PORTALE DELLA DIDATTICA

Ricerca CERCA
  KEYWORD

Machine learning per monitoraggio low-cost delle polveri sottili

Parole chiave ANDROID, API MANAGEMENT, FLASK, FLUTTER, INQUINAMENTO ATMOSFERICO, INTERNET OF THINGS, IOS, MOBILE APP DEVELOPEMENT, SMART CITIES, WIRELESS SENSOR NETWORKS

Riferimenti FILIPPO GANDINO

Gruppi di ricerca DAUIN - GR-05 - ELECTRONIC CAD & RELIABILITY GROUP - CAD

Tipo tesi RICERCA

Descrizione Un'elevata concentrazione di particolato (PM) nell'aria che respiriamo può avere un grave impatto sul nostro corpo, causando una serie di problemi di salute come ictus, malattie cardiache e cancro ai polmoni.
Il monitoraggio dei livelli di PM è spesso svolto dalle agenzie ambientali utilizzando una rete di stazioni fisse sparse sul territorio. Tuttavia, a causa dell'elevato costo della strumentazione, non è possibile raggiungere un'elevata granularità spaziale, soprattutto negli ambienti urbani.

Negli ultimi anni sono stati introdotti sul mercato sensori a light-scattering a basso costo. Potrebbero consentire la creazione di reti molto più dense, ma soffrono ancora di molti problemi come bassa precisione e alta frequenza di guasti.


Il lavoro di tesi è diviso in due parti. La prima riguarda l'applicazione e la messa a punto di algoritmi di machine learning per affrontare diverse problematiche:
- calibrazione del sensore: tuning degli algoritmi attualmente utilizzati (regressione lineare, random forest) e introduzione di nuovi per migliorare l'affidabilità delle misurazioni.
- rimozione outlier: rileva e rimuove gli outlier durante la fase di calibrazione.
- rilevamento guasti: prevedere la rottura di un sensore, al fine di consentire azioni correttive (accenderne uno ridondante).

La seconda parte è la riprogettazione della libreria software utilizzata dal gruppo di ricerca per analizzare i dati dei sensori:
- grande attenzione alla modularità
- disaccoppiamento dal data model
- integrazione dei nuovi algoritmi sviluppati

Conoscenze richieste Buone abilità di programmazione
Qualche esperienza di machine learning
Python (preferito)


Scadenza validita proposta 10/02/2023      PROPONI LA TUA CANDIDATURA