所谓油气资源评价智能化就是建立油气资源评价专家系统。
专家系统是人工智能三大分支之一，是利用专家知识求解某类专业问题的计算机软件。自60年代末第一个专家系统DENDRAL在斯坦福大学诞生以来，专家系统迅速进入生物、医学、化工、教育、法律、管理、工程、商业、军事、气象和地质等众多领域。专家系统之所以倍受重视，发展迅猛，主要是因为：①它能十分有效地保存、传播和使用人类知识（尤其是领域专家的独到经验和专门知识），特别是能通过独特的自学习功能从用户提供的知识和实例中总结新知识；②它不仅能进行数值运算，更能进行逻辑推理，从而把软件处理功能从数值处理扩展到知识处理的高度，使其能解决更为复杂的专业问题；③利用计算机拟合人类思维方式，延伸了专家求解问题的能力，包括具有更高的求解速度和精度，可连续工作，避免错误和疏忽等；①已经体现了良好的经济效益和社会效益。
由于油气资源评价是一个复杂巨型系统工程，需要分析油气从生成到成藏诸方面地质因素，而这些因素的发展演化及相互关系又极其复杂，难以用定量方法准确刻画和描述，因此资料中既有定量参数更有定性资料，资料的可靠性也各不相同，传统的统计学方法和盆地模拟方法受评价模型限制而往往不能正确地综合分析这些因素和关系，结果可信度低。近来，评价专家越来越认识到，把专家系统技术引入油气资源评价领域，从评价对象实际情况出发，按照专家思维方式，依据各种定量、定性资料，全面分析成藏地质条件，大大提高评价结果可靠性与可比性，这是油气资源评价发展的主要方向。
据不完全统计，国内外直接或间接用于油气资源评价的专家系统有美国专家研制的沉积盆地分类专家系统、生油岩预测知识库系统、PLAYMAKER系统、San Juan盆地勘探研究专家系统和我国王伟元等研制的油气资源评价专家系统（PRES）、李树森等研制的天然气资源评价专家系统。这些系统在应用中均不同程度地显示了专家系统在油气资源评价中的良好的应用前景和发展势头。预计今后的时代，将是油气资源评价智能化时代。
2.3.1 油气资源评价面临的挑战
前面已述及油气资源评价具有较长的发展历史。在100多年，特别是近50年中，油气资源评价的理论与方法研究得到了迅速发展，形成了一套比较完整的体系，并且在全球、含油气区、盆地、区块以及圈闭等不同级别的评价中得到大量应用，取得了丰硕成果。然而，油气资源评价并非已发展得至善至美，它还需要发展，还面临着许多难题或挑战。
（1）油气资源评价早期对象主要是石油，当时对少量伴生气一般是折算为当量石油来处理的，所以，评价理论与方法是在石油地质研究基础上建立起来的。现在，天然气，包括致密砂岩气、煤层气、水溶气、页岩气、天然气水合物等非常规天然气，已逐渐成为油气勘探的重要领域，而天然气成藏机理和成藏地质条件远较石油复杂，因此，如何开展天然气资源评价，是评价专家近期面临的课题。另外，关于沥青、油砂、油页岩等非常规石油的资源评价也是评价专家近期面临的难题。
（2）油气资源评价首先是地质问题，其次才是数学问题。油气生、运、聚、保是发生在盆地这个复杂体系中的复杂物理化学过程，不同盆地，甚至同一盆地的不同区域、不同层位、不同时期之油气成藏模式各具特色，其成藏条件、影响因素各不相同，因此，如何根据评价对象实际地质情况建立相应的评价地质模型和数学模型，是资源评价成败关键所在，也是当前广大评价专家正在探讨的难题。
（3）地质资料主要是定性资料，仅少量为定量数据，现有勘探技术和测试方法还无法对地质体的一些特征和地质作用进行定量刻画，而且许多资料具有多解性、不确定性，即使用定量数据也往往存在一定的误差。对于勘探程度低的评价对象，定量资料往往欠缺且可靠性低，在这种情况下如何确保评价质量是人们长期思考的问题。20世纪70年代至80年代，专家们引进蒙特卡洛法、模糊数学、数量化理论，并对参数进行分布检验，在一定程度上提高了评价质量。80年代中后期以来，运用盆地模拟和勘探层法，更进一步地提高了结果可靠性。但是，所有这些方法均未突破模型高度简化的限制，无法充分利用各种资料，特别是定性资料。
（4）油气资源评价如何为勘探开发部署服务，是一个始终未能很好解决的问题。已往的评价工作主要回答了评价对象有无油气、有多少、在哪里等问题，所提供的结论仅对勘探开发部署起参考作用。在油气勘探开发工作走向国际市场、勘探开发难度加大、成本陡增的今天，评价工作必须向勘探决策分析拓延，进一步回答如何勘探开发、效益多大等问题，向决策部门提供科学依据。
（5）油气资源评价是一个复杂的系统工程，其研究内容涉及到油气地质各方面。迄今资源评价基本上是采取各学科分体式合作进行的，即沉积、构造、有机地化、储层、圈闭、油气藏研究是分开进行的，而资源评价仅是简单地综合各学科结论与有关数据，按传统方法计算，显然，这种方法不能适应新时期的要求。在现代油气地质理论指导下，应用数学、经济学、决策科学和计算机技术，在统一思路下将油气地质各学科有机结合起来，进行相互渗透的综合性的一体化研究与评价，具有重大的现实意义。
2.3.2 盆地分析与资源评价
法国地质学家A.Permdon（1982）明确指出：“没有盆地，也就没有石油”。我国学者李国玉（1996）又指出：“天生盆地必有油”。由此二论断可见，盆地是油气生成和赋存的充分必要条件，也就是说盆地是控制油气分布的基本地质单元。
所谓盆地，是在一定地质历史阶段中，受构造运动控制所形成的统一沉积区。由于所处大地构造位置不同和所经历的形成演化史不同，故各盆地具有不同的外形特征、应力性质、沉积充填和构造样式。国内外学者从不同角度按不同原则划分盆地类型。不同类型的盆地具有不同的油气藏形成条件与机制，有不同的资源密度（李晋光等，1989）和资源分布规律。因此，开展油气资源评价首要的就是要进行全面系统的盆地分析。
盆地分析是一个庞大而复杂的系统工程，它从找油找气角度出发，以现代油气地质理论为指导，应用计算机技术等手段，综合地质调查、物化探、钻井、测试和化验等多种资料，研究盆地（或盆地内某一构造单元）之类型及形成演化机制，研究沉积充填、构造样式及热体制，分析油气生、运、聚、散、保过程，总结成藏模式及源、储、盖、圈等成藏条件，指出油气赋存状况及三维空间分布规律，优选有利含油气区带。我们认为，盆地分析与油气资源评价存在密切关系，盆地分析是油气资源评价的理论依据与资料基础，反之，油气资源评价从某种意义上讲是盆地分析的延伸和继续，是盆地分析的最终目的。因此，二者应该有机联系起来，而不应相互分割。然而，长期以来，由于种种原因，这一关系未受到应有的重视，盆地分析专家和资源评价专家各自为阵，相互间配合不够，这就不可避免地使盆地分析进行得不彻底不完全，其结果未得到充分利用，而油气资源评价亦因缺乏坚实基础而结果可靠性受到影响。可以预测，将盆地分析与油气资源评价紧密结合起来，根据评价对象具体成藏模式和控制因素建立相应的评价模型，进行多学科综合和一体化研究与评价，是油气资源评价发展方向之一。本书首次明确地提出这一认识，并将其作为主要思路贯穿始终，在实践中进行了有益的尝试和探讨，取得了良好的成果。
2.3.3 油气资源评价智能化
所谓油气资源评价智能化就是建立油气资源评价专家系统。
专家系统是人工智能三大分支之一，是利用专家知识求解某类专业问题的计算机软件。自20世纪60年代末第一个专家系统DENDRAL在斯坦福大学诞生以来，专家系统迅速进入生物、医学、化工、教育、法律、管理、工程、商业、军事、气象和地质等众多领域。专家系统之所以备受重视，发展迅猛，主要是因为：①它能十分有效地保存、传播和使用人类知识（尤其是领域专家的独到经验和专门知识），特别是能通过独特的自学习功能从用户提供的知识和实例中总结新知识；②它不仅能进行数值运算，更能进行逻辑推理，从而把软件处理功能从数值处理扩展到知识处理的高度，使其能解决更为复杂的专业问题；③利用计算机拟合人类思维方式，延伸了专家求解问题的能力，包括具有更高的求解速度和精度，可连续工作，避免错误和疏忽等；④已经体现了良好的经济效益和社会效益。
由于油气资源评价是一个复杂巨型系统工程，需要分析油气从生成到成藏诸方面地质因素，而这些因素的发展演化及相互关系又极其复杂，难以用定量方法准确刻画和描述，因此资料中既有定量参数更有定性资料，资料的可靠性也各不相同，传统的统计学方法和盆地模拟方法受评价模型限制而往往不能正确地综合分析这些因素和关系，结果可信度低。近来，评价专家越来越认识到，把专家系统技术引入油气资源评价领域，从评价对象实际情况出发，按照专家思维方式，依据各种定量、定性资料，全面分析成藏地质条件，大大提高评价结果可靠性与可比性，是油气资源评价发展的主要方向。
据不完全统计，国内外直接或间接用于油气资源评价的专家系统有美国专家研制的沉积盆地分类专家系统、生油岩预测知识库系统、PLAYMAKER系统、San Juan盆地勘探研究专家系统和我国王伟元等研制的油气资源评价专家系统（PRES）、李树森等研制的天然气资源评价专家系统。这些系统在应用中均不同程度地显示了专家系统在油气资源评价中的良好应用前景和发展势头。预计今后的时代，将是油气资源评价智能化时代。
2.3.4 决策分析是油气资源评价的必然延伸
油气勘探开发是一个投资巨大、周期较长和风险极高的巨型工程，在市场经济条件下，它是一种企业行为，任何失误哪怕是一个小小的失误都可能造成重大的经济损失，因此在勘探开发部署及实施过程中自始至终贯穿着“决策”。早年勘探开发主要是在资源丰富、地质条件相对简单、勘探开发难度小和成本较低的地区进行，决策者仅根据成藏地质条件分析即可作勘探开发部署。随着勘探开发的不断发展，勘探开发的重心逐渐向新地区、新层位和新油气藏类型转移。由于这些领域埋深大，地质条件复杂，勘探开发难度加大，成本迅速增高，所以开展科学而系统的决策分析，优选投资方向和部署方案，对于减少勘探开发风险，提高勘探开发成功率和经济效益、社会效益，具有重要的现实意义。西方石油公司把决策分析视为其生存和发展的“生命线”。由于种种原因，我国油气勘探开发领域直到80年代中后期才开始引入并应用系统的决策分析。随着我国经济体制向社会主义市场经济的转轨，以经济效益为核心的决策分析将在油气勘探开发中占有重要地位并迅速发展起来。长期以来，人们只把油气资源评价理解为资源量估算，以往的评价工作也局限在解决有无油气、有多少和分布在何处等三方面的问题。显然，这种油气资源评价与勘探开发是相互割裂的，评价结果不能很好地为制定国家能源政策和进行勘探开发部署服务，更不能为石油公司优选投资方向和勘探开发方案服务。因此，许多决策者认为资源评价只是一种数字游戏，没有多大现实意义。事实上，若评价工作不能为勘探开发部署提供科学依据，就失去了其意义。为了加强评价与勘探开发的联系，有必要重新定义油气资源评价概念，扩大其外延，将勘探开发决策分析包括进来，进一步回答怎样勘探开发和预期效益如何等问题。随着决策分析在勘探开发部署中的作用日益明显，专家们越来越认识到决策分析是油气资源评价中不可分割的重要组成部分，决策分析是油气资源评价在新形势下的必须延伸与发展。没有决策分析的油气资源评价是不完整、不彻底的，只有在含油气性分析和资源量预测基础上进一步开展经济分析和决策分析才具有重要的应用价值，才能更好地为勘探开发部署服务。
出品：中国科学院计算机网络信息中心 中国科普博览
4月7日，人工智能与GPU研讨会在计算机网络信息中心（以下简称“中心”）召开。北京市经济和信息化委员会软件与信息服务业处仝海威处长、中科院科发局高技术处副处长秦承虎、计算机网络信息中心廖方宇主任、迟学斌副主任、业务发展处处长许海燕、高性能计算部陆忠华主任以及英伟达、曙光信息产业股份有限公司等产业链代表共40余人参加了本次会议。
秦承虎副处长
仝海威处长
迟学斌副主任主持了开幕式，秦承虎副处长和仝海威处长先后致欢迎词。秦处长在致辞中介绍了我院在数据与计算方面多年的发展和已取得的成果，并表示我院在基础设施资源和软件研发能力方面能够为人工智能的发展提供有效支撑；同时期望计算机网络信息中心，以及院属相关研究院所在人工智能的技术研发和规模化应用方面发挥更重要的作用，提供更有效的高性能云服务，以促进北京市经济社会发展。仝处长在致辞中首先指出人工智能是形成新产业模式的重点发展领域之一，发展人工智能已被提升到国家战略层面；并对北京市在人工智能方面的有关布局进行了简要介绍；然后从人工智能技术研发、支撑体系建设以及规模化应用三个方面谈了些看法和设想。
高性能计算部主任陆忠华研究员主持了会议报告环节。
中科院自动化研究所刘成林副所长
中科院自动化研究所刘成林副所长做了题为《模式识别研究现状与趋势》的报告，主要介绍了GPU在人工智能，尤其是模式识别中的研究和应用现状以及未来发展的趋势。其中，深度学习是当前人工智能模式识别的主流方法，去年的人机大战中的Alphago就是运用深度学习方法进行训练的，它是一个复杂函数，能够完成分类或回归任务，它全面超越传统模式识别方法，当然，在计算量、泛化性、学习灵活性及鲁棒性等方面它仍然存在许多不足。
英伟达教育科研医疗行业总监袁永清总监
英伟达教育科研医疗行业总监袁永清总监的《GPU与HPC加速人工智能的发展》报告，详细介绍了英伟达目前在游戏、医疗影像、GPU加速软件和嵌入式芯片4个方面开展的业务。其中的嵌入式芯片有两个方向：一是为创新驾驶体验进行的汽车内部语音云视觉系统的开发，另一个就是被称为“无人驾驶的大脑”的世界第一款车载人工智能计算平台的开发。另外，今年将在智能协同驾驶上进行探索，包括人脸辨识，头部追踪，眼球追踪，读唇等等。
中心高性能计算部技术支持与业务拓展业务室主任王珏副研究员
中心高性能计算部技术支持与业务拓展业务室主任王珏副研究员在报告《高性能计算与人工智能》中介绍了中心的GPU硬件资源情况和GPU相关研究成果，向与会的领导和专家展示了中心在人工智能的技术研发和规模化应用方面具有充足的软硬件资源、优秀的研究和管理团队，以及扎实的研究基础，可以有力的支持国家的人工智能战略，推动人工智能的快速发展，形成北京市乃至国家的新产业模式。
驭势科技(北京)有限公司首席执行官吴甘沙
驭势科技(北京)有限公司首席执行官吴甘沙做了题为《轻车熟路：基于嵌入式系统+高性能云的驾驶智能》的报告，介绍了人工智能在自动驾驶上的重要应用价值和巨大发展前景。他提到，智能驾驶的商业化需要“轻车熟路”。所谓“轻车”即嵌入式系统与算法的适配，“熟路”强调高性能云端的训练适应更多的数据，以及对大规模仿真+强化学习的支持。人工智能能解决目前交通与驾驶中存在的人贵、人缺和人错三个问题。他形象地用“新司机”、“认路司机”和“老司机”来比喻无人驾驶的能力提升与发展：“新司机”能利用摄像头、深度学习及激光雷达等技术还原驾驶场景；“认路司机”可以达到高精度惯导和定位；如果要达到开得又好又舒服的“老司机”标准，需要达到能判断道路形势，预测路况的能力。最后，吴甘沙说道，未来5—7年自动驾驶技术会进一步提升到“老司机”的水平。
地质与地球物理研究所刘洪研究员
地质与地球物理研究所刘洪研究员做了《油气勘探领域深度学习与GPU技术的应用》的报告。他从油气勘探实际出发，首先总结了大数据在地学中的应用问题难点，简单的神经网络不能代表最新的深度学习的技术能力，目前在深度学习规模上地学还是比较小的，只在识别断层方面运用了一些。从阿法狗和绝艺得到的启示是，挖掘深度学习潜力依赖于从深度和广度上扩大神经网络的规模。其实，油气领域很早就运用神经网络进行反演。深度学习与全波形反演有很多类似性，最后，刘洪提到，等效波动方法、快速多极方法加速全波形反演的计算，可以促进深度学习的应用。
科大讯飞北京研究院副院长付瑞吉剖析了人工智能的不同层面，即运算智能（储存会算），感知智能（能挺会说，能看会认），认知智能（能理解会思考），运动智能（能抓会握，能跑会走）。2014年8月，科大讯飞启动了“讯飞超脑”计划，研发基于类人神经网络的认知智能系统。目前，讯飞超脑在感知智能和认知智能方面取得了很多突破：在感知智能方面，语音识别已全面进入“读图谱时代”；在认知智能方面，基于Attention神经网络的篇章阅读系统能对作文进行自动评分，写评语并划出优美语句等等，俨然就是一个自动评卷系统。经测试，目前讯飞超脑语言理解能力已达到了六岁儿童水平，未来还会进一步提高。自然交互改变生活，智能学习颠覆行业。人工智能是当代最伟大的魔法师。
声学研究所所长助理颜永红
声学研究所所长助理颜永红做了题为《智能语音处理的现状和挑战》的报告，介绍了人工智能在语音识别领域发展和成功案例。他提到，语音识别每隔5-6年都会“火”一把，其实语音识别属于语言声学与内容理解学科，对它的研究是智能化的一个标志，由于语音沟通的直接性和语言的复杂性，机器言语识别是人机交互和人工智能的重要组成部分。目前，以语音为核心的人机交互的技术挑战主要有以下三点：更高的精度，更强的拒识和更复杂的拾音。最后，颜永红还和分享了一些有意思的事情，如：虚拟低音增强，移动终端耳机重放，三维音频双耳技术等等。
澎峰(北京)科技有限公司首席执行官张先轶
澎峰(北京)科技有限公司首席执行官张先轶的《嵌入式平台的深入学习以及Kaggle Data Science Bowl》报告从嵌入式深入学习的模型、框架、底层库和硬件等方面进行了阐述，并以美国国家癌症研究所数据集的肺癌的CT诊断为例，对Data Science Bowl的全过程进行了呈现。
曙光信息产业股份有限公司深度学习产品总监许涛
曙光信息产业股份有限公司深度学习产品总监许涛最后分享了《人工智能开启HPC新格局》的报告，指出GPU助力HPC计算能力快速增长，并强调HPC的应用魔咒在于应用短板，因此面向AI的深度学习是HPC全新应用领域。
廖方宇主任在大会总结中表示，本次人工智能与GPU研讨会开的很成功，与会代表作了精彩的报告并提出了宝贵意见和建议。同时，他指出要认真学习领会秦处长和仝处长的讲话指示，研究与北京市委和北京市基金委合作，在行业和产业方面推动北京市经济结构调整、并利用科学院的已有的成果，结合北京市的规划，寻求新的国家层面和应用层面的合作模式，将人工智能的新技术转移到企业，使得企业尤其是小企业可以享受到技术发展的红利。
最后，就人工智能与GPU的发展和产业化模式各位专家和代表踊跃发言，开展了积极、热烈的讨论，重点集中如何把相关技术链条、产业链条和人才链条打通，实现人工智能产业的“政产学研用”。
本次研讨会的圆满举行，为与会的领导和专家学者提供了良好的交流平台，极大地促进了中科院尤其是计算机网络信息中心与北京市以及产业链在人工智能和GPU领域的合作与交流，有助于我国人工智能研究进一步与世界先进水平接轨，同时有助于加快人工智能产业化步伐，形成新的产业模式和经济增长点。
加大油气勘探开发力度、保障国家能源安全是当前面临的迫切任务。但随着优质资源的不断开发，剩余资源开采难度越来越大，成本越来越高，迫切需要创新技术提升油气勘探开发效率和效益。在大数据、人工智能( artificial intelligence，AI)、5G、云计算、物联网等技术推动下，油气田的智能化水平将会越来越高，这既是油田降本提质增效的有效途径，也是油气技术发展规律的必然趋势。
1、大数据技术定义
2012年兴起的“大数据”潮流，让“Big Data”这个IT圈子里的名词一下风靡了各个行业。虽然大数据的重要性得到了大家的一致认同，但是对大数据的理解却众说纷纭。大数据是一个抽象的概念，除去数据量庞大这一特征，大数据还有一些其他的特征，这些特征决定了大数据与“海量数据”和“非常大的数据”这些概念之间的不同。
高德纳分析员Doug Laney曾于2001年在一次演讲中指出，数据增长有3个方向的挑战：数量（volume），即数据多少；速度（velocity），即资料输入、输出的速度；种类（variety），即多样性，这3方面的特征即大数据最先提出的3V模型。2011年，在国际数据公司（IDC）发布的报告中，大数据被定义为：“大数据技术描述了新一代的技术和架构体系，通过高速采集、发现或分析，提取各种各样的大量数据的经济价值。”大数据的特点可以总结为4个V，即volume（体量浩大）、variety（模态繁多）、velocity（生成快速）和value（价值巨大但密度很低）。这种4V定义得到了更广泛的认同，指出了大数据最为核心的问题，就是如何从规模巨大、种类繁多、生成快速的数据集中挖掘价值。
2、大数据技术的发展
大数据是人工智能的血液，当前大数据、云计算、人工智能以及区块链技术之间的关系密不可分，也被称作数据智能。比如，先进的工业互联网，其中既有区块链技术也有大数据技术，还有云计算技术，三者合成一体，又衍生出了人工智能和物联网的概念。
在大数据基础上的人工智能，目前已进入数据智能的深度学习时代，其快速发展引起了 社会 和产业的颠覆性变化。从大数据和人工智能技术全行业的发展来看，目前美国仍处于领先地位，中国紧随其后，且具有赶超趋势。中国在人工智能相关的论文发表总数和高引论文数量实现对美国的超越，但在人工智能理论发展和技术方向的引领方面美国还占据支配地位。
3、大数据技术流程
大数据处理的关键技术流程主要包括：数据采集、数据预处理（数据清理、数据集成、数据变换等）、海量数据存储、数据分析及挖掘、数据的呈现与应用（数据可视化、数据安全与隐私等）。
4、大数据的核心算法
大数据的核心算法可以分为监督学习（有标签）和无监督学习（无标签）两大类，其中：
监督学习分为回归和分类：即给定一个样本特征，希望预测其对应的属性值，如果是离散的，那么这就是一个分类问题，反之，如果是连续的实数，这就是一个回归问题。无论是分类还是回归，都是想建立一个预测模型，给定一个输入，可以得到一个输出。不同的只是在分类问题中，是离散的；而在回归问题中是连续的。
无监督学习分为聚类和降维：即如果给定一组样本特征，我们没有对应的属性值，而是想发掘这组样本在维空间的分布，比如分析哪些样本靠的更近，哪些样本之间离得很远，这就是属于聚类问题。如果我们想用维数更低的子空间来表示原来高维的特征空间，那么这就是降维问题。聚类也是分析样本的属性，事先不知道样本的属性范围，只能凭借样本在特征空间的分布来分析样本的属性。这种问题一般更复杂。而常用的算法包括 k-means （K-均值），GMM（高斯混合模型）等。
5、大数据在油气勘探开发领域的应用
目前大数据技术在地质分析、测井解释、地震解释、甜点预测、地质建模、油藏模拟、钻井、压裂、采油、产能预测等方面均开展了大量 探索 性研究，收到了良好的效果。但是目前，大数据与油气行业相关领域的融合还处于起步阶段，面临来自数据、算法和地下未知因素的诸多挑战。未来在大数据、人工智能、5G、云计算、物联网等技术推动下，油气田的智能化水平将会快速发展，这既是油气技术发展规律的必然趋势，也是油田降本提质增效的有效途径。在发展的过程中，智能油气田建设需要油气勘探开发与大数据、人工智能、云计算以及区块链等技术的深度融合，进而催生一批油气田领域的颠覆性技术，解决油气勘探开发的技术需求，提升油气田勘探开发的经济和 社会 效益。
（ 下期将向您详细解读大数据在油气行业的具体应用 ）。
注：本文部分参考资料来源如下：
李阳，廉培庆，薛兆杰，等．大数据及人工智能在油气田开发中的应用现状及展望[J]．中国石油大学学报(自然科学版)，2020，44(4):1-11
Gantz J，Reinsel D.Extracting Value from Chaos. IDC iView Report，2011
Team O R. Big Data Now：Current Perspectives from O’Reilly Radar.Sebastopol：O’Reilly Media，2014
Grobelnik M. Big data tutorial. http：//videolectures.net/eswc2015grobelnik big data/，2012
Walters, R. J., Zoback, M. D., Baker, J. W. 2015. Characterizing and Responding to Seismic Risk Associated With Earthquakes Potentially Triggered by Fluid Disposal and Hydraulic Fracturing. Seismol. Res. Lett. 86 (4): 1–9. https:// doi.org/10.1785/0220150048.
周松兰．中美欧日韩人工智能技术差距测度与比较研究[J]．华南理工大学学报 ( 社会 科学版)，2020，22(2):10-22．
HINTON G E，OSINDERO S，TEH Y W．A fast learning algorithm for deep belief nets[J]．Neural Computation，2016，18: 1527-1554．
LECUN Y，BOTTOU L，BENGIO Y，et al．Gradientbased learning applied to document recognition[J]．Proceedings of IEEE，1988，86( 11) : 2278-2324．
BENGIO Y， SIMARD P，FRASCONI P．Learning longterm dependencies with gradient descent is difficult[J]．IEEE Transactions on Neural Networks，1994，5(2) :157-166
