本发明属于结构优化设计相关技术领域，其公开了一种适用于 增材制造的自支撑网状结构拓扑优化设计方法，其包括以下步骤：(1) 利用 SIMP 材料密度-刚度插值模型，获取[0，1]之间不同层次实体材 料的密度分布，同时得到宏观材料布局形式及宏观位移场；(2)构建基 于参数化水平集方法的优化模型，在宏观材料布局优化的基础上，针 对不同的中间密度单元进行微结构构型拓扑优化，并输出最优细观微 结构构型。上述方法将支撑结构与所设计结构自身相结合，融合了宏 观材料布局优化及细观微结构拓扑优化，避免了在增材制造成型

本发明属于结构优化设计相关技术领域，其公开了一种适用于 增材制造的自支撑网状结构拓扑优化设计方法，其包括以下步骤:(1) 利用 SIMP 材料密度-刚度插值模型，获取[0，1]之间不同层次实体材 料的密度分布，同时得到宏观材料布局形式及宏观位移场;(2)构建基 于参数化水平集方法的优化模型，在宏观材料布局优化的基础上，针 对不同的中间密度单元进行微结构构型拓扑优化，并输出最优细观微 结构构型。上述方法将支撑结构与所设计结构自身相结合，融合了宏 观材料布局优化及细观微结构

本成果发明了以秸秆和废弃动物蛋白酸解氨基酸为原料，物料和空间均无需严格灭菌下大规模制造木霉固体菌种的技术工艺，突破了木霉全元生物有机肥制造技术瓶颈。 一、项目分类 显著效益成果转化 二、成果简介 木霉生物量大、根表定殖能力强、次生代谢产物种类多和含量高，促生和生防效果比细菌更显著，但木霉在液体扩繁后期不能有效产孢，需再进行固体发酵才能获得高浓度木霉固体菌种，传统工艺原料贵、物料严格灭菌成本高，难以扩大规模，这是木霉生物有机肥产业中的技术瓶颈。本成果发明了以秸秆和废弃动物蛋白酸解氨基酸为原料，物料和空间均无需严格灭菌下大规模制造木霉固体菌种的技术工艺，突破了木霉全元生物有机肥制造技术瓶颈。

1、铝冶炼或自动化专业人才，从事铝电解智能制造装备的研发。2、化工专业人才，从事赤泥或铝电解废槽衬处理技术的研究。3、材料科学与工程专业人才，从事汽车外覆盖件用6系合金、汽车底盘结构件用高性能6系合金与铸造铝合金制备技术的研究，或从事铝制易拉罐与CTP版基用铝板带材生产工艺的研究。

   济南凯锐机械设备有限公司是一家依托国家级科技产业园的高新技术企业。专业生产各类试验机及配套检测仪器，公司拥有专业的科研机构和设计开发人员，具有雄厚的技术力量。公司自成立以来，为更好的满足市场及广大用户的需要，新产品层出不穷，始终保持国内领先水平，质量可靠，信誉至上，服务及时，受到用户的广泛欢迎。    公司主要生产液压万能试验机、电子万能试验机、压力试验机、拉力试验机、冲击试验机、硬度计、弹簧试验机、摩擦磨损试验机、动平衡试验机、金相检测设备、铸造试验仪器、电线电缆检测仪器、光学仪器、无损检测仪器、橡胶塑料检测仪器、环境试验箱、建筑交通检测仪器、标准测力仪、纺织检测仪器及石油产品检测仪器等。可为机械制造、冶金矿山、汽车船舶、石油化工、科研及大专院校、能源、交通、航空航天等行业提供各类试验仪器及技术服务。另外，我公司还承接各类非标试验机项目和试验机的技术升级改造项目。　　     经过多年努力，我公司在全国已具有极大的影响力，在用户中建立了良好的信誉，在市场中树立了自己的优秀品牌。我们决心更加努力，把我们的各项工作做的更好。始终保持技术领先地位，竭诚为广大用户提供更优质、更完善的服务。并热忱欢迎广大用户朋友来电来函咨询洽谈，携手并进、共同发展，共创美好明天。

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。

近日，化学学院徐浩教授课题组在催化不对称合成领域取得了新进展。