在调研国内千万吨级综放工作面生产地质条件的基础上，分析实现千万吨级目标综放面所需的基本条件。测试工作面煤岩力学参数，掌握了工作面煤岩力学特性，为理论分析提供理论基础。从地质因素、设备配套因素、开采技术因素以及管理因素等方面分析各因素对千万吨级大采高综放工作面设备配套的影响，分析千万吨级大采高综放工作面目标实现的地质条件适应性、顶煤的冒放性和实现安全高效开采的主要途径。采用相似模拟试验，获得采场围岩运移及应力分布规律，建立煤壁稳定性分析的力学模型，分析煤壁的稳定性，获得工作面支架支护强度的基本要求。优化研究工作面参数及开采工艺，探索各参数对工作面生产能力的影响并提出在不同开采条件下工作面参数的确定方法和基本要求，探索生产系统中各工序参数对工作面生产能力的影响规律，分析生产系统技术改造对工作面生产能力的影响，找出生产工艺系统中的薄弱工序和最优放煤工艺，提出在不同条件下的工作面生产工艺参数优化配置，为大采高综放面设备选型提供依据。研究 “三机”配套的总体原则，单机配套时的选型原则和工作面设备的基本要求，为试验面设备的配套、选型提供依据。 (1)提出了年产千万吨级综放面开采地质条件的基本要求，分析了千万吨级大采高综放面安全高效开采的影响因素。 (2)在系统研究大采高综放采场围岩运移及应力分布规律、煤壁片帮机理、工作面参数、回采工艺的基础上，深入研究了工作面“三机”配套选型，提出了相应的配套原则和配套参数。 (3)研制了 ZF15000-23/43 正四连杆大采高综放低位放顶煤液压支架、整体自移式ZTZ20000/25/50 型端头自移支架、TC30000/25/50 型超前支护支架以及 KSW-1500EU 型电牵引采煤机，并进行了现场工业试验，保障了千万吨级大采高综放工作面平均日产达 3 万t。 (4)制定了“千万吨级大采高综放工作面设备配套选型技术要求”技术标准。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

北京大学物理学院、纳光电子前沿科学中心、人工微结构和介观物理国家重点实验室“极端光学团队”胡小永教授和龚旗煌院士等在非厄密拓扑光子学研究中取得重要进展：发展出一种研究新型增益-损耗畴壁拓扑光学体系的有效哈密顿量新方法，揭示了由增益-损耗畴壁诱导的拓扑态的产生机制。