ارائه یک الگوریتمی مبتنی بر یادگیری عمیق برای تخمین شاخص شکنندگی با استفاده از داده‌های لاگ‌های متداول در سازند آسماری یکی از میادین نفتی جنوب‌غرب ایران

شاخص شکنندگی یکی از پارامترهای مهم در بررسی و مدل سازی‌ های ژئومکانیکی است. روش‌ های زیادی برای تخمین شاخص شکنندگی ارائه شده است. یکی از روش ‌هایی که امروزه زیاد مورد استفاده قرار می‌ گیرد روش‌ های هوشمند است. در این مطالعه هدف ارائه الگوریتمی جدید با استفاده از الگوریتم‌ های یادگیری عمیق جهت پیش بینی شاخص شکنندگی در یکی از چاه ‌های میدان هیدروکربنی در جنوب غرب ایران می‌ باشد. در این مقاله ابتدا پارامترهای موثر برای ورودی الگوریتم‌ ها با استفاده از ضریب همبستگی پیرسون مشخص گردید و در ادامه با استفاده از (شبکه عصبی بازگشتی + شبکه عصبی پرسپترون چندلایه) (lstm+mlp) و (شبکه عصبی تبدیلی + شبکه عصبی بازگشتی) (cnn+ lstm) شاخص شکنندگی تخمین زده شد و مقدار خطا (mse) و ضریب تعیین  (r2) برای داده‌ های آموزش و تست محاسبه گردید که برای داده‌ های آموزش و تست هر دو الگوریتم دارای ضریب تعیین نزدیک به 1 و خطای بسیار کم به دست آمده است. همچنین جهت اطمینان از نتایج الگوریتم ها بخشی از داده به عنوان داده کور کنار گذاشته شد و خطا و ضریب تعیین برای این داده ‌ها نیز محاسبه گردید که خطا (mse cnn+lstm =26.0425,  mse lstm+mlp =32.075) به دست آمده است  و  ضریب تعیین( r2 cnn+lstm  =0.8064,  r2 lstm+mlp  =0.7615) به دست آمده است. نتایج بیانگر کارآیی الگوریتم‌ های یادگیری عمیق معرفی شده به عنوان روشیجدید در پیش بینی شاخص شکنندگی می‌ باشد که در مقایسه دو الگوریتم ارائه شده،الگوریتم  (cnn+lstm) دارای دقت بالاتر و خطای کمتری می‌ باشد. 

proposing a deep learning algorithm for estimating the brittleness index using conventional log data in the asmari formation of a southwestern iranian oil field

the brittlenessindex is one of the most important parameters in geomechanical analysis and modeling. many methods have been proposed to estimate the brittleness index. one of the recently used methods is the  intelligent method. in this paper, firstly the aim is to introduce a new algorithm using deep learning algorithms to predict the brittleness index in one of the wells of the hydrocarbon field in southwest iran. in this article, first, the effective features for the input of the algorithms were determined using pearson’s correlation coefficient, and then using (recurrent neural network + multi-layer perceptron neural network) (lstm + mlp) and (convolutional neural network + recurrent neural network) (cnn+ lstm) brittleness index was estimated and the mean error value (mse) and coefficient of determination (r2) were calculated for the training and test data. for both training and test data, both algorithms have a coefficient of determination close to 1 and a very low error. also, in order to ensure the results of the algorithms, a part of the data was set aside as blind data, and the error and coefficient of determination were calculated for this data, and the error was mse cnn+lstm =26.0425,  mse lstm+mlp =32.0751  and the coefficient of determination was r2 cnn+lstm  =0.8064,  r2 lstm+mlp  =0.7615 . the results show the effectiveness of the introduced deep learning algorithms as a new method in predicting the brittleness index, and comparing the two algorithms presented, the cnn+lstm algorithm has higher accuracy and less error.