在多元醇绿色催化氧化的研究工作中，科研人员提出利用稳定的配位环境和最大的原子利用效率来释放单原子催化剂潜力的思路，该方法不仅可以实现贵金属催化剂的抗浸出失活，同时还能提高羟基酸的选择性。

课题组结合水热法和浸渍法，成功制备了具有大比表面积、大平均孔径和更多外孔的双功能金属/酸Ru/SHZSM-5-100（Ru/SHZ5-100）催化剂。制备的Ru/SHZ5-100催化剂在更加温和的条件下对木质素衍生的二苯醚表现出最佳的加氢脱氧性能。

水凝胶仿生软骨材料显示出各向异性的微观结构，并表现出优异的力学性能，拉伸强度为10.65 MPa，韧性为52.2 MJ/m3，压缩强度为4.86 MPa，高于其他的各向同性水凝胶以及大多数报道的水凝胶材料。

低聚物辅助法对于大多数有机太阳电池来说是一种简便通用的策略，因为它有效地解决了有机太阳电池普遍存在的关键问题。同时，低聚物的设计和合成不需要刻意或巧妙的设计，只是遵循主体聚合物的结构并通过常规偶联方法制备。

借鉴高分子膜的加工技术，孙道峰教授团队利用HOF是由高可逆性氢键连接而成的特点，通过熔铸法制备了首例HOF多晶膜，并研究了其压力响应的气体渗透性能。

为了进一步验证红树植物在全球气候变化下是否足够强健，研究人员对现存红树物种的历史群体大小动态变化分析，发现大多数红树物种在海平面快速变化时期发生了种群规模急剧减少和破碎分化。

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。