本论文开发了一种基于深度学习的代理模型，显著加速油藏模拟，速度提升超过2000倍，平均误差约10%。该模型在油田开发优化中表现优异，为未来研究提供了重要基准。

本文介绍了一种新的基于神经网络的连续学习算法UCL，旨在解决灾难性遗忘和噪声标签问题。通过引入新的抽样策略和分类器，实验结果表明该算法在多种学习任务中表现优异，显著减少遗忘现象并提高准确率。

本文探讨了储备计算（RC）在时间信号处理中的应用，提出了新的储层计算模型欧拉状态网络（EuSN），并展示其在长期记忆任务和时间序列分类中的优越性能。研究表明，EuSN在计算效率和能源消耗上显著优于传统模型，并提供了对RNN储层系统的统一强普适性分析，强调其在混沌时间序列预测中的高性能。

通过研究谱分解和矩阵的矩的关系，我们论证了储水池计算的成功取决于储水池的分离能力。对于具有高斯矩阵且对称或独立的储水池，我们分别证明了分离能力随时间的恶化，以及当矩阵条目与输入时序的最大长度相关时，大储水池在短输入情况下的最佳分离效果。通过研究时间序列长度的影响，我们进一步给出了分离质量的上限，并探究了选择架构对分离一致性的影响。

本文提出了一种基于深度强化学习（DRL）的控制策略框架，用于地下流动环境的闭环油藏管理（CLRM）。研究表明，DRL方法在油水注入生产中显著提升了净现值（NPV），提高幅度在4%至33%之间。此外，DRL还在水力发电管理、城市资源分配和灌溉优化等领域表现出良好的效果和经济效益。

该研究提出了一种新的量化方法来预测马里、尼日利亚、叙利亚和也门四个国家在地方层面上连续 60 天的食物消费水平，通过对包括 ARIMA、XGBoost、LSTMs、CNNs 和 Reservoir Computing (RC) 在内的不同模型的性能进行综合分析，发现 Reservoir Computing...

本文提出了一种基于“随机模型预测控制器”的方法来应对电力和热需求的不确定性。通过高斯过程构建需求预测模型，并采用情景法进行多步需求轨迹抽样。通过验证，证明了所提出的预测器和随机控制器的性能优势。