研究者通过X射线光电子能谱证明界面修饰层对电子传输层与钙钛矿层缺陷的双重钝化作用；通过光、电信号的瞬态响应，证明苯丙氨酸层可提升界面处的载流子电荷转移；通过本课题组创建的宽场荧光成像显微镜，实现了抑制碘缺陷移动的实时原位观测。

（专利号：ZL 201510237036.6） 简介：本发明公开了一种合成2H‑吲哚[2，1‑b]酞嗪‑1，6，11(13H)‑三酮的方法，属于离子液体催化技术领域。该合成反应中芳香醛、邻苯二甲酰肼和5，5‑二甲基‑1，3‑环己二酮的摩尔比为1：1：1，酸性离子液体催化剂的摩尔量是所用邻苯二甲酰肼的3～7％，反应溶剂乙醇以毫升计的体积量为邻苯二甲酰肼以毫摩尔计的摩尔量的3～5倍，回流反应8～30min，反应结束后冷却至室温，有大量固体析出，抽滤后滤渣乙醇洗涤、真空干燥后得到产物。本发明与采用其它酸性离子液体催化剂的合成方法相比，具有催化剂催化活性高、可生物降解性好、制备成本较低以及整个合成过程操作简单方便等特点，便于工业化大规模应用。

（专利号：ZL 201510680106.5） 简介：本发明公开了一种用Bi/Mo/Co/La/Fe五组分复合氧化物催化剂移动床合成1,3‑丁二烯的方法，属于化学化工技术领域。本发明将制备好的五组分复合氧化物催化剂置于移动床反应器中，并将混合气导入反应器中，保持一定空速和催化剂床层温度进行反应，得到1,3‑丁二烯产物，反应催化剂逐渐移动至再生反应器，并向移动床反应器中补充新鲜催化剂。本发明采用Bi、Mo、Co、La、Fe和去离子水按照一定摩尔比配置，碱液调节pH值，经浓缩、过滤、干燥、焙烧、冷却后，再通过研磨、筛分得到Bi/Mo/Co/La/Fe。与传统的工艺不同的是：根据本发明，调节催化剂中金属Co、La、Fe的含量就可以制得用于1,3‑丁二烯制备工艺的高活性、高选择性五组分复合氧化物催化剂。

（专利号：ZL 201510685135.0） 简介：本发明公开了一种用Bi/Mo/Co/Ce/Fe五组分复合氧化物催化剂移动床合成1,3‑丁二烯的方法，属于化学化工技术领域。本发明将制备好的五组分复合氧化物催化剂置于移动床反应器中，并将混合气导入反应器中，保持一定空速和催化剂床层温度进行反应，得到1,3‑丁二烯产物，反应催化剂逐渐移动至再生反应器，并向移动床反应器中补充新鲜催化剂。本发明采用Bi、Mo、Co、Ce、Fe和去离子水按照一定摩尔比配置，碱液调节pH值，经浓缩、过滤、干燥、焙烧、冷却后，再通过研磨、筛分得到Bi/Mo/Co/Ce/Fe。与传统的工艺不同的是：根据本发明，调节催化剂中金属Co、Ce、Fe的含量就可以制得用于1,3‑丁二烯制备工艺的高活性、高选择性五组分复合氧化物催化剂。

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。

该研究采用污水处理厂改造前后的运行数据，对传统活性污泥法和膜生物反应器（MBR）两种污水处理工艺进行技术经济上的严格配对比较研究，对比分析污水处理厂采用两种工艺时的成本能耗、净利润和技术效率，采用敏感性分析评价计算结果的可靠性，为污水处理工艺的选择和应用提供技术经济方面的理性参考。