本发明公开了一种用于乙醇胺(MEA)吸收解吸CO2的硫酸根协同磷钨酸双促进偏钛酸催化剂及制备方法和应用，该方法的特征在于采用成本低廉的钛酸乙酯，经搅拌静置沉淀过滤后，烘干得到偏钛酸固体。得到的偏钛酸先用磷钨酸修饰，然后再用硫酸盐浸渍。该方法制得的硫酸根协同磷钨酸双促进偏钛酸催化剂不仅能够有效催化解吸CO<subgt;2</subgt;，而且能够使解吸能耗降至较低的水平，在很大程度上解决了CO<subgt;2</subgt;解吸过程能耗高的问题。

刚刚揭晓的2021年度江苏省科学技术奖励中，中国矿业大学周福宝教授团队《巷/隧道干式过滤除尘技术研究与工程应用》项目获得省科学技术一等奖。该研究项目标志着我国煤矿掘进工作面粉尘治理技术取得重大创新，用科技突破煤矿粉尘污染，实现煤岩颗粒物年均减排10.5万吨，填补了国内技术空白，推动我国粉尘防治的科技进步。

中亚山区是古丝绸之路重要廊道，对支持欧亚大陆民族迁徙和文明交流有着至关重要作用。以天山山区为核心的中亚水塔是锡尔河、伊犁河、楚河等国际河流的源头，研究表明随着全球变暖加剧，届时中亚山地更大规模的冰川退却，这意味着未来几十年这些国际河流下游地区人口可能会面临淡水资源减少的问题。

miRNA是一类高度保守的内源性单链非编码核苷酸片段，近年来，越来越多的研究发现miRNA的异常表达与疾病的发生和发展存在着直接或间接的关系，因此，实现活体内多种miRNA的定量检测，对于疾病的早期诊断和监测具有重要意义。 我校食品学院匡华教授团队博士生瞿爱华采用构筑了“核-卫星”样纳米结构，实现了细胞及活体内两种肿瘤标志物miR-21和miR-200b的同时定量检测，检测限达到3.2 zmol/ngRNA和10.3 zmol/ngRNA。 基于核-卫星样组装结构的miR-21和miR-200b的同时检测思路；（B）组装结构在细胞内的随时间荧光动态变化；（C）细胞内miR-21和miR-200b的同时定量测定。 研究人员利用DNA可控自组装技术，构筑了金纳米棒(GNR)与上转换纳米粒子（UCNP）的“核-卫星”样组装结构。其中，端面的UCNP修饰TAMRA荧光分子，能够识别miR-21，侧面的UCNP修饰TAMRA荧光分子，识别miR-200b。形成核-卫星状组装结构后，由于UCNP的发射光被猝灭，当遇到目标物miR-21或miR-200b时，UCNP从GNR表面解离，上转换发光恢复，TAMRA和Cy5.5的荧光激发峰与UCNP的发射峰部分重叠，产生上转换发光共振能量转移，通过监测588nm和736nm处的荧光强度，可实现细胞内miR-21和miR-200b的同时定量检测以及活体荧光成像。

耐尔得受邀参与“2022年中国混凝土与水泥制品协会标准制修订计划”

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。