近日，中国科大信息科学技术学院赵刚教授与中国科大附属第一医院刘会兰主任合作，基于二维碳化钛(Ti3C2Tx) MXene纳米片的协同抑冰效应，实现了活细胞的高效深低温冷冻保存。

1、对现有水泥基透水制品在，铺装/生产养护过程中存在易泛碱等技术问题，提供解决方案进行针对性改善。2、通过优化技术设备参数，合理增加/调整工艺流程等措施，提供现浇有机/复合砂基透水路面的铺设工艺技术。

本技术可以高值、无害、资源化利用钢渣和工业废气CO2制备建筑材料，促进钢铁工业和建材工业CO2减排、固体废弃物经济利用，具有显著的经济社会效益以及环保优势。 通用技术指标： (1)CO2吸收量为≥20%(占原材料质量比)； (2)钢渣利用率100%。 部分建材制品性能指标： (1)生产成本低，约为同类传统材料的40%-70%； (2)强度发展快，20-60 MPa可设计调控； (3)耐火温度≥500℃；(4)材料使用寿命30-100年可设计。

该项目研制了一种能同时识别诺龙、甲睾酮、睾酮、群勃龙的特异性单克隆抗体, 它是由保藏号为CCTCC NO:C201494的杂交瘤细胞株NT4D12所分泌的。还研发了一种检测雄激素类药物的酶联免疫方法和试剂盒。与现有技术相比，该项目制备的单克隆抗体可以同时检测诺龙、甲睾酮、睾酮、群勃龙四种雄激素类药物，且检测灵敏度高，特异性好。该项目的ELISA方法和试剂盒检测灵敏度、准确度高，精密度好。 该项目属于兽药残留分析和免疫学技术领域。本成果制备的单克隆抗体可以同时检测诺龙、甲睾酮、睾酮、群勃龙四种雄激素类药物，且检测灵敏度高，特异性好。 成果完成时间：2017年

凹凸棒石是一种天然的一维纳米矿物，具有独特的棒状纤维结构，是潜在的环保型橡胶补强材料。该项目对凹凸棒石进行改性处理，制得纳米级橡胶添加剂，进而利用乳液共絮共凝法制得橡胶/凹凸棒石纳米复合材料。

本发明属于有机化学合成领域，涉及一种基于微流场技术实现芳基噻蒽鎓盐Suzuki‑Miyaura偶联的方法。将芳基噻蒽鎓盐和苯硼酸类化合物、催化剂、溶剂混合，得到混合液；将混合液泵入微流场反应装置的微流场反应器中进行偶联反应，即得芳基产物。本发明以芳基噻蒽鎓盐和苯硼酸类化合物为原料，在催化剂的作用下，采用微流场反应技术偶联合成芳基产物，芳基产物的收率高达98％；而同水平下，采用常规反应釜，芳基产物的收率仅有60％。采用微流场反应技术可有效克服传统合成反应存在的操作复杂、反应时间久、需要昂贵的催化剂和原子经济效率低等问题。

具有重要的应用价值。本项目针对立体特异性芳基醇和位置特异性结构脂质为 典型代表的高附加值醇/酯，解决其绿色制造过程中关键酶选择性差，工业适应 性弱，表达制备成本高以及催化反应效率低的关键技术难题，开展工业酶的定向筛选、功能强化、高效表达及应用技术研究，开发了具有自主知识产权和适合工业化要求的高选择性、高活性、高稳定性工业酶（脂肪酶和氧化还原酶）的高效创制及应用技术体系，打破国际技术壁垒，推动了我国相关产业的技术进步和持续健康发展。 

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。