耿智，男，特聘副研究员。聚焦地球科学领域勘探地质与环境风险的大数据分析与智能计算研究，提出了基于数据与知识联合驱动的复杂地质风险智能分析理论与方法，建立了低能耗、高预测性能的智能感知模型，促进了工程地质学的认知、评价与决策，为国家专项等任务提供边缘端智能计算理论与方法支撑。代表性研究成果发表在 Nature系列期刊、JGR-Solid Earth、Engineering Geology 等国际权威SCI期刊。

• 2022.01 – 至今，中科院地质与地球物理研究所，特聘副研究员
• 2019.02 – 2021.12，中科院地质与地球物理研究所，博士后、中科院特别研究助理
• 2015.10 – 2018.10，巴黎文理研究大学（巴黎高等师范学校地质系），博士学位
• 2011.09 – 2015.09，中国石油大学（北京），研究生
• 2007.09 – 2011.06，中国石油大学（北京），本科学位

1. 国家专项任务（边缘端智能计算理论与方法）：2024 – 2027，负责
   
2. 国家自然科学基金 – 原创探索计划项目：2025 – 2027，参与
   
3. 国家自然科学基金 - 青年科学基金：2022 – 2024，主持
4. 中国科学院 - 特别研究助理资助项目：2019 – 2021，主持
5. 中国博士后科学基金 - 国际交流计划引进项目：2019 – 2021，主持
6. 中国科学院地质与地球物理研究所 - 重点部署项目专题子课题：2019 – 2022，主持
7. 中国科学院从0到1原始创新项目：2019 – 2023，参与

企业技术服务/转化：

1. 井震结合的三维地层钻前地质风险智能预测算法，中国石油集团，2025
   

学术兼职

1. Springer Nature 丛书编辑（Series Editors），2025 ~：
   （1）AI for Earth: Advances in Geosciences and Environmental Sciences;
   （2）Advances in Oil and Gas Exploration & Production.
2. 中国地球物理学会，计量检测专业会员会委员，2025~2028；
3. 中国地理学会，世界数据系统工作组委员，2025~2029。
   

（一）智能边缘计算

[11] Geng Zhi, et al. Real-time discrimination of earthquake signals by integrating artificial intelligence technology into IoT devices. Communications Earth & Environment, 6, 73 (2025). JCR Q1, IF 9.5.(https://www.nature.com/articles/s43247-025-02003-y)

[10] Geng Zhi & Wang, Y. Automated design of a convolutional neural network with multi-scale filters for cost-efficient seismic data classification. Nature Communications, 11, 3311 (2020). JCR Q1, IF 17.2.(https://www.nature.com/articles/s41467-020-17123-6)

（二）深部地质评价

[9] Geng Zhi, et al. Decoupled deep learning for geohazards mapping in oceanic deep drilling. Results in Engineering, 28, 108386 (2025). JCR Q1, IF-7.9. https://doi.org/10.1016/j.rineng.2025.108386.

[8] Geng Zhi, et al. A deep learning dataset for pre‐drill geohazard assessment in taranaki basin new zealand. Geoscience Data Journal, 13, e70046 (2026). JCR Q2, IF 3.2. https://doi.org/10.1002/gdj3.70046 .

[7] Geng Zhi, et al. Pressure Solution Compaction During Creep Deformation of Tournemire Shale: Implications for Temporal Sealing in Shales. Journal of Geophysical Research-Solid Earth, 126(3): e2020JB021370 (2021). JCR Q1, IF 4.5. https://doi.org/10.1029/2020JB021370 .

[6] Geng Zhi, Wang Y. Physics-guided deep learning for predicting geological drilling risk of wellbore instability using seismic attributes data. Engineering Geology, 279:105857 (2020).JCR Q1, IF 8.8. https://doi.org/10.1016/j.enggeo.2020.105857 . 

[5] Geng Zhi, et al. Predicting seismic-based risk of lost circulation using machine learning. Journal of Petroleum Science and Engineering, 176: 679-688 (2019).JCR Q1, IF 4.6. https://doi.org/10.1016/j.petrol.2019.01.089 .

[4] Geng Zhi, et al. Time and temperature dependent creep in Tournemire shale. Journal of Geophysical Research-Solid Earth, 123:9658-9675 (2018).JCR Q1, IF 4.5. https://doi.org/10.1029/2018JB016169.

[3] Geng Zhi, et al. Elastic anisotropy reversal during brittle creep in shale. Geophysical Research Letters, 44(21): 10887-10895 (2017). JCR Q1, IF 5.1. https://doi.org/10.1002/2017GL074555.

[2] Geng Zhi, et al. Integrated fracability assessment methodology for unconventional naturally fractured reservoirs: Bridging the gap between geophysics and production. Journal of Petroleum Science and Engineering, 145:640-647 (2016).JCR Q1, IF 4.6. https://doi.org/10.1016/j.petrol.2016.06.034 .

[1] Geng Zhi, et al. Experimental study of brittleness anisotropy of shale in triaxial compression. Journal of Natural Gas Science and Engineering, 36:510-518 (2016).JCR Q1, 5.6. https://doi.org/10.1016/j.jngse.2016.10.059 .