锂电池已经在手机、电动车和大规模储能广泛应用。商业化的锂离子电池正极材料主要是依赖于价格相对昂贵的钴（Co）和镍（Ni）元素的钴酸锂（LiCoO2）和高镍三元（NCM）正极。

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。

北大科研团队在《科学》杂志发表的成果，标志着碳管电子学领域、以及碳基半导体工业化的共同难题被攻克。科研团队表示，如果碳基信息器件技术，可以充分利用碳管在物理、电子、化学和机械方面的特殊优势，就有希望生产出性能优、功耗低的芯片。课题组采用多次聚合物分散和提纯技术得到超高纯度碳管溶液，并结合维度限制自排列法，在4英寸基底上制备出密度为120 /μm、半导体纯度高达99.9999%、直径分布在1.45±0.23 nm的碳管阵列，从而达到超大规模碳管集成电路的需求。基于这种材料，批量制备出场效应晶体管和环形振荡器电路，100nm栅长碳管晶体管的峰值跨导和饱和电流分别达到0.9mS/μm和1.3mA/μm（VDD=1 V），室温下亚阈值摆幅为90mV/DEC。

复合材料具有很好的结构性能，同时具有功能性能，比强度高、比刚度高、疲劳耐久性能强、自振频率高、具有很好的减震效果，还具有优异的温度稳定性，膨胀系数小的特点，此外对化学腐蚀，高温，辐射、光电磁具有很好的抵抗性能。为使桥梁结构更安全、耐久，学院研发的纤维复合材料薄壁箱梁，对于桥梁建设具有巨大的促进作用。

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

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。