|
搜索
搜 索
高等教育领域数字化综合服务平台
生物刺激素——化肥农药减施增效环保添加剂
成果简介： 本项目是南京工业大学在十二五期间主持的国家科技支撑计划项目“生物合成聚氨基酸高值化产品关键技术”的研发成果，主要用于解决农业生产化肥农药过量使用带来的环境面源污染以及农药残留带来的食品安全隐患等行业难题。
南京工业大学
2021-01-12
果蔬采后农药残留及微生物快速检测技术
一、成果简介 我国的果蔬生产多较分散，销售的果蔬要保持新鲜，由采收到市场销售，所经时间很短，所以市场上的果蔬没有充分的时间进行分析。我们必须采用符合我国产销特点的检测方法，在果蔬进入 市场之前进行农药残留的快速测定，因此开发果蔬采后农药残留及微生物快速检测技术对于保障我国人民的食品安全具有十分重要的意义。本成果建立果蔬采后农药残留及微生物快速检测技术体 系，已为科研院所、检测机构、政
中国农业大学
2021-04-14
含盐工业有机（农药，医药）废水处理新工艺
06年，全国环境污染治理投资为2567. 8亿元；07年太湖蓝藻爆发，江苏省“铁腕治污”并投资40多亿元治理太湖，截至07年底，太湖地区已累计关停化工生产企业1894家，08年继续关停600家小化工企业；可见废水处理意义重大。传统方法无法处理高含盐量有机废水，电化学法在常温、常压下能彻底降解有机污染物为CO2，无二次污染，是处理废水有效方法。本技术开
南京工业大学
2021-01-12
安诺史可汀甲在制备农药制剂中的应用
【发 明 人】陈勇；李祥；陈建伟；邱燕 【摘要】 本发明公开一种从番荔枝种子中制备得到具有防治农业病虫害的番荔枝内酯化合物安诺史可汀甲(Annosquatin A)。本发明通过大量生物活性测定结果表明，番荔枝内酯安诺史可汀甲对豆蚜和朱砂叶螨均有不同程度的毒杀活性，尤其对豆蚜表现出比阿维菌素更好的毒杀活性，并且安诺史可汀甲为从番荔枝种子提出提到，对环境污染小，绿色环保，可开发为新的防治农业病虫害的农药制剂。
南京中医药大学
2021-04-13
食品中多种农药残留生物识别及快速检测关键技术与应用
创新性地开发出了能同时识别有机磷、氨基甲酸酯及拟除虫菊酯类农药残留的生物酶，并筛选了相应的检测体系，从而解决了目前使用的农药残留速测方法只能检测有机磷和氨基甲酸酯类农药的问题；在此基础上，利用固定化生物敏感元件分别与不同的检测换能器紧密配合构建了系列生物传感器型农药残留速测仪，实现了农药残留检测的自动化和通用化。
上海理工大学
2021-01-12
四川农业大学研究生在自然指数期刊《Inorganic Chemistry》发表封面研究论文
研究利用天然植物多酚化合物木犀草素与微量营养元素金属锰离子成功合成了一种具有类酶活性的材料（Lu-Mn纳米酶），该材料具有良好的生物相容性和生物安全性，在微酸性条件下（肿瘤微环境）可高效地将H2O2转化为具有肿瘤细胞清除能力的·OH，能够有效杀死肿瘤细胞，抑制肿瘤生长，为癌症治疗提供了一种新的策略。
四川农业大学
2025-02-24
新一代绿色农药制剂—4.5％高效氯氰菊酯微乳剂
目前高效氯氰菊酯在国内外常用的剂型是乳油，存在缺点是耗用大量有机溶剂、气味大、易燃、污染严重等。我校科研人员经过多年研究，开发成功的４.５%高效氯氰菊酯微乳剂是以廉价水代替昂贵的有机溶剂，使高效氯氰菊酯油性农药在水相中形成透明稳定体系，每吨制剂可节省有机溶剂700kg，降低原材料生产成本，减少易燃性和刺激性，降低毒性，减轻环境污染，提高制剂的精细化水平和商品价值，当前被称为环保型“绿色农药”制剂。
南开大学
2021-04-10
新一代绿色农药制剂—4.5％高效氯氰菊酯微乳剂
目前高效氯氰菊酯在国内外常用的剂型是乳油，存在缺点是耗用大量有机溶剂、气味大、易燃、污染严重等。 我校科研人员经过多年研究，开发成功的４.５%高效氯氰菊酯微乳剂是以廉价水代替昂贵的有机溶剂，使高效氯氰菊酯油性农药在水相中形成透明稳定体系，每吨制剂可节省有机溶剂700kg，降低原材料生产成本，减少易燃性和刺激性，降低毒性，减轻环境污染，提高制剂的精细化水平和商品价值，当前被称为环保型“绿色农药”制剂。 本项目技术成熟，登记资料齐全，工艺合理，方法易行，各项技术指标达到国内
南开大学
2021-04-14
纳米复合电极处理高含盐有机工业（农药，医药）废水新工艺
2006年，全国环境污染治理投资为2567.8亿元；07年太湖蓝藻爆发，江苏省“铁腕治污”并投资40多亿元治理太湖，截至07年底，太湖地区已累计关停化工生产企业1894家，08年继续关停600家小化工企业；可见废水处理意义重大。传统方法无法处理高含盐量有机废水，电化学法在常温、常压下能彻底降解有机污染物为CO2，无二次污染，是处理废水有效方法。本技术
南京工业大学
2021-01-12
锂电池管理系统AI算法研究
本项目聚焦于锂电池管理系统在智能化监测与预测中的关键痛点，尤其拟面向电池容量衰减预测、SOC/SOH估计不准、电池剩余时间不准确、MAP/SOP估算等方面。通过引入人工智能算法，构建融合机器学习与深度学习的电池状态预测模型，拟实现高精度SOC（荷电状态）与SOH（健康状态）估计的优化，提升电池管理系统的智能水平与安全性。
解决方案方面，项目基于实地检测磷酸铁锂电池充放电数据构建训练集，采用轻量级线性回归模型及改进型人工神经网络进行建模优化，并结合特征工程技术提高预测精度。同时，设计适用于边缘计算的部署方案，使模型可在BMS嵌入式硬件平台实时运行，降低对计算资源的依赖。
在竞争优势方面，项目成果具备算法轻量化、部署便捷、预测准确度高、兼容性强等特点，特别适用于电力储能、电动汽车等对安全性和可靠性要求高的场景。相比传统BMS方案，该AI算法可显著提升电池使用效率与寿命，精准估算SOC/SOH，降低维护成本。
目前项目成果已在合作企业内部储能设备中开展应用测试，初步反馈表明荷电状态预测准确度提升40%左右，电池健康度准确度提升40%左右，系统响应及时，具备较高实用性和推广价值。专家评审一致认为，该项目在智能电池管理系统方向具有较强的创新性和实际应用前景。
西南大学
2025-05-12