项目简介 本项目针对柴油机高压共轨式喷射系统内部所存在的空穴湍流流动对喷雾雾化特性 的影响机理尚不清楚及发动机 CFD 模型中喷雾雾化模型非常薄弱，进而影响到高压共轨 式发动机喷雾，乃至燃烧排放性能进一步提高的问题，将现代化的激光测试及高速成像246 技术和数值模拟方法相结合，研究揭示了喷嘴空穴流动特性及空穴湍流初次雾化机理， 并基于此，建立了耦合喷嘴内流的欧拉-拉格朗日 CAV-ELSA 喷雾模型，解决了喷雾研究 中喷嘴近场喷雾稠密及喷雾多尺度耦合

本发明属于煤炭洗选前脱粉分级技术领域，具体涉及一种用于细粒煤选前干法分级的螺旋风筛脱粉机。本脱粉机包括采用螺旋气流输送分级方式的一次分级区和采用切线气流喷射旋转分级方式的二次分级区。本发明首先使物料在下降过程中受到螺旋离心力和气流输送力的综合作用，并在此综合作用下得到强化分级，经过一次分级后的一次细物料将进入二次分级区中进行二次分级和排粗，且二次分级区中引入向下负压，保证了物料在要求分级粒度较大时能够顺利排出。 本发明从根本上解决了筛孔堵塞问题，实现了分级粒度从 0～13mm 根据需求任意地调控，为动力煤脱粉入洗提供一项新技术。

各地基建物资设备的海量信息检索与搜索引擎攻关

对秸秆还田实际生产问题，在研究理论上，明确了秸秆还田对大田作物的化感作用不影响作物出苗和幼苗生长，秸秆还田导致作物出苗差的原因是由于整地质量差、秸秆覆盖不均匀导致种子与土壤接触不紧密造成；揭示了不同轮作体系及还田方式的作物秸秆腐解及养分释放规律，为秸秆直接还田利用、秸秆还田条件下调整施肥技术和减量施肥提供了理论基础；阐明了长期秸秆还田通过改善土壤有机质组分和团聚体结构进而提升土壤保肥能力与优化供肥能力的机制。在关键技术上，提出了秸秆还田条件下大田作物单季生产的氮肥“后肥前移”运筹方式；制定了不同地力的秸秆还田钾肥替代标准；确定了长期秸秆还田条件下周年轮作生产的化肥减施比例。在技术集成与应用上，集成了以氮肥后肥前移、钾肥减量施用、周年化肥减施、种肥协同管理、秸秆机械化还田和秸秆促腐技术等为核心的秸秆还田综合技术；建立了适合于长江中游集约化高强度种植的稻-油、稻-麦、稻-稻-油、棉-油等不同轮作体系秸秆还田综合模式8套。 年来在湖北省共计推广1.1987亿亩，技术应用增产5.6%以上，每亩周年节省氮肥1.9公斤、磷肥0.8公斤、钾肥2.6公斤，肥料利用率提高5.3%-14.3%。 成果完成时间：2017年4月

深入解析黄酒酿造机理并且创新生产技术与装备，是黄酒产业可持续发展 的必由之路。项目围绕如何科学评价黄酒麦曲质量及产品感官体验、如何高效生产优质麦曲、如何提高产品感官体验等关键技术难题等，本项目完成了基于 组学技术的黄酒酿造关键技术与装备的创新及应用。 创新要点 建立了黄酒麦曲及酒醪发酵机理解析方法，阐明酿造过程的微生物驱动力。解析了液化力、酸性蛋白酶活力、酒化力等活力形成的关键微生物，高级醇及生物胺形成代谢途径及关键微生物；通过风味组学技术解析黄酒风味物质形成及变化过程；通过培养组学技术证明微生物是麦曲活力、黄酒风味的主要来源；发现氧气浓度、温度、湿度是麦曲微生物群落结构形成的核心驱动力。全面系统地解析麦曲的各项指标，针对传统麦曲制作中环境依赖、生产效率低、品质不稳定等问题，在已有机械化制曲（国家技术发明奖成果）的基础上首次开发了智能化精准制曲技术与装备。构建了黄酒产品风味轮，阐明了关键风味物质的最适浓度范围。证明β-苯乙醇、异戊醇、异丁醇、组胺、苯乙胺以及酪胺等高级醇和生物胺是影响黄酒醉酒和醒酒的关键化合物，建立了适用于不同黄酒酵母亚株及酿造工艺的高级醇调控方法。

动物捕食植物种子（下称种子捕食）是动植物协同进化的重要方面。动物捕食植物种子可影响植物种群更新和繁衍；植物通过调节各种性状，如种子大小、蛋白质含量，调节动物捕食行为。植物性状对种子捕食调节能力的评估对理解动植物协同进化具有重要意义。 因此，建立一种用于种子捕食追踪的人工种子系统，对于种子捕食追踪及相关研究，理解动植物协同进化，促进野生植物尤其是珍稀濒危植物保护具有重要的作用。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：