ارائه يك الگوريتمي مبتني بر يادگيري عميق براي تخمين شاخص شكنندگي با استفاده از داده‌هاي لاگ‌هاي متداول در سازند آسماري يكي از ميادين نفتي جنوب‌غرب ايران

شاخص شكنندگي يكي از پارامترهاي مهم در بررسي و مدل سازي‌ هاي ژئومكانيكي است. روش‌ هاي زيادي براي تخمين شاخص شكنندگي ارائه شده است. يكي از روش ‌هايي كه امروزه زياد مورد استفاده قرار مي‌ گيرد روش‌ هاي هوشمند است. در اين مطالعه هدف ارائه الگوريتمي جديد با استفاده از الگوريتم‌ هاي يادگيري عميق جهت پيش بيني شاخص شكنندگي در يكي از چاه ‌هاي ميدان هيدروكربني در جنوب غرب ايران مي‌ باشد. در اين مقاله ابتدا پارامترهاي موثر براي ورودي الگوريتم‌ ها با استفاده از ضريب همبستگي پيرسون مشخص گرديد و در ادامه با استفاده از (شبكه عصبي بازگشتي + شبكه عصبي پرسپترون چندلايه) (LSTM+MLP) و (شبكه عصبي تبديلي + شبكه عصبي بازگشتي) (CNN+ LSTM) شاخص شكنندگي تخمين زده شد و مقدار خطا (MSE) و ضريب تعيين  (R2) براي داده‌ هاي آموزش و تست محاسبه گرديد كه براي داده‌ هاي آموزش و تست هر دو الگوريتم داراي ضريب تعيين نزديك به 1 و خطاي بسيار كم به دست آمده است. همچنين جهت اطمينان از نتايج الگوريتم ها بخشي از داده به عنوان داده كور كنار گذاشته شد و خطا و ضريب تعيين براي اين داده ‌ها نيز محاسبه گرديد كه خطا (MSE CNN+LSTM =26.0425,  MSE LSTM+MLP =32.075) به دست آمده است  و  ضريب تعيين ( R2 CNN+LSTM  =0.8064,  R2 LSTM+MLP  =0.7615) به دست آمده است. نتايج بيانگر كارآيي الگوريتم‌ هاي يادگيري عميق معرفي شده به عنوان روشي جديد در پيش بيني شاخص شكنندگي مي‌ باشد كه در مقايسه دو الگوريتم ارائه شده،الگوريتم  (CNN+LSTM) داراي دقت بالاتر و خطاي كمتري مي‌ باشد.