浙大650千瓦机组在2017年就完成了厂内和现场并网发电试验。此后，浙大摘箬山岛海洋能试验电站根据国家需要，数次腾出650千瓦机组试验泊位为国内包括国电集团（和浙大共同承担国家自然资源部项目）、哈电集团、杭州江河水电等单位研制的300千瓦样机提供实海况试验支撑。其间，650千瓦机组也根据阶段性海试信息优化改进。此次疫后“复工发电”的改进型650千瓦机组，叶轮结构和工艺进一步优化，轴向推力载荷有所减小，防腐防砂抗磨损的性能进一步强化。我国东部沿海是世界上海流能功率密度最大的地区之一。浙江舟山群岛附近水道平均功率密度在每平方米20千瓦以上，开发环境和利用条件十分有利。日益成熟的海流能发电装备将有效满足无电、无水、无人岛屿和离岛的特殊供电需求，实现就地取能、海能海用。

本发明公开了一种考虑局部轴向压力的沥青混合料水平抗剪性能试验装置及方法，装置包括：沥青混合料圆柱体试件、圆形钢垫块、钢套筒、半圆环形压头、凹形底座、螺栓和剪式千斤顶；方法具体为采用万能材料试验机，通过半圆环形压头对作用有轴向局部荷载的沥青混合料圆柱体试件进行匀速加载，由试件变形测定装置LVDT及数据采集系统自动绘制和记录试件的荷载?变形曲线，根据读取

近日，我校药学院李微研究员和谢唯佳副教授合作在化学领域顶级期刊AngewandteChemieInternationalEdition（IF：15.336）上发表了关于多种复杂脱氧糖糖链的立体选择性高效合成的高水平论文。

我校生命科学学院钟伯坚教授研究组联合自然资源部第一海洋研究所等科研单位，对南极海冰生态系统特有的南极衣藻进行了基因组适应性进化研究，为理解南极植物适应极端环境的分子机制提供崭新的思路。 该研究利用三代PacBio测序、二代Illumina测序、10× Genomics和高通量染色体构象捕获技术（Hi-C）获得了南极衣藻高质量的全基因组序列，其基因组总长度为541.86Mb（Scaffold N50达到19.23Mb）。南极衣藻基因组是目前已知最大的绿藻基因组，其基因数目也是绿藻基因组中最多的，共编码19870个基因。基因组结构分析发现重复序列占其基因组序列的63.78%，重复序列含量为已发表绿藻基因组中最高。转座元件（TE）是基因组重复序列的主要组成部分，占整个基因组序列的40.67%。分析表明南极衣藻的反转录转座子发生了明显的扩张，是造成其基因组增大的主要原因。 本研究估算了南极衣藻的分化时间大约为34个百万年，与德雷克海峡开放导致南极极端低温形成的时期一致，推测南极衣藻的起源与南极极端低温的形成有关。研究发现南极衣藻通过水平基因转移的方式获得了冰结合蛋白，该蛋白可以与小的冰晶结合，具有抑制冰结晶和生长的功能。通过进一步的功能实验证实了南极衣藻中的冰结合蛋白具有提高生物抗冻能力的作用。因此，推测冰结合蛋白的获得对南极衣藻避免冰冻损伤和适应海冰中极端低温的环境十分重要。

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。