http://elea.unisa.it/xmlui/handle/10556/2597 2026-04-14T16:30:55Z http://elea.unisa.it/xmlui/handle/10556/7392 Advanced Procedures for On-Field Calibration of Low-Cost Air Quality Monitoring Systems D'Elia, Gerardo Air pollution is now well known to be one of the major causes of human and climate health issues. The global crisis related to COVID-19 pandemic has brought to the fore such theme. The importance of air quality has been rediscovered and counted among the main positive effects of lockdown. The spread of low-cost electrochemical sensors, joined with diffusion of the Internet of Things (IoT) technologies, will allow in the near future, the birth of a generation of air quality monitoring networks, characterized by the integration of regulatory grade analyzers and such IoT smart electrochemical and particulate multisensory devices. The former will provide a backbone of sparse but high reliable, high quality, measurements at a significant procurement and operational costs, while smart multisensory devices will provide high resolution and possibly redundant measurements with affordable costs and with reduced precision and accuracy. Consequently, high-resolution pollution maps will be provided, constituting an advanced informative support tool for institutional decision makers. However, this paradigm shift in air quality monitoring, is currently hampered by a series of problems concerning the low-cost sensors, high fabrication variance and the dynamic nonstationary nature of the working environment where these devices have to operate; but the primer concern is related to the measurements data quality. Field calibration, relying on statistical or machine learning models more generally, seems the only viable and feasible method to guarantee the short term accuracy and precision of these systems. Although its robustness to long term deployment and so different environmental and pollution composition is criticized. Field calibration allows to expose, rapidly and cheaply, the sensors grabbing their response to a variety of (uncontrollable) conditions that are similar to the ones that will be encountered during operational life, in opposition to laboratory-based calibration that would need significant time and human efforts to achieve similar variability in controlled settings. Addressing the long-awaited achievement of data quality objective (DQO), in our opinion, could be a turning point for the rapid large-scale diffusion of this technology, especially in smart city applications. With this objective in mind, the present PhD research has been focused in the first part, in the assessment of the machine learning techniques for the calibration of low-cost air quality monitoring systems (LCAQMSs), comparing multivariate linear regression and neural networks. The purpose of 3 this analysis was aimed at understanding whether a simpler technique is equally able to carry out acceptable performances in terms of data quality with respect to advanced but much more complex techniques. A mid-term experimental co-location campaign as well as a citizen science company have been performed for such kind of investigation, evidencing the effectiveness of the multivariate approach, both in fixed and mobile applications. [edited by Author]; È ormai noto come l'inquinamento atmosferico sia una delle principali cause dei problemi sulla salute umana e dei cambiamenti climatici. La crisi globale legata alla pandemia COVID-19 ha portato alla ribalta questo tema. L'importanza della qualità dell'aria è stata riscoperta e annoverata tra i principali effetti positivi del lockdown. La diffusione di sensori elettrochimici a basso costo, unita alla diffusione delle tecnologie dell’Internet of Things (IoT), consentirà nel prossimo futuro la nascita di una generazione di reti di monitoraggio della qualità dell'aria, caratterizzate dall'integrazione di analizzatori di livello normativo e di dispositivi multisensoriali sia elettrochimici che per il particolato intelligenti. I primi forniranno una spina dorsale di misurazioni sparse, altamente affidabili e di alta qualità ma a costi significativi, mentre i dispositivi multisensoriali intelligenti (a basso costo) forniranno misurazioni ad alta risoluzione e possibilmente ridondanti, a costi accessibili ma con precisione e accuratezza ridotte. Di conseguenza, saranno fornite mappe dell'inquinamento ad alta risoluzione, che costituiranno uno strumento di supporto informativo avanzato per i decisori istituzionali. Tuttavia, questo cambiamento di paradigma nel monitoraggio della qualità dell'aria è attualmente ostacolato da una serie di problemi riguardanti i sensori a basso costo ossia, l'elevata varianza di fabbricazione e la natura dinamica e non stazionaria dell'ambiente di lavoro in cui questi dispositivi devono operare; ma la preoccupazione principale è legata alla qualità dei dati di misurazione. La calibrazione in campo, basata su modelli statistici o più in generale su modelli di machine learning, sembra l'unico metodo praticabile e fattibile per garantire l'accuratezza e la precisione a breve termine di questi sistemi. La calibrazione in campo allo stesso tempo viene anche criticata per la sua robustezza a lungo termine poiché il sistema si troverà ad operare successivamente in una diversa composizione dell'ambiente e dell'inquinamento nella sua vita operativa. Tale procedura però consente di esporre, in modo rapido ed economico, i sensori a una varietà di condizioni (incontrollabili) simili a quelle che si incontreranno durante la vita operativa, a differenza della calibrazione in laboratorio che richiederebbe tempi e sforzi umani significativi per ottenere una variabilità simile in ambienti controllati. Il raggiungimento dei tanto attesi obiettivi di qualità dei dati, potrebbe rappresentare un punto di svolta per la rapida diffusione su larga scala di 5 questa tecnologia, soprattutto nelle applicazioni per le cosiddette “città intelligenti”. La presente ricerca di dottorato si è concentrata su questo obiettivo: la qualità del dato, inteso come la misurazione rilasciata dal nodo sensoriale. Nella prima parte è stata affrontata la valutazione delle tecniche di apprendimento automatico per la calibrazione dei sistemi di monitoraggio della qualità dell'aria a basso costo, confrontando i modelli della regressione lineare multivariata e delle reti neurali. Lo scopo di questa analisi è stato quello di capire se una tecnica più semplice (come la regressione lineare multivariata) sia ugualmente in grado di realizzare prestazioni accettabili in termini di qualità dei dati rispetto a tecniche avanzate, ma molto più complesse come le reti neurali. Per questo tipo di indagine sono state realizzate una campagna sperimentale di co-locazione a medio termine e una di citizen science. Entrambe hanno dimostrato l'efficacia dell'approccio multivariato, sia in applicazioni fisse che mobili. [a cura dell'Autore] 2021 - 2022 2023-07-24T00:00:00Z http://elea.unisa.it/xmlui/handle/10556/2596 OLED devices optimization for lighting application Aprano, Salvatore In this work a potential new OLED application is presented: a large-area purple OLED for horticultural application, which combines red and blue light emissions in a unique device. The main issue of this thesis is to demonstrate the effectiveness of the proposed OLED structure by using theoretical models created during the three years of the Ph.D. studies and applied to commercial materials. The core of this dissertation is the third chapter, where the reader is brought to the optimization of the final purple OLED structure after several experiments, which confirm either the basic concepts explained in the two previous chapters, either a mathematical model for a fine-tuning of the blue emission layer. Behind the proposed device architecture and material employed, there is the concept of “hybrid OLEDs with triplet harvesting”, where a proper combined use of fluorescent and phosphorescent emitting materials allows a theoretical internal quantum efficiency of 100%. The last chapter is focused on the study and the realization of metal grids on the indium-tin-oxide (ITO), which is the most used material as transparent and conductive anode for the OLED devices. Despite ITO owns good property of transmittance (transparency), because of its limited conductivity, a lateral voltage drop occurs, preventing a homogeneous emission when the dimensions of the devices exceeds few square centimetres. To overcome this problem, it is presented a new mathematical model which, unlike the most established literature models do, takes into account both the electrical influence of the metal grid and that one of the ITO. Finally, with a good agreement with the experimental data, the theoretical model is used to predict optical and electrical behaviour of different hexagonal metal grid on ITO. It worth to underline that all the approaches implemented in this work to achieve a large-area purple OLED, have a general validity. Indeed, the entire know-how in this thesis it has been successfully used, in the last three years, to make several different OLED devices, different for colour emission, size and performances. [edited by Author] 2015 - 2016 2017-07-14T00:00:00Z