以高性能纤维（玻纤、碳纤、芳纶等）为增强体，通过自有独特专利技术制备三维正交、角联锁、间隔型机织物以及三维多向编织物，并通过树脂改性、复合成型等技术集成制备成系列三维机织、三维编织复合材料。系列结构材料具有质轻、高强、高模、耐冲击等性能、阻燃、隔音、隔热等特性，可广泛用于交通工具、体育用品、军事、安全防护等领域。 关键技术 ① 重构出“纤维-预制件-复合材料”在空间位置的真实图像，再现复合材料内部纤维束空间路径、偏转和纤维束间的接触状态，定量揭示工艺织造参数之间的关联关系；基于连续介质假设和有限变形理论，建立三维机织多尺度结构设计方法。 ②以界面相的微观结构为切入点，从设计合理的碳纤维-环氧树脂界面微结构入手，将碳纳米材料作为纳米改性剂引入碳纤维/环氧树脂复合材料界面中，揭示其界面增强增韧机理，最终确立界面、结构与性能的关联机制。 知识产权及项目获奖情况 （1）一种用于宽幅扁平碳纤维丝束的连续定型工艺ZL201010519415.1 （2）一种适用于无弯曲织物织造的夹头 ZL201310303000.4 （3）一种适用于无弯曲织物织造的送经装置 ZL201310302349.6 （4）一种无弯曲织物织造的纬纱递进装置 ZL201310302920.4 （5）一种体密度梯度变化的碳纤维针刺预制体 ZL201410159117.4 （6）一种深交联结构碳纤维增强酚醛树脂基摩擦材料及其制备方法ZL201501531119.6 项目成熟度：成熟度 5 级 投资期望及应用情况 ：可广泛用于交通工具、体育用品、军事、安全防护等领域。 

1、项目简介 （1）地板蜡制品用聚合物微球：利用不同的大分子单体进行乳液聚合制备 具有功能性的高分子微球乳液，用于工业地板蜡水。技术性能指标：蜡膜光泽度高，耐磨擦性能优良，抗静电、硬度高、对基材附着性能优良； （2）水泥添加剂用聚合物微球：通过分子设计合成的亲水核/亲或疏水壳高分子微球乳液应用于水泥砂浆中。技术性能指标：提高水泥砂浆粘接性、耐水性、耐久性、柔韧性，与保温材料聚苯板的粘结强度大于 0.8MPa，与面砖粘结强度大于 1MPa； （3）三次采油用聚合物微球：制备尺寸可控、带有亲水性基团的聚合物微球用作油田三次开采用堵水剂，对油田高渗透层进行选择性堵水驱油。技术性能指标：可制备出不同规格的产品，有针对性地在不同孔径的多孔介质内滞留、胀大、控制水的流度，改善或降低流度比，扩大波及面积，降低驱油过程水相渗透率。

利于镍基层状双氢氧化物LDH纳米材料比表面积大、层间阴离子可以交换的特点，先后研发了NiFe系、 NiCo系、CoFe系LDH吸附剂，实现了对有机染料亚甲基橙色MO、重金属离子Cr6+、As3+的吸附，可用于环保行业对处理污水及重金属离子污染。成果先后发表于Chemosphere 152 (2016) 415-422、Microporous Mesoporous Mater. 234 (2016) 230-238、Colloids and Surfaces A 529 (2017) 907–915、Environ. Eng. Sci. 2018,35(4):373-381对有机染料MO的处理能力：NiFe-NO3-LDH 205.78 ；NiFe-Cl-LDH为 769.23 mg/g；NiCo-LDH为497 mg/g；CoFe-NO3-LDH 1,206mg/g。

Pandar128 图像级超高分辨率高性能激光雷达

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。

2026年中国AB胶供应商推荐榜单：AB胶、双组份环氧胶、结构AB胶、高强度AB胶、耐高温AB胶等核心品类性能深度解析

本发明提供一种用于渗氮钢的抗磨添加剂组合物,它包含(A)一定量的矿物油,或合成油作为稀释油,含量为 0～15wt%;(B)至少一种含磷的抗磨添加剂,含量为20～90wt%;(C)至少一种含硼的极压抗磨剂,含量为3～20wt%;(D)至少一种含钨的抗磨添加剂,含量为1～15wt%;(E)至少一种二烷基二硫代磷酸锌极压抗磨剂,含量为5～20wt%.将上述添加剂组合物按0.6～1.4wt%加入到基础油中,制备的抗磨润滑油在渗氮钢表面的抗磨性能优于基础油在渗氮钢表面的抗磨性能.