Analisi energetica al variare dello state of charge di propulsori ibridi e plug-in operanti nel ciclo WLTP con propulsore termico a punto fisso stechiometrico

Il presente lavoro propone la stesura di un codice in ambiente MATLAB per l'analisi energetica di powertrain ibridi operanti nel ciclo WLTP con il particolare funzionamento del motore termico benzina a punto fisso stechiometrico. Nello specifico, il codice prende dei dati in input tramite un'interfaccia grafica ed avvia una simulazione, i cui risultati principali corrispondono ad emissioni di anidride carbonica per chilometro percorso ed ai chilometri percorsi con un litro di carburante. Queste sono le due grandezze che questo lavoro si prefigge di ottimizzare, dalle quali proviene la scelta del particolare funzionamento del motore termico. Sono state implementate due differenti strategie di controllo, una generale ed una più particolare. La simulazione con la strategia generale è stata applicata a tre differenti scenari reali, con le caratteristiche tecniche di tre veicoli realmente esistenti che vengono inserite nell'interfaccia grafica. I risultati provenienti da queste simulazioni sono stati poi analizzati e discussi nel dettaglio, anche con l'ausilio di grafici a supporto della spiegazione. La strategia di controllo particolare non è stata applicata a scenari reali ma ha portato alla definizione di una ipotetica architettura di powertrain ibrido, alla quale la sopracitata strategia si adatta al meglio. Dopo aver proposto miglioramenti e possibili ulteriori sviluppi di questo lavoro, sono state tratte le conclusioni generali, allargando il tutto al contesto più ampio in cui si va ad inserire.

Texting and Driving: rilevazione di utilizzo dello smartphone alla guida tramite Object Detection e Machine Learning

Questa tesi si ispira a lavori precedentemente portati avanti da altri studenti e si pone il problema della possibilit\`a di riconoscere se uno smartphone \`e utilizzato da un utente mentre esso si trova alla guida di un'autovettura. In essa verranno presentati vari metodi per risolvere questo problema di Machine Learning, ovvero realizzazione di dataset per l'allenamento di modelli e creazione e allenamento di modelli stessi, dediti al riconoscimento di un problema di classificazione binaria e riconoscimento di oggetti tramite Object Detection. Il cercare di riconoscere se l'utente \`e alla guida o meno, avverr\`a tramite l'output della fotocamera frontale dello smartphone, quindi lavoreremo su immagini, video e frame. Arriveremo a riconoscere la posizione della persona rappresentata da questi fotogrammi tramite un modello di Object Detection, che riconosce cintura e finestrino e determina se sono appartenenti al sedile e alla posizione del conducente o del passeggero. Vedremo alla fine, attraverso un'attenta analisi dei risultati ottenuti su ben 8 video diversi che saranno divisi in molti frame, che si ottengono risultati molto interessanti, dai quali si pu\`o prendere spunto per la creazione di un importante sistema di sicurezza alla guida.

Generazione automatica di una knowledge base con applicazione ai Sustainable Development Goals

Questa tesi di laurea compie uno studio sull’ utilizzo di tecniche di web crawling, web scraping e Natural Language Processing per costruire automaticamente un dataset di documenti e una knowledge base di coppie verbo-oggetto utilizzabile per la classificazione di testi. Dopo una breve introduzione sulle tecniche utilizzate verrà presentato il metodo di generazione, prima in forma teorica e generalizzabile a qualunque classificazione basata su un insieme di argomenti, e poi in modo specifico attraverso un caso di studio: il software SDG Detector. In particolare quest ultimo riguarda l’applicazione pratica del metodo esposto per costruire una raccolta di informazioni utili alla classificazione di documenti in base alla presenza di uno o più Sustainable Development Goals. La parte relativa alla classificazione è curata dal co-autore di questa applicazione, la presente invece si concentra su un’analisi di correttezza e performance basata sull’espansione del dataset e della derivante base di conoscenza.

Geometric Deep Learning per il denoising di mesh 3D

La crescente disponibilità di scanner 3D ha reso più semplice l’acquisizione di modelli 3D dall’ambiente. A causa delle inevitabili imperfezioni ed errori che possono avvenire durante la fase di scansione, i modelli acquisiti possono risultare a volte inutilizzabili ed affetti da rumore. Le tecniche di denoising hanno come obiettivo quello di rimuovere dalla superficie della mesh 3D scannerizzata i disturbi provocati dal rumore, ristabilendo le caratteristiche originali della superficie senza introdurre false informazioni. Per risolvere questo problema, un approccio innovativo è quello di utilizzare il Geometric Deep Learning per addestrare una Rete Neurale in maniera da renderla in grado di eseguire efficacemente il denoising di mesh. L’obiettivo di questa tesi è descrivere il Geometric Deep Learning nell’ambito del problema sotto esame.

Design for repair: ottimizzazione metodologie e caso di studio sottogruppo meccanico

Negli ultimi anni si è visto un forte segnale di cambiamento culturale indirizzato verso la sostenibilità affermando sempre più efficacemente i concetti di riciclaggio, riduzione e riutilizzo. Finora il design dei prodotti si è concentrato su aspetti che sfavorivano tale approccio e piuttosto si ponevano come specifica quella di definire a priori la vita del prodotto. Infatti, si sono sempre più sviluppate tecniche di accoppiamento delle parti che una volta accoppiate non consentivano più il disassemblaggio di queste. L’obiettivo di tale elaborato è stato quello di definire, nella famiglia di metodologie chiamata Design for X, un criterio che possa valutare e guidare la progettazione in ottica più mirata verso la riparabilità del prodotto “Design for Repair”. Aumentare la riparabilità del prodotto vuol dire poter aumentare la sua longevità, così da non avere la necessità di sostituirlo con un componente nuovo causando un impatto ambientale doppio, ossia la mancata necessità sia di sfruttare risorse per la realizzazione del sostituto sia di non dover occuparsi del processo di smaltimento del prodotto sostituito.

Un framework per la gestione di moduli di insider threat detection basati su eBPF

Gli Insider Threat sono una problematica complessa e rappresentano una delle problematiche più costose per le organizzazioni: questi ultimi possono, potenzialmente, realizzare grandi guadagni dalle informazioni sottratte danneggiando i clienti e provocando danni irreparabili all’organizzazione. Screening effettuati prima dell’assunzione e la costruzione di un relazione di fiducia basata sulla collaborazione rimangono fondamentali ma, spesso, non sono sufficienti ed è bene integrare il processo di difesa da insider threat all’interno delle business operation. Date queste precondizioni, l’obiettivo di questa tesi è stato quello di cercare un approccio sistematico per affrontare il problema dell’Insider Threat e di fornire nuovi strumenti per la sua detection altamente specializzati nel campo della cyber-security. Dato il campo applicativo, risulta fondamentale rendere questo processo totalmente trasparente al potenziale insider threat. Le più moderne tecniche di hiding, prese dai moderni malware, sono state implementate utilizzando eBPF rendendo possibile unire una quasi totale invisibilità unita alla stabilità garantita da questa tecnologia.

ADDITIVE MANUFACTURING: tecnologia innovativa per l'ottimizzazione di macchine elettriche

Lo scopo di questa tesi è quello di mostrare le potenzialità e le possibili soluzioni dell’Additive Manufacturing per l’ottimizzazione di macchine elettriche in risposta al problema delle terre rare. Nel primo capitolo viene presentato lo stato dell’arte dell’Additive Manufacturing mostrando una rapida panoramica delle sue caratteristiche principali, le potenzialità future e i settori di utilizzo. Il secondo capitolo propone le principali tecniche di Stampa 3D per la realizzazione di oggetti evidenziando di ognuna i pregi e i difetti. All’interno del terzo capitolo, viene illustrata la struttura di una macchina elettrica mostrando le varie componenti e presentando delle possibili ottimizzazioni realizzate tramite Additive Manufacturing. Nel quarto capitolo vengono presentati esempi di macchine elettriche complete realizzate attraverso le tecniche dell’Additive Manufacturing. Nel quinto capitolo vengono confrontati un Interior Permanent Magnets motor e un Synchronous Relectance Machine.

Design e simulazione di un convertitore DC-DC per applicazioni automotive implementato mediante tecnologia GaN

L’obiettivo dell’elaborato è quello di presentare una soluzione di collegamento ed interfacciamento tra il supercondensatore (SC) dell’HESS (sistema ibrido di accumulo dell’energia situato all’interno di un veicolo elettrico) e il DC-link (bus che fornisce la potenza necessaria all’inverter che pilota il motore elettrico) attraverso un convertitore DC-DC ad alta efficienza che utilizzi tecnologie di potenza al nitruro di gallio (GaN). Il convertitore presentato è un convertitore DC-DC bidirezionale in configurazione Half-Bridge, esso dovrà funzionare in modalità Boost, ogni qualvolta il motore richieda energia extra dal SC, in modalità Buck per ricaricare il SC durante la frenata rigenerativa. In seguito ad un’introduzione ai veicoli elettrici, alla loro architettura e al perché il SC è così fondamentale, verrà presentata una breve introduzione ai convertitori di potenza (Capitolo 1). Si passerà poi alla presentazione delle tecnologie GaN mostrando come esse rappresentino il futuro dell’elettronica di potenza grazie ai loro numerosi vantaggi (Capitolo 2). Nel capitolo 3 si entrerà nel vivo della progettazione, è qui che sarà progettata ed implementata la soluzione proposta. Verrà effettuata una prima simulazione del circuito, tenendo conto degli effetti parassiti dei soli componenti, attraverso l’ausilio del software LTSpice. Il Capitolo 4 prevede una breve introduzione alle tecniche di layout, utili nella costruzione del circuito stampato presentata all’interno del medesimo capitolo. Il PCB sarà modellato mediante un secondo software denominato KiCAD. Infine, nel Capitolo 5, si procederà con la simulazione elettromagnetica del circuito stampato, essa permetterà di individuare gli effetti parassiti dovuti alle non idealità del layout e di mostrare l’effettiva differenza di efficienza tra un caso semi-ideale e un caso semi-reale.

Studio e ottimizzazione della produzione di radioisotopi per radiofarmaci mediante generatori compatti di neutroni

I generatori compatti di neutroni possono rappresentare un grande progresso nell'ambito della Medicina Nucleare. Sono una valida alternativa rispetto ai metodi tradizionali per la produzione dei radioisotopi necessari per la sintesi dei radiofarmaci, e permettono di esplorare e sviluppare nuove metodologie radioterapeutiche innovative, complementari e potenzialmente più efficaci rispetto a quelle già esistenti. Enea sta portando avanti due progetti in questo ambito. Il primo, SORGENTINA-RF, è volto allo sviluppo di una macchina in grado di produrre un fascio di neutroni a 14MeV, con la quale irradiare un target di molibdeno metallico, in modo da ottenere tecnezio-99 metastabile (99mTc), il radioisotopo più usato al mondo nelle procedure di imaging biomedico. Il secondo progetto, LINC-ER, ha lo scopo di progettare le infrastrutture necessarie ad accogliere un generatore compatto di neutroni, il cui scopo sarà quello di eliminare le residue cellule tumorali dopo un intervento chirurgico, a ferita aperta, in modo simile alle attuali tecniche di radioterapia intraoperatoria, che però sfruttano elettroni o raggi X. Questo lavoro di tesi trova posto in questi progetti perché ha contributo a portare avanti le ricerche in due aspetti specifici. Nel caso di SORGENTINA-RF, sono stati studiati tutti gli aspetti radiochimici per ottenere dal molibdeno metallico la soluzione liquida di molibdato sodico da cui si estrae il 99mTc. In questo caso si è deciso di puntare su processo “green” e innovativo basato sull’uso di perossido di idrogeno. Durante la tesi si sono studiati i più importanti fattori che governano questo processo e si è definito un meccanismo chimico che lo spiega. Nel caso di LINC-ER, invece, il lavoro sperimentale è stato quello di studiare metodi e rotte sintetiche nuove per ottenere nanoparticelle di composti di boro e bario, dispersi in hydrogels in grado di amplificare gli effetti del fascio neutronico sui tessuti cancerogeni e ridurli su quelli sani.

Nodi sensori LoRaWAN a micropotenze: progettazione hardware, firmware e a livello di applicazione

L'elaborato parte da una scheda di sviluppo commerciale per arrivare a realizzare una rete LoRaWAN comprensiva di End-Node, Gateway e Application Server. In maniera specifica, l'elaborato affronta il problema della progettazione di end-node a micropotenze. Dopo aver studiato e collaudato la piattaforma di sviluppo, è stata affrontata la problematica dell'ottimizzazione energetica a diversi livelli: scelta di componenti con correnti di perdita estremamente ridotte, tecniche di power gating temporizzato, comportamento adattativo del nodo, impostazione dei consumi del nodo mediante i server della rete. L'elaborato presenta infine il layout del PCB progettato, pronto per la fabbricazione, insieme a stime del tempo di vita dell'end-node in funzione della frequenza di trasmissione e della capacità delle batterie utilizzate.

Machine Learning in Applicazione alla Prevenzione del Morbo di Alzheimer

Il morbo di Alzheimer è ancora una malattia incurabile. Negli ultimi anni l'aumento progressivo dell'aspettativa di vita ha contribuito a un'insorgenza maggiore di questa patologia, specialmente negli stati con l'età media più alta, tra cui l'Italia. La prevenzione risulta una delle poche vie con cui è possibile arginarne lo sviluppo, ed in questo testo vengono analizzate le potenzialità di alcune tecniche di Machine Learning atte alla creazione di modelli di supporto diagnostico per Alzheimer. Dopo un'opportuna introduzione al morbo di Alzheimer ed al funzionamento generale del Machine Learning, vengono presentate e approfondite due delle tecniche più promettenti per la diagnosi di patologie neurologiche, ovvero la Support Vector Machine (macchina a supporto vettoriale, SVM) e la Convolutional Neural Network (rete neurale convoluzionale, CNN), con annessi risultati, punti di forza e principali debolezze. La conclusione verterà sul possibile futuro delle intelligenze artificiali, con particolare attenzione all'ambito sanitario, e verranno discusse le principali difficoltà nelle quali queste incombono prima di essere commercializzate, insieme a plausibili soluzioni.

Generazione efficiente di molteplici scenari di compromissione cyber ai fini di test e formazione

Questo lavoro si propone di implementare tre scenari di compromissione informatica tramite l'ausilio della strumentazione fornita da Ansible e Docker. Dopo una prima parte teorica di presentazione delle più recenti vulnerabilità/compromissioni informatiche, si passa all'illustrazione degli strumenti e dell'architettura degli scenari, anche tramite l'ausilio di codice. Tramite la funzione UNIX time si effettua l'analisi di diverse tecniche di distribuzione, dimostrando come l'automazione abbia effettivi e seri vantaggi rispetto ad una continua implementazione manuale, principalmente da un punto di vista temporale e computazionale.

Analisi prestazionale della ricerca di vicini in uno spazio vettoriale con Elasticsearch su infrastruttura cloud

Negli ultimi anni, a causa degli enormi progressi dell’informatica e della sempre crescente quantità di dati generati, si è sentito sempre più il bisogno di trovare nuove tecniche, approcci e algoritmi per la ricerca dei dati. Infatti, la quantità di informazioni da memorizzare è diventata tale che ormai si sente sempre più spesso parlare di "Big Data". Questo nuovo scenario ha reso sempre più inefficaci gli approcci tradizionali alla ricerca di dati. Recentemente sono state quindi proposte nuove tecniche di ricerca, come ad esempio le ricerche Nearest Neighbor. In questo elaborato sono analizzate le prestazioni della ricerca di vicini in uno spazio vettoriale utilizzando come sistema di data storage Elasticsearch su un’infrastruttura cloud. In particolare, sono stati analizzati e messi a confronto i tempi di ricerca delle ricerche Nearest Neighbor esatte e approssimate, valutando anche la perdita di precisione nel caso di ricerche approssimate, utilizzando due diverse metriche di distanza: la similarità coseno e il prodotto scalare.

La User Experience nel design di applicazioni Web - Il modulo diete Nutribook

In epoca contemporanea, la tecnologia ha subito una diffusione massiva e ha pervaso ogni ambito della vita dell’uomo, che sia esso scolastico, lavorativo, o ludico, cambiandone così radicalmente lo stile di vita sotto tutti i punti di vista. Sono infatti numerosissimi gli strumenti informatici che ad oggi supportano l'esercizio della maggior parte delle professioni, e che risultano peraltro ogni giorno più accurati e potenti: questo è il caso di Nutribook, un software gestionale in-cloud pensato per assistere i professionisti del mondo della nutrizione (Biologi Nutrizionisti, Dietologi, Dietisti) nelle attività quotidiane di visita dei pazienti e nell’organizzazione della propria agenda. Nell'ottica di poter offrire agli utenti un servizio sempre più esteso, il presente elaborato riporta il progetto di tesi svolto presso Deasoft s.r.l., azienda proprietaria di Nutribook, volto ad integrare tale software con un modulo dedicato all’attività di elaborazione di diete e piani alimentari. L'obiettivo principale del progetto presentato nell’elaborato risiede non solo nell'aspetto realizzativo del prodotto, ma anche nel tentativo di renderne la fruizione da parte dell'utente target il più possibile semplice, intuitiva e soddisfacente, mediante tecniche di potenziamento della User Experience. Il tirocinio per la redazione della presente tesi, nato a partire dall’esperienza di tirocinio curricolare, ha previsto come attività principali la conduzione di studi approfonditi in materia di User Experience, la partecipazione alla fase di analisi del dominio e dei requisiti e, infine, la collaborazione al design delle interfacce da realizzare mediante prototipi.

Reti neurali convoluzionali nell'elaborazione di immagini mammografiche

Il tema centrale di questa tesi è il Machine Learning e la sua applicabilità nella ricostruzione di immagini biomediche, nello specifico di immagini mammarie. Il metodo attualmente più diffuso per la rilevazione del tumore al seno è la Mammografia 2D digitale, ma l’interesse mostrato ultimamente verso la Tomosintesi ha dimostrato una migliore capacità di diagnosi tumorale, anche ai primi stadi. Sebbene le due tecniche combinate siano in grado di rilevare anche la minima lesione, questo comporta una sovraesposizione alle radiazioni. Lo scopo finale, perciò, è quello di fornire un valido strumento di supporto per la caratterizzazione automatica di masse e opacità in immagini di tomosintesi, così da sottoporre il paziente ad un singolo esame radiografico. L'obiettivo è stato dunque ricostruire, tramite reti neurali Convoluzionali, immagini sintetiche di Tomosintesi di qualità superiore e il più possibile vicine a quelle di mammografia 2D. Sono state presentate nel dettaglio le due tecniche di imaging, le problematiche ad esse legate ed un approfondito confronto dosimetrico. Dopo una trattazione teorica dei principi delle CNN, sono state riportate le caratteristiche delle architetture di rete realizzate nella parte progettuale dell’elaborato. Sono stati valutati i comportamenti dei differenti modelli neurali per uno stesso Dataset di immagini di Tomosintesi, individuandone il migliore in termini di prestazioni finali nelle immagini di Test. Dagli studi effettuati è stata provata la possibilità, in un futuro sempre più prossimo, di applicare la Tomosintesi, con l’ausilio delle reti Convoluzionali, come tecnica unica di screening e di rilevazione del tumore al seno.