该检测仪系统采用国家环保总局认可和美国环境保护署推荐的检测方法，利用差分吸收光谱技术（Differential Optical Absorption Spectroscopy—DOAS）检测大气环境以及烟气中有害气体含量。DOAS技术原理简单描述为：空气环境质量监测是一种长光程空气质量监测技术，光源发出的紫外可见光，经抛物反射镜准直成平行光射出，通过100m甚至1，000 m的长光程，由接收端抛物反射镜将光汇聚耦合进入光纤，通过光纤导入光栅分光系统，在出射狭缝处用光电倍增管或者CCD探测，得到吸收光谱，通过对吸收光谱的数据处理就可以得到监测污染气体的浓度含量。由于该系统采用线采样，采样代表性较传统的点式有较大的改善，其结果不受光强、烟尘、水汽的影响，系统具有运行维护费用低，稳定可靠，测量准确，无人职守等特点。 烟气污染气体在线连续检测系统也是基于以上DOAS原理，主要的差别就是增加了对测量工况环境的适应性，例如增加了保护光学镜头的吹扫系统和测头得设计。

本项目的价值主张是以新载体讲好红色故事，以新窗口深化红色体验，以新方式助力红色乡建，以新文科建设红色中国。 一、项目进展 创意计划阶段 二、负责人及成员 姓名 学院/所学专业 入学/毕业时间 张鸿 文艺学 2021 于悦 历史学 2020 王菲娅 法学 2020 王树玮 资产评估 2021 吕晓辉 文物与博物馆学 2021 陆超琪 法律（非法学） 2021 席铃珊 汉语言 2020 刘颖喆 建筑学 2020 姜佳彤 美术系国画专业 2020 王牧焜 中国史 2021 刘晗 汉语言文学 2020 张意 法学 2019 周晓宇 中国古代文学 2020 赖杰鹏 概率与数理统计 2021 三、指导教师 姓名 学院/所学专业 职务/职称 廖志丹 党建办 教授 张晗 人文学院 副处 张侃 人文学院 教授 王旖旎 人文学院 正科 冯璐 人文学院 科研秘书 四、项目简介 本项目的价值主张是以新载体讲好红色故事，以新窗口深化红色体验，以新方式助力红色乡建，以新文科建设红色中国。 本项目采用“闭循环”的业务模式，以红色剧本为核心，形成一支专注于剧本创作打磨的内容输出队伍，通过建立厦门大学“红色剧本杀”内测体验基地，为在校师生提供红色剧本杀免费服务，以内部公测的形式及时跟进用户反馈，不断提升剧本杀的剧本质量，做好剧本杀品控；充分利用各类的红色资源，深耕省内外红色教育基地、红色旅游景点、革命老区旧址等背后的红色文化沃土，以“剧本杀”为引流手段，红色文化的精神内核与传播形式进行深度融合，实现专业与通俗并存、严谨与生动兼具，以期更好地提升红色文化的政治价值。目前本项目已与闽西博物馆、厦门市集美区崎沟村、桃坑村伯公凹初步达成合作，创作以当地真实红色故事为原型的红色剧本杀剧本，回顾历史，发扬红色文化、助力乡村振兴，力求发挥“1+1大于2”的作用。此外，本项目还将通过输出剧本的形式与剧本杀门店达成合作，向整个社会推广史实准确、价值正向的红色剧本杀，进一步扩大红色精神、中国故事的影响广度与深度。

随着钢铁行业的高速发展，国内外钢铁产量已经达到了饱和状态，提升钢产品的质量成了钢铁行业发展的重要目标。连铸坯的生产是钢材生产的关键，其连铸坯的质量对后续产品的生产及最终产品质量有重要影响，热轧板带表面缺陷大部分是连铸坯表面缺陷遗传而来。高质量铸坯的生产成了连铸生产企业和连铸工作者的主要目标。高温钢液在连铸过程中凝固成型，连铸坯的偏析、裂纹、疏松、夹杂物等质量问题基本上都产生于或源自连铸凝固过程。要实现高质量铸坯的连铸生产，必须减少甚至消除这些质量缺陷。 （1）连铸坯凝固缺陷研究：针对连铸坯偏析、疏松、缩孔、裂纹开展相关调研，探究凝固缺陷产生机理，分析连铸工艺对连铸坯缺陷的影响规律。通过调整结晶器一冷强度、二次冷强度、电磁搅拌、机械压下等技术参数，改善连铸坯凝固缺陷。 （2）中间包研究：模拟中间包内钢液流动过程，分析钢液流动的合理性；主要研究中间包内控流装置位置分布、高度设置、不同装置间的配合使用是否达到最优。具体工作：模拟中间包内钢液流动传热行为，分析钢液温度的变化情况；模拟钢液液面的波动，分析和了解渣-钢界面间的相互作用；模拟中间包内钢水的传质现象，分析钢水在中间包内的停留时间，中间包内的活塞流、全混流以及死区等等。模拟中间包内底吹气体的作用过程，分析和了解吹气对钢液流动特性的影响。 （3）结晶器研究：1)结晶器内流场：确定结晶器类型，改变水口类型，水口浸入深度，拉速，结晶器锥度等工艺参数，研究不同工艺参数对结晶器内流场的影响规律，得到液面波动和表面流速量化结果，为工艺参数优化提供科学依据。2)结晶器卷渣和夹杂物去除的研究：改变水口结构参数（不同水口类型、水口侧孔数、水口倾角、水口底部结构和水口浸入深度等）以及浇铸工艺参数（拉速，浇铸断面，电磁等）会对结晶器内的流场产生影响，进而影响结晶器冷却制度、液面波动、水口开口度等参数。所以本部分内容通过水力学模拟和数值模拟相结合的方式研究不同水口结构参数和工艺参数对流场的影响，进而优化水口结构和浇铸工艺参数。 （4）连铸一冷研究：对结晶器传热过程进行机理分析，并将结晶器铜板和凝固壳之间的保护渣的润滑和摩擦模型、传热模型相结合，开发出结晶器一冷传热计算软件。针对不同铸坯尺寸、拉速的操作条件下，为结晶器一冷提供合理的配水量水表。 （5）连铸二冷研究：细化连铸传热边界条件，建立全面的连铸凝固传热模型，研究连铸坯宏观凝固凝固结构与铸坯质量的关系，提出相应的优化改善新方法，对连铸宏观凝固结构进行优化改善，从而提高连铸坯质量，提高连铸生产率。模拟研究连铸微观凝固结构，并讨论微观凝固结构与夹杂、裂纹之间的关系。为提高连铸坯质量提供理论依据。 （6）连铸坯凝固组织研究：从现场采集相关所需数据，运用商业软件 Procast先对连铸过程温度场进行计算，以计算所得的温度场为基础，计算铸坯的凝固组织形貌，如柱状晶区、等轴晶区以及两者分别所占比例、晶粒尺寸等，并分析一次枝晶间距、二次枝晶间距。分析元素成分、连铸工艺条件如拉速、过热度、二冷强度等对上述研究对象的影响情况，优化成分、连铸工艺参数以获得较好的铸坯凝固组织，为现场生产提供理论依据。 （7）连铸坯宏观偏析研究：根据连铸工艺参数，基于体积平均方法，建立连铸多相多尺度凝固凝固模型，研究热溶质浮力、晶粒沉淀、体积收缩作用下连铸坯凝固两相区液相流动与溶质传输行为。耦合电磁搅拌、机械压下模型，分析电磁搅拌强度、搅拌位置、机械压下区间、压下量、压下模式对连铸坯中心偏析的影响规律，优化结晶器与凝固末端电磁搅拌参数、机械压下参数，为连铸工业生产提供理论指导。 （8）铸坯质量智能设计和判定:1）现场连铸数据采集及热塑性曲线测试:现场调研连铸工艺，记录现场工艺参数。采集不同钢种偏析、疏松、缩孔等质量要求，测试不同钢种的热塑性曲线。2）现场连铸数据采集及热塑性曲线测试:现场调研连铸工艺，记录现场工艺参数。采集不同钢种偏析、疏松、缩孔等质量要求，测试不同钢种的热塑性曲线。3）连铸智能判定和设计模型：建立连铸一冷、二冷动态优化模型，利用该模型对铸坯固相率、角部温度、铸坯偏析、中心疏松缩孔、冶金长度等进行预测，通过大量数值计算，建立钢水初始条件、连铸工艺参数与铸坯质量的数据库，指导现场生产。

成果描述：本发明申请要解决的问题是，改进预测技术，提高预测准确度。本专利利用高阶马尔科夫模型的原理提出HM-gMTD模型的一种改进，即高阶HM-gMTD模型，并通过EM算法给出相应的参数估计方法和相应的计算方法，并能够快速进行参数估计，以提高模型预测的准确度。市场前景分析：预测模型的发展在人类的经济生活方面发挥着重要的作用，尤其是马尔科夫模型，几乎在各个领域都有着非常广泛的应用。本发明着重混合转移分布模型与高阶隐马尔科夫模型的巧妙结合，构造出高阶HM-gMTD模型，然后运用EM算法，对新模型实现了主要参数的求解。最后为了衡量一个模型的好坏和对不同的模型进行比较，我们选择准则函数。模型比较的最佳准则函数，既考虑到模型对原始数据的拟合程度，又兼顾模型中所包含的待定参数的个数，并且对二者做出合理的权衡。与同类成果相比的优势分析：本发明主要是针对HM-gMTD模型的进一步改进，提出一个高阶HM-gMTD模型，使其在降低计算的复杂度的同时，提高预测的准确性。

本发明涉及一种风电集群轨迹预测与分层控制方法，包括：根据风电集群及风电场内的拓扑结构，基于空间相关性和NWP数据进行超短期风电功率预测；根据调度中心下发的调度值，将控制过程在空间上分为集群优化调度层、场群协调分类层和单场自动执行层，将风电功率预测值从时间上逐层细化；在场群协调分类层，基于风电功率预测值对风电场进行分类，分为上爬坡群、下爬坡群、平稳群和振荡群；在单场自动执行层，基于AGC机组下旋转备用裕度和风电送出断面裕度判断风电可增发空间，增发上爬坡群风电场出力或降低下爬坡群风电场出力；基于风电场运行与监测系统，根据监测到的风电场实际值，计算并反馈风电功率误差，修正风电集群和风电场预测值，使优化过程更加精确。

本成果针对城市水电气热等综合能源数据来源广泛，结构复杂，且与用户、时间、空间信息关系紧密的特点，构建了高性能综合能源数据分析平台，提出了细粒度的能源数据分析理论框架及方法，并将其应用于智慧城市建设。

针对太阳能集热系统扰动多、大滞后和大惯性等控制难点，建立了适合控制器设计的简化分段非线性模型，并设计了基于预测函数控制策略的集热系统出口导热油温度控制系统。该预测函数控制策略在调节速度、超调量以及稳定性方面的控制效果均明显优于传统PID控制策略；与未简化的多模型预测控制相比，简化后的多模型预测函数控制的最大动态偏差增大了13%，但计算量大大降低，控制器的实时性也得到增强。

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.）致癌性预测服务器首页致癌性预测结果页相关综述对本服务器的介绍RF-hERG-Score预测药物引起的hERG相关心脏毒性2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。特异性重打分函数显著虚拟筛选性能显著较高筛选出两个候选抑制剂3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。lncRNA-蛋白质相互作用预测模型的性能比较lncRNA-蛋白质相互作用预测服务器相关软件著作权：

本成果采用最新的深度学习和分子模拟算法，结合新一代分子特征化方法，开发了多种计算机模型，可用于药物开发中的多个阶段，为药物的快速设计开发提供一个完整的基于人工智能的解决方案。 成果：1.药物毒性预测方法：传统的化合物毒性检测技术一般需要使用生化试验、细胞实验、甚至动物模型，这些方法不仅耗费大量时间，而且成本很高。使用计算模型进行有机化合物的毒性预测，所需投入较少，但产出巨大。特别是基于化合物的物理化学和结构特性的计算模型，甚至能够在化合物合成之前就对其进行预测，大大提高了效率，使其越来越受到欢迎。在进行体外和体内试验之前先使用计算机模型对化合物进行大规模的毒性筛选，能够更好地解决候选药物具有毒性的问题。我们建立了一套新的基于多种分子指纹和机器学习算法的化合物毒性预测集成学习算法，运用此集成学习算法建立了新的有机化合物致癌性、致突变性和肝毒性预测模型。我们分别建立了名为CarcinoPred-EL (http://112.126.70.33/toxicity/CarcinoPred-EL/, 致癌性预测)、MutagenPred-EL (http://112.126.70.33/toxicity/MutagenPred-EL/, 致突变性预测)、LiverToxPred-EL (http://112.126.70.33/toxicity/LiverToxPred-EL/, 肝毒性预测)的预测服务器，这些服务器能够为使用者提供更高效更便捷的预测技术服务。自2017年服务器发表起，我们已为国内外药物分子设计研究者提供了5000多次共计超过20多万个化合物的毒性预测服务。在有机化合物毒性预测研究方向，我们主要完成了化合物的细胞毒性、心脏毒性、生殖毒性、血脑屏障透过性、水生生物毒性预测模型，以及糖尿病早期筛查模型的开发，正在进行P450酶阻滞剂性预测模型、基于图神经网络的毒性预测算法研究、基于分子对接的化合物毒性预测研究等。相关研究成果已发表多篇学术论文（Zhang L., et al. Scientific Reports, 2017, 7: 2118. WOS被引次数80，ESI 1%高被引论文；Ai H., et al. Toxicological Sciences, 2018, 165: 100-107；Yin Z., et al. Journal of Applied Toxicology. 2019, 39(10): 1366-1377；Ai H., et al. Ecotoxicology and Environmental Safety. 2019, 179: 71-78；Liu M., et al. Toxicology Letters. 2020, 332: 88-96；Feng H., et al. Toxicology Letters. 2021, 340: 4-14；Li S. et al. Interdisciplinary Sciences: Computational Life Sciences. 2021, 13: 25-33.） 致癌性预测服务器首页 致癌性预测结果页 相关综述对本服务器的介绍 RF-hERG-Score预测药物引起的hERG相关心脏毒性 2.药物设计方法：在计算机上对药物靶点和药物分子的结构和活性建模，计算药物与靶点之间的相互作用关系，从而设计出具有治疗作用的药物。计算机辅助药物设计可以为药物设计各阶段的实验方案提供有意义的指导，减少需要通过实验评估的候选药物的数量，从而加快新药研发速度。我们应用分子对接、分子动力学模拟、自由能计算、机器学习等方法研究流感病毒等重要疾病的计算机辅助药物设计、并开发更有效的计算机辅助药物设计方法。在计算机辅助药物设计研究我们主要完成了流感病毒M2质子通道蛋白抑制剂虚拟筛选方法研究，正在进行先导化合物生成模型研究、基于机器学习的虚拟筛选打分函数算法开发、SARS-CoV-2病毒S蛋白与受体相互作用及药物设计研究。 特异性重打分函数显著虚拟筛选性能显著较高 筛选出两个候选抑制剂 3.药物靶点识别方法：长非编码RNA（lncRNA）是一种长度在200nt至100,000nt之间的非编码RNA，是转录物的主要成分。研究表明lncRNA在许多生物学和病理学过程中起着重要作用。lncRNA起作用的重要途径是与其靶蛋白结合。lncRNA-蛋白质相互作用的实验研究需要大量资源。累积的实验数据使得通过计算方法预测lncRNA-蛋白质相互作用成为可能。我们使用各种数学建模和机器学习方法开发了几种用于预测lncRNA-蛋白质相互作用的新模型。这些模型命名为：RWLPAP（随机游走），LPI-NRLMF（邻域正则化逻辑矩阵分解），IRWNRLPI（集成随机游走和邻域规则化Logistic矩阵分解），LPI-BNPRA（双向网络投影推荐算法），LPI-ETSLP（基于特征值变换的半监督链路预测），HLPI-Ensemble（集成学习）。在交叉验证中，我们的模型获得了较好的预测性能。 lncRNA-蛋白质相互作用预测模型的性能比较 lncRNA-蛋白质相互作用预测服务器相关软件著作权：