本技术提出了基于多尺度理论模拟结合深度机器学习的一整套解决方案，即利用先进多尺度模拟方法精准解析SEI原子结构，建立新一代SEI模型，阐明SEI结构和形成机制，完整构建SEI与电池性能之间的内在联系，定向设计符合不同商用条件的新型电解液配方，为开发新一代高能量密度电池提供可能。 一、项目分类 显著效益成果转化 二、技术分析 随着智能手机、笔记本电脑等消费电子产品的快速发展，锂离子电池（Lithium Ion Battery, 简写为LIB）已经成为最成功的电化学储能设备之一，并从根本上影响并改变了人们的日常生活方式。随着制造工艺的逐步成熟，LIB的能量密度已经接近其理论极限。另一方面，可移动电子设备的快速普及和汽车电动化的蓬勃发展也不断要求开发具有更高能量密度的充电电池以满足实际使用的需求，而最先进的LIB依然无法完全满足上述需求。因此，寻找更高能量比的锂电池电极材料，加快下一代新型锂电池关键技术的相关研究，已成为制约锂电池技术产业发展进步的关键问题。锂金属电池的能量密度虽足以达到下一代电动车的要求，但其自身的稳定性仍令人担忧，这主要是因为Li金属的反应活性过高，其几乎可与所有的电解液均能自发地发生化学反应。在电池的运行过程中，Li电极和电解液之间通过自发化学反应和电化学反应导致了固体电解质界面（solid electrolyte interphase，SEI）的形成。当所形成的SEI结构不均匀时会诱发电池体积膨胀，此外，充放电过程中锂的不均匀沉积会导致锂枝晶的形成，锂枝晶的不规则生长会刺穿SEI，导致SEI膜发生破裂，并产生死锂，降低锂金属电池库伦效率；更严重的是，锂枝晶的不断生长会刺穿隔膜，造成电池内部的短路，导致火灾和爆炸等安全事故，大大缩短了电池的使用寿命，严重阻碍了其大规模商业化发展。因此，SEI对LMB的性能具有至关重要的影响。良好且稳定的SEI可以阻止（或者大幅度减缓）负极界面上反应的持续发生，起到保护Li电极的作用。针对下一代高稳定性锂金属电池设计中存在的关键问题，结合国际研究进展与本团队前期研究基础，我们提出了基于多尺度理论模拟结合深度机器学习的一整套解决方案，即利用先进多尺度模拟方法精准解析SEI原子结构，建立新一代SEI模型，阐明SEI结构和形成机制，完整构建SEI与电池性能之间的内在联系，定向设计符合不同商用条件的新型电解液配方，为开发新一代高能量密度电池提供可能。本方案已形成完整的工作流，相关自动化软件已开发完成并交付使用，且具有完全的自主知识产权，可用于国内外上游电池生产研发企业积累原始电池性能数据，大范围筛选有效电解液组分，指导下一代高能量密度锂电池研制。 我们的技术优势与创新主要表现在： 1）首次在电池体系中实现了QM与MM的混合模拟与混合加速； 2）在电池体系模拟中实现了开放电子体系对电化学反应的热力学和动力学预测； 3）在保证精度的前提下，实现了在纳米尺度上对真实的实验SEI结构直接模拟； 4）通过耦合深度机器学习，实现了电解液组分大范围筛选与性能优化。

南方科技大学科研部、工学院、计算机科学与工程系（下简称“计算机系”）和南方科技大学-东京大学超智慧城市联合研究中心紧急组织科研力量，成立“新型冠状病毒传播建模预测项目组”，由计算机系副教授宋轩担任负责人，迅速启动针对新型冠状病毒传播感染的“大数据分析和AI建模推演平台”研发工作。该平台是一个针对新型冠状病毒传播的大数据分析和AI建模平台（如图1），

以肉类食品为主要基质，构建了单增李斯特菌、肠炎沙门氏菌、副溶血性弧菌、金黄色葡萄球菌、气单胞菌、生孢梭菌等主要致病菌或条件致病菌或研究替代菌的生长、残存、失活、损伤、修复等状态以及低温、酸化、渗透压、气调包装等环境条件下的动力学和概率模型，特别是通过生长模型探讨了在货架期预测方面的应用可能性，设计了电子 TTI 结构模式，并对冷冻损伤型的气单胞菌建立了适用的失活模型，初步探讨其冷冻损伤和修复机制，另外完善了两菌竞争拮抗建模理论（单增李斯特菌与植物乳杆菌、肠炎沙门氏菌与铜绿假单胞菌），构建了新型防腐剂

本技术是一种构件级别的建筑地震经济损失精细化评估方法，具体包括 3 个模块：构件震害评估模块、损失评估模块和可视化模块，构件震害评估模块用于根据建筑信息模型（building information model，BIM）和易损性数据库评估每个构件的震害；损失评估模块用于根据 BIM、易损性数据库和修复标准库计算每个构件及建筑整体的地震经济损失；可视化模块用于建筑震害和损失的三维可视化展示。本技术可以将损失评估精确到构件，而且提供具体的构件损失分布，为建筑投保、地震修复策略、防灾设计等提供重要参考。

人工智能应用创新实训平台是一款专为人工智能领域专业学生设计的多功能教学工具，它集科研教学、实验实训和项目实践于一体，提供了一个全面的学习环境。该平台以国产高性能芯片RK3588作为其边缘计算的核心，支持本地化编程开发，使得学习者能够深入掌握人工智能技术。此外，平台还支持PyTorch、TensorFlow、NCNN等多种主流深度学习框架，便于学生进行模型训练和推理实践。 平台内置了丰富的案例资源，包括但不限于MobileNet、Fcn_Resnet、Resnet、Openpose、Unet、Retinaface、Yolov8pose、Yolov11等前沿模型，为学生提供了实际操作和学习深度学习模型的机会。这些内置模型不仅有助于学生理解深度学习算法的实际应用，也为他们的创新项目提供了坚实的基础。通过这样的实训平台，学生能够在实践中深化理论知识，提升解决实际问题的能力。 本平台融合了先进的多模态大模型智能体，并配备了一系列场景化实体组件，包括深度相机、双轴云台、多轴机械臂、微型输送带、工业级相机以及麦克风阵列等。这些尖端设备使得我们能够快速构建智慧工厂、智能分拣、智慧交通、智能家居等多种应用场景。

1. 痛点问题 储能系统与发电机组联合参与电网二次调频是目前已商业化应用的储能运营模式。以锂电池为代表的储能系统具有响应速度快、双向功率调节精度高的优点，投资较小规模的储能系统就可以使得火电机组的调频性能得到明显提升，在按性能指标计算补偿费用的调频辅助服务竞争中具有明显优势，可以获得可观的收益。为节约投资成本，通常配置储能系统的功率仅为火电机组额定容量的3~5%，储能按额定功率持续放电的时间不到1小时。 目前储能系统基本采用“外挂”的形式与火电机组联合调频，储能系统需根据火电机组运行情况优化自身的充放电功率。由于储能系统能量受限，剩余电量可能处于过高或过低的状态而影响其可用性和使用寿命。在储能进行能量恢复的时段，无法有效跟踪电网的调频指令。由于电网调度发送给发电机组的调频信号是随机的，因此储能系统需要有智能的自适应控制策略。 2. 解决方案 本项目技术成果针对电网调度AGC指令的特点和火电机组的运行特性，通过设计储能系统与火电机组联合运行方案，综合考虑储能系统的运行状态和约束，实现储能系统与火电机组联合的优化控制。

本发明公开了一种高速列车悬挂系统半主动安全控制方法，该方法可以减小高速列车运行中的脱轨系数，提升列车高速运行状态下的安全性。本发明在传统天棚阻尼控制方法的基础上，加入与列车脱轨系数紧密相关的轮轨横向作用力作为输入变量，构建了一种全新的半主动控制方法，该方法可以有效的抑制列车运行中轮对和转向架的横向振动，减小列车运行脱轨系数，大大提升列车运行的安全性。该方法简单易于实施，在高速列车悬挂系统中得到了成功应用，有助于高速列车智能控制的实现。

本发明公开了一种用于脆性材料尤其适用于质子交换膜燃料电池的气体扩散层的拾放控制方法及系统，该方法包括：通过多自由度机械手的末端拾放机构来执行对材料的拾放操作，同时利用力传感器检测接触力；对所检测的力信号经过调理和 A/D 处理后作为反馈信号，同时将力期望值作为控制信号由此构建闭环控制并获得力偏差信号；获得用于驱动末端拾放机构的伺服电机的实际位置信号，将该信号作为反馈信号同时将电机期望位置值作为控制信号来构建闭环控制并获得位置偏差信号；将所述偏差信号相叠合以获得综合位置偏差信号，并经由伺服放大器相应驱动伺服电机。按照本发明，能够精确控制拾放接触力，防止接触力过大而损坏材料，由此实现脆性材料的可靠拾放。