金属材料热处理、机械自动化、汽车悬挂系统设计研发

高盐废水、高氨氮废水、高浓废水、难降解废水、重金属废水的处理一直是废水处理的热点和难点问题，对设备、材质和工艺的要求极高，本技术综合考虑以上难点，采用低压膜蒸馏技术，通过系统集成和优化，在较低能耗和较少设备投资的情况下，使出水达到国家排放标准(甚至可以达到饮用纯净水的标准) ，并对废水中有用成分尽可能进行回收，以降低成本。

本发明提供一种电弧熔丝增材制造复合无针搅拌摩擦制备金属构件的方法，采用电弧熔丝增材制造工艺，按照预设打印程序在基板上从第一层开始以向上生长的方式逐层沉积，直到沉积最后一层，获得所需金属构件；其中，在第一层至最后一层的沉积过程中，对每一层沉积层均采用无针搅拌摩擦进行处理，提高当前沉积层的表面精整度，并消除沉积层表面的氧化层，加深下一层沉积层与当前沉积层之间相互融合的程度，同时通过无针搅拌摩擦重新分布当前沉积层的残余应力并消除偏析，从而提高相邻沉积层之间的层间结合性。

一种在金属催化下亚胺与一氧化碳共聚合成多肽类聚合物材料的新的、简捷的方法，不用氨基酸为原料，以廉价的亚胺和一氧化碳为单体，在金属催化下发生交替共聚，直接生成多肽，从而使合成多肽的成本大大降低。这一途径将可以避免繁杂的合成和活化氨基酸的步骤，使得多肽的合成和传统的方法(如开环聚合反应法)相比，被大大地简化。所得到的多肽类材料，在生物医学材料和制药等领域具有重要用途。 该方法是在高压釜中，以 1，4-二氧六环为溶剂，在 800psi 压力的 CO、50℃油浴以及在催化剂作用下，亚胺与 CO 共聚得到产物多肽。采用一种简单的金属钴化合物作催化剂，能有效地催化亚胺和一氧化碳的交替共聚，得到高分子量和低分散度的多肽类聚合物。方法简捷。 已取得的知识产权： 本项目得到国家自然科学基金资助，是一项具有原始创新性的科研 成 果 ， 已 申 请 2 项 中 国 专 利 （ 申 请 号 200610129890.1 ，200710195204.5）和国际专利（申请号 PCT/CN2007/003465），还将对后续发现及时申请专利保护，因此将拥有该技术的全部知识产权。成果发表在化学刊物 Angew.Chem.，已受到学术界和一些国外公司的关注。 应用前景分析及效益预测： 应用行业：生物医学材料、制药、功能材料。该项目所提供的新型多肽类化合物，已经能够为生物医学工程领域提供一类新的重要的可供选择的材料。从长远来看，开发出多个新的有效的催化剂体系，实现更多类亚胺与一氧化碳的共聚，最终使该方法成为一种广泛有效的多肽的合成方法，将具有重大的社会和经济效益。 应用领域及能为产业解决的关键技术： 作为新的生物医学材料可能具有更好的生物兼容性，因而代替现有材料用于人工血管等方面。此外，还可被用作药物的糖衣以及具有药物缓释等功能。如能实现一般肽类的合成，其低廉的成本将有潜力替代用任何其它合成方法得到的该类产品。不用氨基酸为原料，而是以廉价的亚胺和一氧化碳为单体，从而使合成多肽的成本大大降低、方法大大简化。 技术产业化条件： 投资规模约 500 万元（不含基建投入）。

超级电容器是一种新型绿色储能器件，拥有比功率大、充放电效率高， 寿命长等优点，在低碳经济时代展现出巨大应用前景，已经被广泛应用于电 子产品、电动汽车、混合电动汽车、无线通讯设施、信号监控、太阳能及风 力发电等领域。开发具有高能量、高循环性和低成本的超级电容器是该领域 未来重要研究之一。电极材料作为超级电容器的核心组成部分，对其储能 性能有着至关重要的影响，而具有高理论容量、低价格的过渡金属基化合物 （Fe、Co、Ni）是实现高容量、低成本超级电容器首选的电极材料。以过渡金 属基化合物为主要研究对象，对其组分及结构进行了调控，通过储能性能测 试及储能机理分析，为开发高性能、低成本的活性电极材料提供实验依据。 这一研究的开展，给组装超高能量密度的超级电容器并使其从实验室走向我们 的日常生活带来了新的前景。 1.先进性及产业化前景：提高性能、降低成本一直以来都是超级电容器发展的 主旋律，其中能量密度低是超级电容器发展面临的主要问题，因此开发出具 有高能量、成本低的超级电容器迫在眉睫。就提高性能而言，超级电容器的 电极改进是重点，主要途径是通过提高电压窗口和提高电极材料的比电容。 目前针对超级电容器电极材料的研究主要集中在：(1)改进现有的电极材料; (2)开发新型电极材料；(3)改进生产工艺，实现低成本化。目前在全球范 围内达到工业化生产水平的超级电容器基本都是以双电层为储能机制的活性 碳基超级电容器，而以贋电容为储能机制的超级电容器尚处于实验室开发阶 段，因此超级电容器还有很大的发展空间。 2.对所在行业和关联产业发展和转型升级的影响：根据超级电容器的容量大小 和功率密度，可以将其用作后备电源、替换电源和主电源。当主电源发生故障 而不能正常使用时，超级电容器便起到后备补充作用，它具有寿命长、充放电快 和环境适应性强等优点。当用作替换电源时，主要应用于对环境变化有特殊要 求的场合，例如白天太阳能提供电源并对超级电容器充电，晩上则由超级电 容器提供电源。作为主电源时，主要利用超级电容的大功率密度，一般是一个或几个超级电容器通过一定的方式连接起来持续释放几毫秒至几秒的大电 流，放电之后，再由低功率的电源对其充电。 3.市场分析：根据IDTechEX数据统计，2014年超级电容器全球市场规模为11 亿美元，预计到2018年，超级电容器全球市场规模将达到32亿美元，年复合 增长率为31%,并预测将会以此速度预计到2018年，超级电容器全球市场规模 将达到32亿美元，年复合增长率为31%,并预测将会以此速度继续增长。我国 将“超级电容器关键材料的研究和制备技术"列入到《国家中长期科学和技 术发展纲要(2006-2020年)》，作为能源领域中的前沿技术之一。有数据显示， 2015年国内超电市场规模已经超过了 70亿元，因此，在这样的一个大背景下， 研究新材料以开发具有超高能量密度的超级电容器具有非常大的市场前景。

南方科技大学材料科学与工程系副教授谷猛团队联合中科院大连化学物理研究所、上海高等研究院等，巧妙借助原位环境电镜，在真实反应条件下直接观测到NiAu双金属催化剂在二氧化碳加氢反应中的动态过程，揭示了该催化剂在反应中的真实活性表面，为认识催化过程提供了新的思路。该研究发表在《自然-催化》（Nature Catalysis ）上。材料系科研助理韩韶波为文章共同第一作者，谷猛为文章共同通讯作者。 实验表明，在反应气氛和温度下，内核Ni原子会逐渐迁移至表面，与Au合金化；在降温停止反应时，表面Ni迁移回核心部分，重新形成Ni@Au壳型结构。原位红外和原位X射线吸收谱的结果也从宏观角度证实了上述观测结果。团队结合理论计算，提出了新的催化机理。该研究揭示了催化剂真实活性表面，展示了原位电镜在研究构效关系中的重要性，并且为研究金属催化提供启示。

1 .掌握大鲵子二代亲鲵生殖生理特点和生殖调控机理，创建大鲵子 二代生殖调控技术和大鲵子三代全人工繁殖和苗种规模化培育技术；2 .选育和培育出体质健壮子二代亲 鲵400多组（1尾雄亲鲵+3尾雌亲鲵为一组），诱导性腺发育与雄雌同步成熟，使用高活性催产剂进行人 工催产，催产率达72%，受精率90%，孵化率33%，苗种存活率90 .5%，三年（2007-2009年）共繁育大 鲵子三代苗种44800尾；3 .实现大鲵子三代苗种规模化生产，能提供大批量子三代苗种供养殖部门发展 大鲵养殖产业，并在自然保护区放养，还进行子三代健康养殖示范，具有显著的经济效益、社会效益和 生态效益

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。

近期，西湖大学人工光合作用与太阳能燃料中心孙立成实验室在探索这一未解之谜的过程中取得进展。