葡京娱乐场-富盈娱乐场开户_百家乐试玩_sz全讯网网址xb112 (中国)·官方网站

項(xiàng)目概況 該項(xiàng)目研究開發(fā)出具有自主知識產(chǎn)權(quán)的少片簧及關(guān)鍵工藝和材料技術(shù)，實(shí)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(quán)的承受高應(yīng)力少片簧的關(guān)鍵制造技術(shù)，申請了“承受高應(yīng)力的高強(qiáng)度變截面簧片及其制造方法”的發(fā)明專利（200710132237.5）。 本項(xiàng)目處于國內(nèi)先進(jìn)水平，擁有自主知識產(chǎn)權(quán)，項(xiàng)目獲得2008年度中國汽車工業(yè)科技進(jìn)步三等獎(jiǎng)。主要特點(diǎn) 在少片簧優(yōu)化設(shè)計(jì)的基礎(chǔ)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(xì)化晶粒、表面無全脫碳的新型高強(qiáng)度彈簧鋼，對少片簧進(jìn)行變截面控溫軋制，細(xì)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(yīng)力噴丸的預(yù)應(yīng)力大小和噴丸強(qiáng)度等措施，解決了少片簧在承受應(yīng)力水平提高后,其強(qiáng)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(shí)現(xiàn)了承受高應(yīng)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(shù)指標(biāo)     少片簧設(shè)計(jì)應(yīng)力1000-1200MPa、抗拉強(qiáng)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(shí)際使用要求。市場前景     本項(xiàng)目已在依維柯系列輕型客車系列上實(shí)現(xiàn)了少片簧的國產(chǎn)化批量生產(chǎn)應(yīng)用，取代了進(jìn)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(jì)效益，并正推廣應(yīng)用于更多的車型上。鑒于高應(yīng)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(xiàng)目具有十分廣泛的推廣應(yīng)用價(jià)值，能顯著提高企業(yè)產(chǎn)品競爭力，填補(bǔ)該領(lǐng)域的國內(nèi)空白，具有顯著的經(jīng)濟(jì)效益和社會效益，其進(jìn)一步的推廣應(yīng)用前景十分廣闊。

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

項(xiàng)目研究背景： 當(dāng)前，美國、日本等國家采用 T1200\T1800 等材料進(jìn) 行了大量研究，也取得了相應(yīng)的技術(shù)成果，但因其成本高、成型難度大， 使其應(yīng)用收到限制。 對吸波碳纖維纏繞壓力容器成形必須進(jìn)行精確的復(fù)合 材料結(jié)構(gòu)設(shè)計(jì)及可靠性的準(zhǔn)確預(yù)報(bào)，以確保其成形質(zhì)量，其工藝工程十分 復(fù)雜，它涉及許多設(shè)計(jì)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(jià)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(jì)算闡明了表面氧優(yōu)先析出機(jī)制及對應(yīng)的表面重構(gòu)動力學(xué)，并提出了硫改性穩(wěn)定多陰離子的技術(shù)方案，研究成果發(fā)表于Nat. Comm.，申請國際專利1項(xiàng)。

高分子材料專業(yè)，碩士研究生學(xué)歷

近日，我院青年教授徐斌在水資源領(lǐng)域頂級權(quán)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(xué)院大數(shù)據(jù)研究團(tuán)隊(duì)在人工智能與大數(shù)據(jù)處理技術(shù)研究方面取得系列進(jìn)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(luò)是人工智能領(lǐng)域中目前最為火熱的研究方向——深度學(xué)習(xí)的架構(gòu)基礎(chǔ)。雖然深度學(xué)習(xí)在近幾年發(fā)展迅速，但是關(guān)于如何設(shè)計(jì)最優(yōu)神經(jīng)網(wǎng)絡(luò)架構(gòu)的問題仍處于探索階段。該團(tuán)隊(duì)分別針對人工智能中神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)復(fù)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(shí)序信息等問題與缺陷，設(shè)計(jì)出了一系列網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化、大數(shù)據(jù)特征選擇和時(shí)序循環(huán)神經(jīng)網(wǎng)絡(luò)模型，有效改善了上述不足，提高了人工智能模型的學(xué)習(xí)性能。 題目為《帶Group Lasso懲罰與控制冗余的神經(jīng)網(wǎng)絡(luò)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(lǐng)域權(quán)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(yù)教授Nikhil R. Pal院士（印度統(tǒng)計(jì)研究所）參與指導(dǎo)，中國石油大學(xué)（華東）為第一署名單位。該項(xiàng)工作得到國家自然科學(xué)基金、國家科技重大專項(xiàng)、山東自然科學(xué)基金、中央高校基本科研業(yè)務(wù)費(fèi)、中國石油天然氣集團(tuán)公司重大科技項(xiàng)目以及山東省高校青年創(chuàng)新科技支撐計(jì)劃的資助。 特征選擇技術(shù)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(yù)處理環(huán)節(jié)的重要步驟，也是大數(shù)據(jù)處理技術(shù)的重要環(huán)節(jié)。該項(xiàng)工作在神經(jīng)網(wǎng)絡(luò)中嵌入Group Lasso懲罰項(xiàng)并實(shí)現(xiàn)特征冗余控制，在選出對解決問題最有幫助、蘊(yùn)含信息量最大的特征或?qū)傩缘耐瑫r(shí)，控制所選特征子集的冗余程度，以達(dá)到降維的最優(yōu)效果，從而使模型的泛化能力更強(qiáng)，降低神經(jīng)網(wǎng)絡(luò)模型產(chǎn)生過擬合的風(fēng)險(xiǎn)。 題目為《基于L1正則化的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化模型設(shè)計(jì)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(lǐng)域權(quán)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(yù)教授Nikhil R. Pal院士（印度統(tǒng)計(jì)研究所）參與指導(dǎo)，中國石油大學(xué)（華東）為第一署名單位。該項(xiàng)研究成果得到了國家自然科學(xué)基金、山東省自然科學(xué)基金和中央高校基本科研業(yè)務(wù)費(fèi)的資助。 該項(xiàng)工作借助L1正則子具有的稀疏表達(dá)能力，提出兩種神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化學(xué)習(xí)模型；本項(xiàng)工作另外一個(gè)突出貢獻(xiàn)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(shí)保證了模型設(shè)計(jì)的合理性。實(shí)驗(yàn)結(jié)果表明所提出模型具有強(qiáng)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(xué)習(xí)構(gòu)造最簡網(wǎng)絡(luò)結(jié)構(gòu)方面具有很強(qiáng)的指導(dǎo)作用和應(yīng)用推廣價(jià)值。