新葡京娱乐场-大陆娱乐场开户注册

本發明公開了一種金剛石-立方氮化硼萬能型超硬刀具材料和刀具及其制備方法，其特點是以金剛石和立方氮化硼為原料，經預處理與成型后，將坯件裝配燒結單元放入高溫高壓裝置中，在壓強為7-25GPa溫度為1000-2700℃，燒結固溶強化10s～30min，獲得晶粒大小均勻，晶界嚴密閉合，金剛石與立方氮化硼晶界之間硼、碳、氮原子形成高原子密度、三維網狀、強共價鍵的致密結構金剛石-立方氮化硼萬能型超硬刀具材料；再將萬能型超硬刀具材料加工成等高的圓柱體，兩端拋光平整之后加工成邊長和厚度均為2～3mm的三角柱體，在真空度1x10-3Pa,溫度800℃與鋼質合金基底焊接，然后用激光加工成半徑為0.4～0.8mm的刀尖圓弧的超硬合金刀具。

本發明提供一種基于石墨烯/介孔碳納米復合材料生物傳感器及其制備方法。本發明包括采用水熱合 成法制備石墨烯/介孔碳納米復合材料，將其作為吸附酶固載材料；采用生物傳感及電化學原理，通過將 絲網和噴墨印刷相結合的方法制作檢測試紙，絲網印刷用于印制導電線路，采用非接觸的噴涂方式將敏 感生物元件噴印到電極支持物上，其中噴涂材料的噴涂量和噴涂面積可以控制。納米復合載體材料是在 石墨烯片層的兩面生長介孔碳，制成石墨烯/介孔碳復合材料，將其作為載體固載酶，與生

過使用金屬元素錸摻雜的方式，成功優化了樣品的電學性能。團隊發現，適量的錸元素摻雜能夠調控Sb2Te3(GeTe)12的載流子濃度以提高其功率因子。同時，團隊運用球差矯正透射電子顯微鏡清楚地捕捉到了樣品中的二維缺陷以及鍺析出物在摻雜前后的尺寸變化，大量文獻表明，材料內部的這些缺陷會強烈的散射聲子，進一步降低材料的晶格熱導率。該工作使得Sb2Te3(GeTe)12基熱電材料的總體熱電性能得到大幅優化，在773 K溫度下的熱電優值達到了2.25，晶格熱導

借鑒高分子膜的加工技術，孫道峰教授團隊利用HOF是由高可逆性氫鍵連接而成的特點，通過熔鑄法制備了首例HOF多晶膜，并研究了其壓力響應的氣體滲透性能。

雜化材料中的離子鍵可有效地提高材料的穩定性和在有機溶劑中的溶解性，為高質量薄膜器件制備提供了便利。

該材料具有雙功能基團，能同時富集糖肽和磷酸化肽，同時具有體積排阻的作用，該方法合成簡便，重復性好，具有較好的富集效果。

索非布韋（又譯為索氟布韋，英文名 Sofosbuvir，CAS：1190307- 88-0）是全球首個丙型肝炎病毒(HCV)NS5B 聚合酶核苷酸類似物抑 制劑，用于治療慢性丙型肝炎，目前國外已有產品在銷售，且利潤可 觀。國內還沒有此類藥物，本項目具有重大的發展前景。 采用本課題組開發的新型氟取代反應，設計和開發了一條經濟、 綠色和環保的具有巨大臨床價值和市場價值抗丙肝藥物索非布韋及 其關鍵含氟醫藥中間體的制備工藝。本項目的目的是對本課題組開發 的新穎制備工藝進行中試放大研究，進而實現商業化規模制備，從而 產生良好的社會效益和經濟效益。 依托南開大學化學院良好的科研平臺，以及本課題組多年積累的 有機氟化學及合成有機化學的基礎研究成果，我們對具有巨大臨床價 值和市場價值的抗丙肝新藥索非布韋及其關鍵含氟中間體的制備工 藝進行優化。小試規模研究結果表明，本制備工藝能以良好的經濟性、 兼顧環保、安全等考量獲得預期質量要求的目標產品。后期通過小試 放大研究、中試研究和商業化生產確認等產業化開發程序。 

我校理學院大數據研究團隊在人工智能與大數據處理技術研究方面取得系列進展，研究成果分別發表在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。神經網絡是人工智能領域中目前最為火熱的研究方向——深度學習的架構基礎。雖然深度學習在近幾年發展迅速，但是關于如何設計最優神經網絡架構的問題仍處于探索階段。該團隊分別針對人工智能中神經網絡結構復雜、高維大規模數據存在無效和冗余特征、難以獲取長時序信息等問題與缺陷，設計出了一系列網絡結構優化、大數據特征選擇和時序循環神經網絡模型，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網絡特征選擇》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究論文發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，是指從原始特征或屬性中選擇出最有效的特征或屬性以降低數據維度的過程，它是人工智能數據預處理環節的重要步驟，也是大數據處理技術的重要環節。該項工作在神經網絡中嵌入Group Lasso懲罰項并實現特征冗余控制，在選出對解決問題最有幫助、蘊含信息量最大的特征或屬性的同時，控制所選特征子集的冗余程度，以達到降維的最優效果，從而使模型的泛化能力更強，降低神經網絡模型產生過擬合的風險。 題目為《基于L1正則化的神經網絡結構優化模型設計與分析》（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，提出兩種神經網絡結構優化學習模型；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，適用處理高維大數據。該研究成果在人工智能與深度學習構造最簡網絡結構方面具有很強的指導作用和應用推廣價值。