葡京娱乐场-富盈娱乐场开户

項目概況 該項目研究開發(fā)出具有自主知識產(chǎn)權的少片簧及關鍵工藝和材料技術，實現(xiàn)其輕量化、高性能和長壽命要求，形成了具有自主知識產(chǎn)權的承受高應力少片簧的關鍵制造技術，申請了“承受高應力的高強度變截面簧片及其制造方法”的發(fā)明專利（200710132237.5）。 本項目處于國內(nèi)先進水平，擁有自主知識產(chǎn)權，項目獲得2008年度中國汽車工業(yè)科技進步三等獎。主要特點 在少片簧優(yōu)化設計的基礎上，采用高潔凈度、控制夾雜物形態(tài)和減少夾雜物數(shù)量、形變細化晶粒、表面無全脫碳的新型高強度彈簧鋼，對少片簧進行變截面控溫軋制，細化晶粒，減少表面缺陷，優(yōu)化熱處理工藝，減少脫碳，改善韌性；，提高表面應力噴丸的預應力大小和噴丸強度等措施，解決了少片簧在承受應力水平提高后,其強度提高和疲勞性能的匹配問題，以及疲勞性能對表面和內(nèi)部缺陷敏感性顯著增加的問題，穩(wěn)定和提高了少片簧疲勞性能，實現(xiàn)了承受高應力的高性能、長壽命少片簧開發(fā)，可減輕懸架彈簧重量20~30%，提高平順性約10％，具有明顯的省材節(jié)能降耗效果。技術指標     少片簧設計應力1000-1200MPa、抗拉強度水平≥1800MPa，減輕懸架彈簧重量約20~30%，提高平順性約10％，滿足臺架疲勞壽命和實際使用要求。市場前景     本項目已在依維柯系列輕型客車系列上實現(xiàn)了少片簧的國產(chǎn)化批量生產(chǎn)應用，取代了進口，滿足了近萬臺份依維柯車的高端市場需求，減輕了懸架重量，提高了整車平順性及乘座舒適性，取得了顯著的經(jīng)濟效益，并正推廣應用于更多的車型上。鑒于高應力少片簧具有整車輕量化、提高整車平順性和降低材料消耗和燃油消耗等減重、節(jié)能、環(huán)保的效果，因此，該項目具有十分廣泛的推廣應用價值，能顯著提高企業(yè)產(chǎn)品競爭力，填補該領域的國內(nèi)空白，具有顯著的經(jīng)濟效益和社會效益，其進一步的推廣應用前景十分廣闊。

釆用理論、試驗、數(shù)值模擬方法，對CFRP （版、布、網(wǎng)格）、聚脈 等材料復合加固地下工程混凝土拱結(jié)構(gòu)的加固技術研究，提出了加固 方法。

項目研究背景： 當前，美國、日本等國家采用 T1200\T1800 等材料進 行了大量研究，也取得了相應的技術成果，但因其成本高、成型難度大， 使其應用收到限制。 對吸波碳纖維纏繞壓力容器成形必須進行精確的復合 材料結(jié)構(gòu)設計及可靠性的準確預報，以確保其成形質(zhì)量，其工藝工程十分 復雜，它涉及許多設計變量。 研究內(nèi)容 ：對吸波碳纖維纏繞壓力容器成形研究主要內(nèi)容為： 1、采用價格相對低廉的 T7

針對富鋰錳基正極材料電壓衰減問題，通過理論計算闡明了表面氧優(yōu)先析出機制及對應的表面重構(gòu)動力學，并提出了硫改性穩(wěn)定多陰離子的技術方案，研究成果發(fā)表于Nat. Comm.，申請國際專利1項。

高分子材料專業(yè)，碩士研究生學歷

近日，我院青年教授徐斌在水資源領域頂級權威期刊《Water Resources Research》上發(fā)表題為“Scenario-based multiobjective robust optimization and decision-making framework for optimal operation of a cascade hydropower system under multiple uncertainties”的研究論文。

我校理學院大數(shù)據(jù)研究團隊在人工智能與大數(shù)據(jù)處理技術研究方面取得系列進展，研究成果分別發(fā)表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能頂級期刊。神經(jīng)網(wǎng)絡是人工智能領域中目前最為火熱的研究方向——深度學習的架構(gòu)基礎。雖然深度學習在近幾年發(fā)展迅速，但是關于如何設計最優(yōu)神經(jīng)網(wǎng)絡架構(gòu)的問題仍處于探索階段。該團隊分別針對人工智能中神經(jīng)網(wǎng)絡結(jié)構(gòu)復雜、高維大規(guī)模數(shù)據(jù)存在無效和冗余特征、難以獲取長時序信息等問題與缺陷，設計出了一系列網(wǎng)絡結(jié)構(gòu)優(yōu)化、大數(shù)據(jù)特征選擇和時序循環(huán)神經(jīng)網(wǎng)絡模型，有效改善了上述不足，提高了人工智能模型的學習性能。 題目為《帶Group Lasso懲罰與控制冗余的神經(jīng)網(wǎng)絡特征選擇》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究論文發(fā)表在人工智能領域權威國際期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生張華清為該論文共同第一作者， 我校榮譽教授Nikhil R. Pal院士（印度統(tǒng)計研究所）參與指導，中國石油大學（華東）為第一署名單位。該項工作得到國家自然科學基金、國家科技重大專項、山東自然科學基金、中央高校基本科研業(yè)務費、中國石油天然氣集團公司重大科技項目以及山東省高校青年創(chuàng)新科技支撐計劃的資助。 特征選擇技術也稱屬性選擇，是指從原始特征或?qū)傩灾羞x擇出最有效的特征或?qū)傩砸越档蛿?shù)據(jù)維度的過程，它是人工智能數(shù)據(jù)預處理環(huán)節(jié)的重要步驟，也是大數(shù)據(jù)處理技術的重要環(huán)節(jié)。該項工作在神經(jīng)網(wǎng)絡中嵌入Group Lasso懲罰項并實現(xiàn)特征冗余控制，在選出對解決問題最有幫助、蘊含信息量最大的特征或?qū)傩缘耐瑫r，控制所選特征子集的冗余程度，以達到降維的最優(yōu)效果，從而使模型的泛化能力更強，降低神經(jīng)網(wǎng)絡模型產(chǎn)生過擬合的風險。 題目為《基于L1正則化的神經(jīng)網(wǎng)絡結(jié)構(gòu)優(yōu)化模型設計與分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究論文發(fā)表在國際人工智能領域權威期刊IEEE Transactions on Cybernetics。碩士生謝雪濤和博士生張華清為論文共同第一作者，王健副教授為通訊作者，我校榮譽教授Nikhil R. Pal院士（印度統(tǒng)計研究所）參與指導，中國石油大學（華東）為第一署名單位。該項研究成果得到了國家自然科學基金、山東省自然科學基金和中央高校基本科研業(yè)務費的資助。 該項工作借助L1正則子具有的稀疏表達能力，提出兩種神經(jīng)網(wǎng)絡結(jié)構(gòu)優(yōu)化學習模型；本項工作另外一個突出貢獻就是提出了一種簡單且具有通用性的收斂性證明方法，同時保證了模型設計的合理性。實驗結(jié)果表明所提出模型具有強大的魯棒性、廣泛的適用性、理想的剪枝能力和良好的泛化能力，適用處理高維大數(shù)據(jù)。該研究成果在人工智能與深度學習構(gòu)造最簡網(wǎng)絡結(jié)構(gòu)方面具有很強的指導作用和應用推廣價值。