本发明公开了一种碳纳米管改性的高导电高韧性石墨粘胶的制备方法，包括步骤:步骤 1，在碳纳 米管表面化学修饰上亲水性基团;步骤 2，将分散剂溶解于去离子水中获得分散剂溶液;步骤 3，将带 亲水性基团的碳纳米管分散于分散剂溶液，获得碳纳米管分散液;步骤 4，将碳纳米管分散液低速离心 后取上层清液，将上层清液与树脂原液混合，获得碳纳米管改性的石墨粘胶。将本发明石墨粘胶用于制 备柔性石墨接地体的浸胶工艺，在提高石墨纸与纤维附着力的同时，还可显著提高复合石墨带的导电性

该成果提供了用于重金属镉污染的水体及土壤环境治理的两种丝状真菌菌剂，其活性成分为淡紫拟青霉XLA及毛霉XLC菌株，具有菌丝发达、生物量大、重金属吸附容量强、易于与液体分离收集更利于稀有重金属的回收等众多优点，并且真菌菌丝通过大规模工业发酵很容易获得，是对土壤或环境镉污染进行生物修复的优秀微生物材料。 土壤的微生物修复技术已经在重金属污染环境的修复过程中得到广泛运用。该技术应用后水体或土地基本恢复正常功能，修复速度快，使用简单方便且效果理想，预计该技术投放市场可产生巨大的经济效益和社会效益。 转化条件：微生物真菌菌剂生产无需大面积厂房，有发酵罐和分装车间即可投入生产。 成果完成时间：2015年7月

大数据应用的多样化 需要的计算模型、数据模型多样化； 目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。 多系统导致大数据分析平台非常复杂、效率低下。研究目标：研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个 方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键 值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计 算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这 套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们 对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于 大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计 算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三 个方面，分别详细介绍FAST系统的三个主要亮点。融合架构FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包 括多数据模型融合和多计算模型融合两方面。多数据模型融合：设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、 文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据 分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。多计算模型融合：在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集 的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和 流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。高时效FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗， 提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。对于多模态存储，面向应用负载和异构硬件特征进行自适应优化；对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等；在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效；而且我们也考虑到大数据分析过程中用户人工操作的时效性问题， 通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的 时间。可扩展FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、 存储层和计算层进行了全面的扩展性优化。在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块， 能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持 到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提 升。亮点成果：融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。 从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。同时在双十一期间，基于智能交互向导技术，也面向电子商务应用 的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品 销量变化的原因，以及促销的有效手段等。

可充电电池按照电解液可分为有机系和水系。其中水系电池具有制备工艺简单、无起火爆炸之风险。本项目研制了一种水系锌离子电池，负极为锌片，正极为基于导电聚合物和碳材料的复合物，不含重金属，电解液是中性水溶液。该储能器件具有高比容量，长循环寿命之优点。其能量密度高于目前商业化的铅酸电池，连续充放电1万次后容量保持率为100%，即使用寿命约为现有电池的10-20倍。该产品安全环保、成本低，可用于大规模电网储能、汽车启动电源、电动交通、UPS电源等领域；除了能够取代目前占据市场份额第二位的铅酸电池，由于较高的功率密度，在某些应用领域又可替代超级电容器。

研究背景：  大数据应用的多样化  需要的计算模型、数据模型多样化；  目前每类模型需要单独的开源系统来支持（如HDFS、HBase、Neo4j、MongoDB，Flink，Spark，Tensorflow等）。  多系统导致大数据分析平台非常复杂、效率低下。 研究目标： 研究和开发面向新型多计算模型融合架构的、高时效、可扩展的新 一代大数据分析支撑系统与工具平台FAST（Fusion-Architecture, Scalable, Time-efficient big data analysis platform）。 针对目前大数据分析平台复杂、效率低下的痛点，该系统具有三个  方面的优势：首先，这套系统采用融合架构，一方面实现关系、图、键  值、文档等多种数据模型的高效融合，另一方面实现批处理计算、流计  算的深度融合，并可以通过SQL扩展语言来进行多模型的统一查询，实现高效的跨模型查询。其次，对于复杂系统来说，时效性非常重要，这  套系统采用融合架构提高效率是实现高时效的基础，更重要的是，我们  对大数据分析从数据到用户进行了端到端的全栈时效优化。最后，对于  大数据应用来说，系统扩展性非常重要，本系统在资源层、存储层和计  算层进行了全面的扩展性优化。下面在融合架构、高时效和可扩展这三  个方面，分别详细介绍FAST系统的三个主要亮点。 融合架构 FAST系统的第一个亮点是融合架构，我们在技术方面的创新主要包  括多数据模型融合和多计算模型融合两方面。 多数据模型融合： 设计和研发了多模型数据管理与查询引擎，支持关系、图、键值、  文档等多种数据模型，实现了查询解析、查询优化、元数据管理、数据  分布等功能，将多种数据模型进行统一管理和深度融合。同时扩展了SQL语言，通过统一的查询接口支持对关系、键值、图、文档等数据进行独立访问或者跨模型查询。 经过试验，多模型数据融合查询，比Spark 2.3.4的查询时间能平均减少70.7%。目前spark等现有系统还需要手工编程方式来实现跨模型查 询，所以FAST系统在易用性上也表现良好，降低使用门槛，提高开发效率。 多计算模型融合： 在计算层实现了最常见的批处理计算和流计算深度融合，批流融合的核心方法是在系统内部实现批和流的统一表达，批是对有限数据集  的运算，流是对无限数据流的计算，我们设计了UCollection结构对批和  流数据进行统一表达，通过识别的bounded标志，来确定是批、流、或批流融合。有了统一表达，可以开展一系列融合优化来提升系统性能。 并且对上通过Unified API统一用户的批、流接口，实现二者在编程范式上的统一表达。对于批流混合的计算，融合架构系统的查询延迟比Flink 1.4.2能减少57%，吞吐量平均可以提升到6.72倍。 高时效 FAST系统的第二个亮点是高时效，即缩短大数据分析的时间消耗，  提高效率。由于大数据分析平台是一个非常复杂的系统，为了做到高时效，系统不能存在性能短板，因此需要对大数据分析的整个过程进行端到端的全栈时效优化。如图中所示，自下而上，需要在多模态存储、批流融合、机器学习、人工操作各层都进行优化。 对于多模态存储，面向应用负载和异构硬件特征进行自适应优化； 对于批流融合计算，在统一表达基础上，进行系列融合优化技术， 包括DAG优化、迭代优化、部署优化、操作符优化等； 在机器学习层面，进行模型优化、消息优化、梯度优化、概率优化 等来提高时效； 而且我们也考虑到大数据分析过程中用户人工操作的时效性问题，  通过智能地进行大数据分析方法和模型的推荐，来缩减人工操作的  时间。 可扩展 FAST系统的第三个亮点是可扩展，由于大数据应用规模很大，数据增速快，对系统可扩展性的要求非常高，为此我们在系统的资源层、  存储层和计算层进行了全面的扩展性优化。 在资源层，系统都部署在云计算的虚拟化资源之上，利用了云计算资源的弹性机制进行系统扩展。并在系统中实现了可伸缩调整模块，  能实时监控软硬件系统的状态，按照应用需求来自适应地进行弹性伸缩。 在存储层，分布式存储系统扩展性的关键在于分布式共识和一致性 协议（Raft），因此提出了KV-Raft、vRaft等进行Raft的扩展优化。 在计算层，我们扩展了机器学习模型的参数规模，使系统可以支持  到百亿级别的超大规模机器学习模型训练，并且性能方面有明显提  升。 亮点成果： 融合架构大数据分析平台目前已经在阿里巴巴双十一进行示范应用。  从2020年11月10日至11月16日一周的时间，在阿里的生产环境中，研发 的系统一直连续稳定运行，基于淘宝和天猫的实际用户信息进行大数据 分析，综合运用了本系统的存储、计算、机器学习等多个模块的能力， 累计进行了184亿件商品推荐。 同时在双十一期间，基于智能交互向导技术，也面向电子商务应用  的卖家提供了“生意参谋”应用，基于大数据分析，帮助卖家分析产品  销量变化的原因，以及促销的有效手段等。

本发明提供了一种高含油量花生的定向筛选方法，本发明利用在培养基中添加羟脯氨酸来筛选高含油量花生，在添加有羟脯氨酸的培养基中，耐脱水能力弱、一般含油量花生的细胞因失水而凋亡；耐脱水能力强、高含油量花生的细胞才能存活，凡是能在该培养基上成活和正常发育的花生细胞，其含油量必定是高的；凡是不能在该培养基上成活和正常发育的花生细胞，其含油量必定是低的；以此技术形成了高含油量花生的定向培育技术。本发明通过定向

项目简介 本成果提出大模场光纤的系列解决方案，基于新型环形纤芯、非对称型微结构包层、 以及模式正交耦合及分离技术获得新型大模场光纤，光纤同时具有大模场、低损耗、单 模传输特性，实现高质量光束输出。已申请发明专利 9 项，其中已授权发明专利 4 项 （ZL201010589053.3、ZL201010590795.8、ZL201110356877.0、ZL201210391185.4）。 性能指标 （1）模场面积可达 1500μm 2 以上。 （2）光纤可在弯曲半径为 20~30cm 的

一种高孔隙率多孔陶瓷的制备方法，它涉及多孔陶瓷的制备方法。本发明要解决现 有直接发泡技术制备高孔隙率多孔陶瓷中，浆料发泡和泡沫固化过程相互分离及制备工艺复 杂的问题。本发明高孔隙率多孔陶瓷具有均匀的球状蜂窝孔结构单元，孔壁以多孔窗口相互连通，孔隙率可达 90%以上，制法：一、称取原料，球磨得浆料；二、将浆料置于真空室中 除气；三、测试浆料的过冷点；四、将浆料降温，得过冷浆料；五、将过冷浆料进行减压发 泡与泡沫固化；六、将固化泡沫材料干燥，得陶瓷素坯；七、烧结陶瓷素坯，得高孔隙率多 孔陶瓷。本发明将浆料发泡与泡沫固化过程有机结合，工艺简单，制备的陶瓷孔隙率为 90% 以上。本发明用于制备高孔隙率多孔陶瓷

本发明提供了一种高性能高可靠的固态盘实现方法，包括：(1) 将固态盘内部的所有闪存芯片分成若干组，每组由 N 个连续的闪存芯 片组成一个 RAID4 级别的闪存阵列；(2)通过缓冲区接收并存储数据， (3)判断缓冲区是否已满，若是，则进入步骤(4)；若否，则返回步骤(2)； (4)从缓冲区中取 N-1 个数据块，计算出所述 N-1 个数据块的校验值； 将所述 N-1 个数据块和所述校验值拼凑成满条带数据，写回闪存阵列；

本发明公开了一种高转矩密度的磁场调制型磁力齿轮，包括由 外到内依次同心嵌套排列的永磁外定子、调制转子和永磁内转子；永 磁外定子与调制转子之间、调制转子与永磁内转子之间均具有气隙； 永磁外定子的外定子铁心内表面开有梯形槽，梯形槽内端两侧开有退 磁抑制槽；梯形槽内嵌有切向极化的倒梯形的外定子永磁体；退磁抑 制槽起到抑制外定子永磁体局部退磁的作用；调制转子包括多个调磁 铁轭和多个嵌有冲孔的非导磁材料，相邻调磁铁轭间嵌有冲孔的非导 磁材料；永磁内转子包括有外到内依次同心嵌套的内转子永磁体和内 转子铁心；其内