L’EMERGENZA CLIMATICA GLOBALE RICHIEDE LO SVILUPPO DI SOLUZIONI INNOVATIVE E SOSTENIBILI NEI SETTORI DELL’ENERGIA E DEI TRASPORTI. LA PRESENTE TESI DI DOTTORATO AFFRONTA LE APPLICAZIONI DI METODOLOGIE AVANZATE DATA-DRIVEN E DI APPRENDIMENTO AUTOMATICO PER DISPOSITIVI ELETTROCHIMICI E PER LA MOBILITÀ SOSTENIBILE. L’OBIETTIVO DEL LAVORO È MIGLIORARE L’AFFIDABILITÀ, LA DURABILITÀ E L’EFFICIENZA DI CELLE A COMBUSTIBILE, ELETTROLIZZATORI E BATTERIE, NONCHÉ ESPLORARE MODELLI DI MACHINE LEARNING VOLTI AD AUMENTARE L’EFFICIENZA DEL SETTORE DEI TRASPORTI PESANTI. LA RICERCA È MOTIVATA DALL’URGENTE NECESSITÀ DI CONCILIARE LA CRESCENTE DOMANDA ENERGETICA CON L’IMPERATIVO POLITICO E AMBIENTALE DI RIDURRE LE EMISSIONI DI GAS A EFFETTO SERRA. IN QUESTO AMBITO, OCCORRE AFFRONTARE DUE SFIDE PRINCIPALI: LA BEN NOTA BASSA DENSITÀ ENERGETICA E L’INTERMITTENZA DELLA PRODUZIONE DA FONTI RINNOVABILI, E LA PIÙ RECENTE INSTABILITÀ GEOPOLITICA, CHE HA INCISO SIGNIFICATIVAMENTE SUL COSTO DELLE RISORSE ENERGETICHE FOSSILI. NEL CAMPO DELLA GENERAZIONE STAZIONARIA DI ENERGIA, PARTICOLARE ATTENZIONE È RIVOLTA AI SISTEMI BASATI SULL’IDROGENO. IL LAVORO SVILUPPA APPROCCI INNOVATIVI PER IL MONITORAGGIO E LA PREVISIONE DEI FENOMENI DI DEGRADO NELLE CELLE A COMBUSTIBILE, COSÌ COME NEGLI ELETTROLIZZATORI DESTINATI ALLA PRODUZIONE DI IDROGENO VERDE. TECNICHE DI DATA FUSION E ARCHITETTURE DI RETI NEURALI VENGONO IMPLEMENTATE PER STIMARE LO STATE OF HEALTH (SOH) E SVOLGERE ATTIVITÀ DI MONITORAGGIO, ABILITANDO STRATEGIE DI MANUTENZIONE PREDITTIVA IN GRADO DI PROLUNGARE LA VITA UTILE DEI DISPOSITIVI E RIDURNE I COSTI OPERATIVI. LA TESI HA CONTRIBUITO DIRETTAMENTE AI PROGETTI EUROPEI FINANZIATI RUBY E REACTT, FINALIZZATI ALL’INTEGRAZIONE DI ALGORITMI DIAGNOSTICI E PROGNOSTICI IN PIATTAFORME HARDWARE PER APPLICAZIONI INDUSTRIALI, FAVORENDO COSÌ LA COMMERCIALIZZAZIONE DI SISTEMI A CELLE A COMBUSTIBILE PIÙ AFFIDABILI. PER QUANTO RIGUARDA LO STOCCAGGIO ELETTROCHIMICO, LO STUDIO AFFRONTA LA DEGRADAZIONE DELLE BATTERIE AGLI IONI DI LITIO TRAMITE MODELLI DI APPRENDIMENTO AUTOMATICO CAPACI DI PREVEDERE LA CAPACITÀ DEL DISPOSITIVO IN CONDIZIONI OPERATIVE DINAMICHE. GRADIENT-BOOSTED DECISION TREES E ARCHITETTURE DI RETI NEURALI PROFONDE, TRA CUI N-BEATS E LSTM, SONO VALUTATI IN RELAZIONE ALLA LORO CAPACITÀ DI CATTURARE MECCANISMI DI DEGRADAZIONE NON LINEARI E DI FORNIRE PREVISIONI ACCURATE NEL LUNGO PERIODO. QUESTA ATTIVITÀ, SOSTENUTA DALLA ENEL FOUNDATION E DAL PROGRAMMA FULBRIGHT DURANTE UN PERIODO DI RICERCA NEGLI STATI UNITI, CONTRIBUISCE ALLO SVILUPPO DI STRUMENTI ROBUSTI PER LA GESTIONE DELLO STATO DI SALUTE DELLE BATTERIE E PER UN’INTEGRAZIONE SICURA ED EFFICIENTE DEI SISTEMI DI ACCUMULO NELLE RETI RINNOVABILI. NEL SETTORE DEI TRASPORTI, IL LAVORO SI CONCENTRA SULLA DECARBONIZZAZIONE DEI VEICOLI PESANTI, UN COMPARTO CARATTERIZZATO DA STRINGENTI REQUISITI DI DENSITÀ ENERGETICA E DA ELEVATE EMISSIONI. MODELLI BASATI SU MACHINE LEARNING SONO SVILUPPATI PER SIMULARE DINAMICAMENTE IL CONSUMO DI CARBURANTE IN TEMPO REALE, FACENDO USO DI RETI NEURALI RICORRENTI E RANDOM FOREST. MEDIANTE TECNICHE DI AGGREGAZIONE DEI DATI E FEATURE ENGINEERING, I MODELLI RAGGIUNGONO UNA MIGLIORE EFFICIENZA COMPUTAZIONALE E UNA MAGGIORE ACCURATEZZA PREDITTIVA, OFFRENDO APPLICAZIONI PROMETTENTI PER LA GESTIONE DELLE FLOTTE, L’OTTIMIZZAZIONE DEI CONSUMI E LA RIDUZIONE DELLE EMISSIONI. NEL COMPLESSO, LA TESI DIMOSTRA COME APPROCCI AVANZATI DI DIAGNOSI E PROGNOSI BASATI SULL’INTELLIGENZA ARTIFICIALE POSSANO RAPPRESENTARE UN PARADIGMA UNIFICANTE PER DIVERSE TECNOLOGIE ENERGETICHE. COLMANDO IL DIVARIO TRA MODELLAZIONE TEORICA E APPLICAZIONE INDUSTRIALE, QUESTA RICERCA PONE LE BASI PER SISTEMI ENERGETICI PIÙ SOSTENIBILI E RESILIENTI, CAPACI DI SOSTENERE LA TRANSIZIONE GLOBALE VERSO UN FUTURO A BASSE EMISSIONI DI CARBONIO.

THE GLOBAL CLIMATE EMERGENCY REQUIRES THE DEVELOPMENT OF INNOVATIVE AND SUSTAINABLE SOLUTIONS IN THE ENERGY AND TRANSPORTATION SECTORS. THIS DOCTORAL THESIS DEALS WITH THE APPLICATIONS OF ADVANCED DATA-DRIVEN AND MACHINE LEARNING METHODOLOGIES FOR ELECTROCHEMICAL DEVICES AND SUSTAINABLE MOBILITY. THE WORK AIMS AT IMPROVING RELIABILITY, DURABILITY, AND EFFICIENCY OF FUEL CELLS, ELECTROLYZERS, AND BATTERIES, AS WELL AS EXPLORING MACHINE LEARNING MODELING TO INCREASE THE EFFICIENCY OF HEAVY-DUTY TRANSPORTATION SECTOR. THE RESEARCH IS MOTIVATED BY THE PRESSING NEED TO RECONCILE RISING ENERGY DEMAND WITH THE POLITICAL AND ENVIRONMENTAL IMPERATIVE OF REDUCING GREENHOUSE GAS EMISSIONS. IN THIS FILED TWO MAIN CHALLENGES SHOULD BE TACKLED: THE WELL-KNOWN LOW DENSITY AND THE INTERMITTENCY OF RENEWABLE ENERGY PRODUCTION AND THE MORE RECENT GEOPOLITICAL INSTABILITY, WHICH HAS IMPACTED ON THE COST OF FOSSIL ENERGY SOURCES. IN THE FIELD OF STATIONARY POWER GENERATION, PARTICULAR EMPHASIS IS PLACED ON HYDROGEN-BASED SYSTEMS. THE WORK DEVELOPS NOVEL APPROACHES FOR MONITORING AND PREDICTING DEGRADATION IN FUEL CELLS, AS WELL AS IN ELECTROLYZERS FOR GREEN HYDROGEN PRODUCTION. DATA FUSION TECHNIQUES, AND NEURAL NETWORK ARCHITECTURES ARE IMPLEMENTED TO ESTIMATE STATE OF HEALTH (SOH) AND PERFORM MONITORING, ENABLING PREDICTIVE MAINTENANCE STRATEGIES THAT EXTEND DEVICE LIFETIME AND REDUCE OPERATIONAL COSTS. THE THESIS CONTRIBUTED DIRECTLY TO EU-FUNDED PROJECTS RUBY AND REACTT, AIMED AT INTEGRATING DIAGNOSTIC AND PROGNOSTIC ALGORITHMS INTO HARDWARE PLATFORMS FOR INDUSTRIAL DEPLOYMENT, THEREBY FOSTERING THE COMMERCIALIZATION OF MORE RELIABLE FUEL CELL SYSTEMS. FOR ELECTROCHEMICAL STORAGE, THE STUDY ADDRESSES LITHIUM-ION BATTERY DEGRADATION THROUGH MACHINE LEARNING MODELS CAPABLE OF FORECASTING THE DEVICE CAPACITY UNDER DYNAMIC OPERATING CONDITIONS. GRADIENT-BOOSTED DECISION TREES AND DEEP NEURAL NETWORK ARCHITECTURES, INCLUDING N-BEATS AND LSTM, ARE EVALUATED FOR THEIR ABILITY TO CAPTURE NONLINEAR DEGRADATION MECHANISMS AND PROVIDE ACCURATE LONG-TERM PREDICTIONS. THIS ACTIVITY, SUPPORTED BY THE ENEL FOUNDATION AND THE FULBRIGHT PROGRAM DURING A RESEARCH STAY IN THE UNITED STATES, CONTRIBUTES TO THE DEVELOPMENT OF ROBUST TOOLS FOR BATTERY HEALTH MANAGEMENT AND SAFE, EFFICIENT ENERGY STORAGE INTEGRATION INTO RENEWABLE GRIDS. IN THE TRANSPORTATION DOMAIN, THE WORK FOCUSES ON THE DECARBONIZATION OF HEAVY-DUTY VEHICLES, A SECTOR CHARACTERIZED BY STRINGENT ENERGY DENSITY REQUIREMENTS AND HIGH EMISSIONS. MACHINE LEARNING-BASED MODELS ARE DEVELOPED TO DYNAMICALLY SIMULATE FUEL CONSUMPTION IN REAL TIME, LEVERAGING RECURRENT NEURAL NETWORKS AND RANDOM FOREST. BY INCORPORATING DATA AGGREGATION AND FEATURE ENGINEERING, THE MODELS ACHIEVE IMPROVED COMPUTATIONAL EFFICIENCY AND PREDICTIVE ACCURACY, OFFERING PROMISING APPLICATIONS FOR FLEET MANAGEMENT, FUEL OPTIMIZATION, AND EMISSIONS REDUCTION. OVERALL, THE THESIS DEMONSTRATES THAT ADVANCED AI-BASED PROGNOSTIC AND DIAGNOSTIC APPROACHES CAN SERVE AS A UNIFYING PARADIGM ACROSS DIVERSE ENERGY TECHNOLOGIES. BY BRIDGING THE GAP BETWEEN THEORETICAL MODELING AND INDUSTRIAL APPLICATION, THIS RESEARCH LAYS THE FOUNDATION FOR MORE SUSTAINABLE AND RESILIENT ENERGY SYSTEMS, CAPABLE OF SUPPORTING THE GLOBAL TRANSITION TOWARD A LOW-CARBON FUTURE.

APPLICATIONS OF MACHINE LEARNING METHODOLOGIES FOR PERFORMANCE IMPROVEMENT OF STATIONARY AND MOBILITY ENERGY CONVERSION SYSTEMS / Alfonso Pandolfi , 2025 Dec 12. 37. ciclo, Anno Accademico 2023/24.

APPLICATIONS OF MACHINE LEARNING METHODOLOGIES FOR PERFORMANCE IMPROVEMENT OF STATIONARY AND MOBILITY ENERGY CONVERSION SYSTEMS

Pandolfi, Alfonso
2025

Abstract

L’EMERGENZA CLIMATICA GLOBALE RICHIEDE LO SVILUPPO DI SOLUZIONI INNOVATIVE E SOSTENIBILI NEI SETTORI DELL’ENERGIA E DEI TRASPORTI. LA PRESENTE TESI DI DOTTORATO AFFRONTA LE APPLICAZIONI DI METODOLOGIE AVANZATE DATA-DRIVEN E DI APPRENDIMENTO AUTOMATICO PER DISPOSITIVI ELETTROCHIMICI E PER LA MOBILITÀ SOSTENIBILE. L’OBIETTIVO DEL LAVORO È MIGLIORARE L’AFFIDABILITÀ, LA DURABILITÀ E L’EFFICIENZA DI CELLE A COMBUSTIBILE, ELETTROLIZZATORI E BATTERIE, NONCHÉ ESPLORARE MODELLI DI MACHINE LEARNING VOLTI AD AUMENTARE L’EFFICIENZA DEL SETTORE DEI TRASPORTI PESANTI. LA RICERCA È MOTIVATA DALL’URGENTE NECESSITÀ DI CONCILIARE LA CRESCENTE DOMANDA ENERGETICA CON L’IMPERATIVO POLITICO E AMBIENTALE DI RIDURRE LE EMISSIONI DI GAS A EFFETTO SERRA. IN QUESTO AMBITO, OCCORRE AFFRONTARE DUE SFIDE PRINCIPALI: LA BEN NOTA BASSA DENSITÀ ENERGETICA E L’INTERMITTENZA DELLA PRODUZIONE DA FONTI RINNOVABILI, E LA PIÙ RECENTE INSTABILITÀ GEOPOLITICA, CHE HA INCISO SIGNIFICATIVAMENTE SUL COSTO DELLE RISORSE ENERGETICHE FOSSILI. NEL CAMPO DELLA GENERAZIONE STAZIONARIA DI ENERGIA, PARTICOLARE ATTENZIONE È RIVOLTA AI SISTEMI BASATI SULL’IDROGENO. IL LAVORO SVILUPPA APPROCCI INNOVATIVI PER IL MONITORAGGIO E LA PREVISIONE DEI FENOMENI DI DEGRADO NELLE CELLE A COMBUSTIBILE, COSÌ COME NEGLI ELETTROLIZZATORI DESTINATI ALLA PRODUZIONE DI IDROGENO VERDE. TECNICHE DI DATA FUSION E ARCHITETTURE DI RETI NEURALI VENGONO IMPLEMENTATE PER STIMARE LO STATE OF HEALTH (SOH) E SVOLGERE ATTIVITÀ DI MONITORAGGIO, ABILITANDO STRATEGIE DI MANUTENZIONE PREDITTIVA IN GRADO DI PROLUNGARE LA VITA UTILE DEI DISPOSITIVI E RIDURNE I COSTI OPERATIVI. LA TESI HA CONTRIBUITO DIRETTAMENTE AI PROGETTI EUROPEI FINANZIATI RUBY E REACTT, FINALIZZATI ALL’INTEGRAZIONE DI ALGORITMI DIAGNOSTICI E PROGNOSTICI IN PIATTAFORME HARDWARE PER APPLICAZIONI INDUSTRIALI, FAVORENDO COSÌ LA COMMERCIALIZZAZIONE DI SISTEMI A CELLE A COMBUSTIBILE PIÙ AFFIDABILI. PER QUANTO RIGUARDA LO STOCCAGGIO ELETTROCHIMICO, LO STUDIO AFFRONTA LA DEGRADAZIONE DELLE BATTERIE AGLI IONI DI LITIO TRAMITE MODELLI DI APPRENDIMENTO AUTOMATICO CAPACI DI PREVEDERE LA CAPACITÀ DEL DISPOSITIVO IN CONDIZIONI OPERATIVE DINAMICHE. GRADIENT-BOOSTED DECISION TREES E ARCHITETTURE DI RETI NEURALI PROFONDE, TRA CUI N-BEATS E LSTM, SONO VALUTATI IN RELAZIONE ALLA LORO CAPACITÀ DI CATTURARE MECCANISMI DI DEGRADAZIONE NON LINEARI E DI FORNIRE PREVISIONI ACCURATE NEL LUNGO PERIODO. QUESTA ATTIVITÀ, SOSTENUTA DALLA ENEL FOUNDATION E DAL PROGRAMMA FULBRIGHT DURANTE UN PERIODO DI RICERCA NEGLI STATI UNITI, CONTRIBUISCE ALLO SVILUPPO DI STRUMENTI ROBUSTI PER LA GESTIONE DELLO STATO DI SALUTE DELLE BATTERIE E PER UN’INTEGRAZIONE SICURA ED EFFICIENTE DEI SISTEMI DI ACCUMULO NELLE RETI RINNOVABILI. NEL SETTORE DEI TRASPORTI, IL LAVORO SI CONCENTRA SULLA DECARBONIZZAZIONE DEI VEICOLI PESANTI, UN COMPARTO CARATTERIZZATO DA STRINGENTI REQUISITI DI DENSITÀ ENERGETICA E DA ELEVATE EMISSIONI. MODELLI BASATI SU MACHINE LEARNING SONO SVILUPPATI PER SIMULARE DINAMICAMENTE IL CONSUMO DI CARBURANTE IN TEMPO REALE, FACENDO USO DI RETI NEURALI RICORRENTI E RANDOM FOREST. MEDIANTE TECNICHE DI AGGREGAZIONE DEI DATI E FEATURE ENGINEERING, I MODELLI RAGGIUNGONO UNA MIGLIORE EFFICIENZA COMPUTAZIONALE E UNA MAGGIORE ACCURATEZZA PREDITTIVA, OFFRENDO APPLICAZIONI PROMETTENTI PER LA GESTIONE DELLE FLOTTE, L’OTTIMIZZAZIONE DEI CONSUMI E LA RIDUZIONE DELLE EMISSIONI. NEL COMPLESSO, LA TESI DIMOSTRA COME APPROCCI AVANZATI DI DIAGNOSI E PROGNOSI BASATI SULL’INTELLIGENZA ARTIFICIALE POSSANO RAPPRESENTARE UN PARADIGMA UNIFICANTE PER DIVERSE TECNOLOGIE ENERGETICHE. COLMANDO IL DIVARIO TRA MODELLAZIONE TEORICA E APPLICAZIONE INDUSTRIALE, QUESTA RICERCA PONE LE BASI PER SISTEMI ENERGETICI PIÙ SOSTENIBILI E RESILIENTI, CAPACI DI SOSTENERE LA TRANSIZIONE GLOBALE VERSO UN FUTURO A BASSE EMISSIONI DI CARBONIO.
12-dic-2025
37
INGEGNERIA INDUSTRIALE
THE GLOBAL CLIMATE EMERGENCY REQUIRES THE DEVELOPMENT OF INNOVATIVE AND SUSTAINABLE SOLUTIONS IN THE ENERGY AND TRANSPORTATION SECTORS. THIS DOCTORAL THESIS DEALS WITH THE APPLICATIONS OF ADVANCED DATA-DRIVEN AND MACHINE LEARNING METHODOLOGIES FOR ELECTROCHEMICAL DEVICES AND SUSTAINABLE MOBILITY. THE WORK AIMS AT IMPROVING RELIABILITY, DURABILITY, AND EFFICIENCY OF FUEL CELLS, ELECTROLYZERS, AND BATTERIES, AS WELL AS EXPLORING MACHINE LEARNING MODELING TO INCREASE THE EFFICIENCY OF HEAVY-DUTY TRANSPORTATION SECTOR. THE RESEARCH IS MOTIVATED BY THE PRESSING NEED TO RECONCILE RISING ENERGY DEMAND WITH THE POLITICAL AND ENVIRONMENTAL IMPERATIVE OF REDUCING GREENHOUSE GAS EMISSIONS. IN THIS FILED TWO MAIN CHALLENGES SHOULD BE TACKLED: THE WELL-KNOWN LOW DENSITY AND THE INTERMITTENCY OF RENEWABLE ENERGY PRODUCTION AND THE MORE RECENT GEOPOLITICAL INSTABILITY, WHICH HAS IMPACTED ON THE COST OF FOSSIL ENERGY SOURCES. IN THE FIELD OF STATIONARY POWER GENERATION, PARTICULAR EMPHASIS IS PLACED ON HYDROGEN-BASED SYSTEMS. THE WORK DEVELOPS NOVEL APPROACHES FOR MONITORING AND PREDICTING DEGRADATION IN FUEL CELLS, AS WELL AS IN ELECTROLYZERS FOR GREEN HYDROGEN PRODUCTION. DATA FUSION TECHNIQUES, AND NEURAL NETWORK ARCHITECTURES ARE IMPLEMENTED TO ESTIMATE STATE OF HEALTH (SOH) AND PERFORM MONITORING, ENABLING PREDICTIVE MAINTENANCE STRATEGIES THAT EXTEND DEVICE LIFETIME AND REDUCE OPERATIONAL COSTS. THE THESIS CONTRIBUTED DIRECTLY TO EU-FUNDED PROJECTS RUBY AND REACTT, AIMED AT INTEGRATING DIAGNOSTIC AND PROGNOSTIC ALGORITHMS INTO HARDWARE PLATFORMS FOR INDUSTRIAL DEPLOYMENT, THEREBY FOSTERING THE COMMERCIALIZATION OF MORE RELIABLE FUEL CELL SYSTEMS. FOR ELECTROCHEMICAL STORAGE, THE STUDY ADDRESSES LITHIUM-ION BATTERY DEGRADATION THROUGH MACHINE LEARNING MODELS CAPABLE OF FORECASTING THE DEVICE CAPACITY UNDER DYNAMIC OPERATING CONDITIONS. GRADIENT-BOOSTED DECISION TREES AND DEEP NEURAL NETWORK ARCHITECTURES, INCLUDING N-BEATS AND LSTM, ARE EVALUATED FOR THEIR ABILITY TO CAPTURE NONLINEAR DEGRADATION MECHANISMS AND PROVIDE ACCURATE LONG-TERM PREDICTIONS. THIS ACTIVITY, SUPPORTED BY THE ENEL FOUNDATION AND THE FULBRIGHT PROGRAM DURING A RESEARCH STAY IN THE UNITED STATES, CONTRIBUTES TO THE DEVELOPMENT OF ROBUST TOOLS FOR BATTERY HEALTH MANAGEMENT AND SAFE, EFFICIENT ENERGY STORAGE INTEGRATION INTO RENEWABLE GRIDS. IN THE TRANSPORTATION DOMAIN, THE WORK FOCUSES ON THE DECARBONIZATION OF HEAVY-DUTY VEHICLES, A SECTOR CHARACTERIZED BY STRINGENT ENERGY DENSITY REQUIREMENTS AND HIGH EMISSIONS. MACHINE LEARNING-BASED MODELS ARE DEVELOPED TO DYNAMICALLY SIMULATE FUEL CONSUMPTION IN REAL TIME, LEVERAGING RECURRENT NEURAL NETWORKS AND RANDOM FOREST. BY INCORPORATING DATA AGGREGATION AND FEATURE ENGINEERING, THE MODELS ACHIEVE IMPROVED COMPUTATIONAL EFFICIENCY AND PREDICTIVE ACCURACY, OFFERING PROMISING APPLICATIONS FOR FLEET MANAGEMENT, FUEL OPTIMIZATION, AND EMISSIONS REDUCTION. OVERALL, THE THESIS DEMONSTRATES THAT ADVANCED AI-BASED PROGNOSTIC AND DIAGNOSTIC APPROACHES CAN SERVE AS A UNIFYING PARADIGM ACROSS DIVERSE ENERGY TECHNOLOGIES. BY BRIDGING THE GAP BETWEEN THEORETICAL MODELING AND INDUSTRIAL APPLICATION, THIS RESEARCH LAYS THE FOUNDATION FOR MORE SUSTAINABLE AND RESILIENT ENERGY SYSTEMS, CAPABLE OF SUPPORTING THE GLOBAL TRANSITION TOWARD A LOW-CARBON FUTURE.
POLVERINO, PIERPAOLO
PIANESE, Cesare
File in questo prodotto:
File Dimensione Formato  
PhD_Thesis_AlfonsoPandolfi_pdfA.pdf

embargo fino al 12/12/2027

Descrizione: Tesi Elettronica
Tipologia: Tesi di dottorato
Dimensione 4.32 MB
Formato Adobe PDF
4.32 MB Adobe PDF   Visualizza/Apri   Richiedi una copia
Abstract_PhD_AlfonsoPandolfi_pdfA.pdf

embargo fino al 12/12/2027

Descrizione: Abstract
Tipologia: Tesi di dottorato
Dimensione 219.66 kB
Formato Adobe PDF
219.66 kB Adobe PDF   Visualizza/Apri   Richiedi una copia

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11386/4969090
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact