设计合成了一种基于苯并[1,2-b:4,5-c’]二噻吩-4,8-二酮的聚合物给体材料PBTT-F，成果制备了能量转化效率为16.1%的单节聚合物太阳能电池。 非富勒烯本体异质结聚合物太阳能电池的活性层主要由聚合物给体和稠环电子受体所组成。自从稠环电子受体ITIC发现以来

丁二烯是产量最大的化工产品之一，其生产过程中需要耗费大量的能量和有机溶剂对成分复杂的C4烃类混合物进行蒸馏分离。利用多孔材料进行吸附分离是一种潜在的高效分离提纯方法，但分子较小、极性较大的丁二烯容易被吸附，在脱附过程中不但容易被残留的其它C4烃类污染，而且容易受热聚合。我们前期已经发现可以利用合理设计的超微孔亲水多孔材料对C2烃类实现反常的极性选择。针对丁二烯分子柔性显著小于其它链状C4烃类的特点，我们希望能进一步通过特殊的孔道形状控制这些柔性客体分子的构型，利用构型变化的能量差获得反常的吸附选择性和最优的C4烃类吸附分离顺序。形状尺寸合适的离散孔洞最有利于控制柔性客体分子的构型和并反转吸附选择性，而连续的孔道对客体分子的吸附扩散又是必须的。通过模拟计算,发现具有准离散孔洞的柔性多孔材料MAF-23在两种要求中取得平衡，实现了反常而且最优的C4烃类混合物吸附分离顺序。常温常压下将丁二烯、丁烯、异丁烯和丁烷混合物通过MAF-23填充的固定床吸附装置后，吸附最弱的丁二烯最先流出而且纯度很容易达到99.9%，同时可避免常规纯化方法中因加热而产生的丁二烯自聚问题。

悬赏金额：12.5万元 发榜企业：广东施泰宝医疗科技有限公司 需求领域：临床医学-基础 3D打印技术 医学材料 生物医用材料 临床医学-外科 产业集群：生物医药与健康产业集群 技术关键词：3D打印,SLM,多孔钛合金,孔隙结构,骨替代材料

本发明公开了一种多层包裹纤维增强智能材料过渡层电磁效应影响计算方法；其包括建立具有压电、压磁效应的三维物理模型，建立等效数学模型，建立电场、磁场及弹性场耦合的统一本构方程，建立电场、磁场及弹性场耦合的平衡方程，建立过渡层简化为通用非完美界面的等效理论模型，建立强形式和弱形式下的边值问题控制方程，采用扩展有限元法计算得到多层包裹纤维增强智能材料中过渡层对电磁效应影响的数值解。本发明对过渡层进行简化，采用扩展有限元法计算得到多层包裹纤维增强智能材料中过渡层对电磁效应影响的数值解，实现对多层包裹纤维增强智能材料在实际应用中出现的问题进行检测。

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，我院青年教授徐斌在水资源领域顶级权威期刊《Water Resources Research》上发表题为“Scenario-based multiobjective robust optimization and decision-making framework for optimal operation of a cascade hydropower system under multiple uncertainties”的研究论文。

由于航空发动机和燃气轮机叶片型面是空间异型曲面，因而其设计、制造及维修都面临巨大挑战。为了在设计加工层面提高叶片加工质量，同时在修复层面提高叶片使用寿命，开展叶片高效高精测量研究至关重要。 本项目面向叶片制造研发了一套基于四轴运动平台与线激光扫描相结合的叶片型面检测装置，并开发了集运动控制、数据采集与处理、精度评估等多功能于一体的软件系统，可实现多类型叶片的二维截面高精度测量与三维型面自动化高效重构,有效克服因叶片复杂结构特征带来的扫描数据密度差异性大、重叠区不足等因素对重构精度的影响。本项目面向叶片3D打印修复，研发了一套高效高精度的叶片检测方法与集成系统，可实现批量化叶片截面轮廓位姿及其轮廓的自动化测量、数据重构和叶片配准，为叶片修复工艺流程中的3D打印和后续机加工等工艺环节提供关键的数字化测量、加工工艺数据，有效提升修复精度与效率，并降低成本。 本项目的开发成果可应用于航空发动机、燃气轮机等叶片制造、修复全生命周期的测评、重构、反求等场景，市场规模大。 图 面向叶片3D打印修复的检测方法与集成系统硬件平台

杭州冠力智能科技有限公司是建筑增材智能制造全方案提供商和建材智能智慧型试验检测设备研发生产的科技型企业，总部位于杭州，在山西设有机加工基地，山东设有建筑3D打印基地。拥有发明专利3项、实用新型专利17项、外观专利9项、软著8项，专著3部，主参编行业内标准31部。   组建了一支由具有多年土工工程行业背景、全球知名高校硕博毕业高级知识分子构成的研发团队，涵盖建筑结构、建筑材料、算法开发、软件开发、机械设计、电控设计等多专业、多学科融合，主要研发人员包括清华大学、浙江大学、澳大利亚斯威本科技大学等知名高校的6名博士、6名硕士，其中6人具有高级职称，6人具有中国建筑科学研究院、中国建筑技术中心等国内建筑领域知名央企高管从业背景。