised machine learning methods. In the unsupervised scenario, lack of prior knowledge of the data behavior is assumed. In the specific, two models are brought to attention, namely Local Outlier Factor and One-Class Support Vector Machines. Their performances are compared in terms of both the achieved prediction accuracy and the equivalent computational cost. Both models are trained and tested upon the same sets of time series data in a variety of settings, finalized at gaining insights on the effect of the increase in dimensionality. The obtained results allow to claim that both models, combined with a proper tuning of their characteristic parameters, successfully comply with the role of outlier detectors in multivariate time series data. Nevertheless, under this specific context, Local Outlier Factor results to be outperforming One-Class SVM, in that it proves to be more stable over a wider range of input parameter values. This property is especially valuable in unsupervised learning since it suggests that the model is keen to adapting to unforeseen patterns.