使用超声、微波辅助水热合成的方法制备出不同相貌的 ZnO、Cr@ZnO、CoO@ZnO 等纳米复合颗粒，通过复合和掺杂改性，分别构建 p-n 结和形成催化活 性位点，提高气敏性能。

本项目提出并突破了超净（低）排放用节能型水刺滤料产业化生产一系列 关键技术问题，建立了完整的产业化工艺技术，技术水平达国际先进。项目产 品与传统针刺滤料相比，由于可有效降低滤料的克重 18%左右，产品综合成本 与传统针刺滤料产品接近，但项目产品的整体性能却得到了大幅度提升，不仅 解决 PM2.5 微细粉尘的排放问题，而且属于节能型产品，具有显著的竞争优 势。300 2 关键技术 基于水刺开纤技术构建滤料表面超细纤维致密层； 高密度低损伤复合加固工艺技术； 滤料表面精细化工艺技术； 针孔自动封闭技术。 产品：节能型超净水刺滤料。 3 知识产权及项目获奖情况 授权发明专利 7 项、实用新型专利 1 项。获中国纺织联合会科技进步奖一 等奖 (2017)；获江苏省科学技术奖三等奖（2018）。 4 投资期望及应用情况 本项目自 2012 年开始研究，期间进行了中试和试生产，2014 年底开始全 面推广应用。2014 年-2016 年三年累计新增销售额 31198.24 万元、新增利润 3971.77 万元、新增税收 1789.66 万元。 本项目产品已在中国石油化工股份有限公司齐鲁分公司、唐山三友化工股 份有限公司热电分公司、南京中联水泥有限公司、大连市热电集团东海热电厂 等一大批国内大型热电厂和水泥厂的推广应用，粉尘排放浓度一直保持在 10 mg/Nm3 以内，实现了超净（低）排放。

本发明公开了一种无侧向约束力混凝土接缝抗水渗透性能的试验装置及方法，用于对新旧混凝土接缝部位试块进行抗水渗透性能测试，具有用于放置新旧混凝土接缝抗渗试块5的双层方筒4，方筒的底部密封，方筒的上口具有外凸缘14，方筒下部设置有具有中间开口10的内凸缘9，内凸缘将方筒分隔为试块舱6和进水舱13两部分；内凸缘上设置有弹性密封垫圈8；左盖板1和右盖板2由紧固螺栓3压紧固定在方筒的外凸缘上；方筒下部的进水舱连接水压装置11及进水，并连接水压表12；左盖板和右盖板之间根据混凝土接缝的形状和区域设置有便于观察渗水情况的观察口。本发明能实现在无侧向约束力作用下新旧混凝土接缝部位的抗水渗透性能试验。

本发明涉及一种抗硫抗水的低温脱硝复合分子筛催化剂及其制备方法，该催化剂采用浸渍法制备，以菱沸石分子筛H?SAPO?34为载体，活性组分为过渡金属Cu和Mn的复合氧化物，助剂为Ce、Fe、Co、Mo、Cr中的一种，负载量按质量百分比计：活性组分中铜元素和锰元素的质量分别为2％～10％，助剂为1～10％。该发明的脱硝复合分子筛催化剂与单一组分的Cu或Mn

本发明公开一种同时检测三相态水 Raman 谱信号的双光栅光谱仪系统。包括信号馈入单元、光学 色散单元和信号检测单元。信号馈入单元采用一根芯径 0.6 mm、数值孔径 0.12 的光纤将传导的信号光 馈入光学色散单元;光学色散单元包含两组级联的准 Littrow 结构布局的光栅色散系统，能高效传输并 以 1.0 mm nm-1 的线色散率将 393.0-424.0nm 范围通带信号光在焦面上色散，同时对带外 354.8 nm 附近 光产生优于 6 个数量级的抑制;信号检测单元能以 0.8 nm 的谱精度分辨与记录色散后的通带信号光。在 354.8 nm 紫外激光辐射下，气态、液态和固态水的振转 Raman 谱区依次对应 395-409 nm、396-410 nm 和 401-418 nm 范围;本发明通带光谱范围覆盖了三相态水的振转 Raman 谱区，实现对三相态水 Raman谱信号的同时检测，还能对 354.8 nm 附近光信号产生大幅抑制。

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。

近日，化学学院徐浩教授课题组在催化不对称合成领域取得了新进展。

近日，水建学院何建强教授团队在《AgriculturalandForestMeteorology》发表题为“Identifying sources of uncertainty in wheat production projections with consideration of crop climatic suitability under future climate”的研究论文。水建学院博士研究生蒋腾聪为论文第一作者，何建强教授、中国农业科学院农业资源与农业区划研究所何英彬研究员为共同通讯作者。

退耕还林是修复退化生态系统的有效方法，但往往会消耗深层土壤水分，造成深层土壤干化，这一现象在干旱半干旱区更为明显。目前，尚不清楚造林引起的深层土壤干化如何影响土壤微生物群落和功能，限制了对旱地恢复生态系统可持续性的认识。