Masoud Serajamani - M.Sc. Student, Department of Geology, Faculty of Science, Urmia University, Urmia, Iran
Ramin Nikrouz - Associate Professor, Department of Geology, Faculty of Science, Urmia University, Urmia, Iran
Ali Kadkhodaie - Associate Professor, Department of Geology, Faculty of Natural Science, Tabriz University, Tabriz, Iran

شکنندگی یکی از مهم ترین خصوصیات سنگ می­باشد. تاکنون روشی مستقیم و استاندارد برای به دست آوردن شاخص شکنندگی ارائه نشده است. از شاخص شکنندگی بر اساس پارامترهای مقاومت فشارشی تک محوره و مقاومت کششی جهت ارزیابی شکنندگی استفاده می­شود. هدف از این مطالعه بررسی مفاهیم شکنندگی ارائه شده توسط محققین و استفاده از روش وارون سازی لرزه­ای، آنالیز چندنشانگری و شبکه عصبی در میدان ویچررنج (Whicher-Range) واقع در حوضه پرت (Perth Basin) استرالیای غربی می باشد. به این منظور دو چاه و یک مقطع لرزه­ای از میدان ویچررنج مورداستفاده قرار گرفت. کمترین شاخص شکنندگی در چاه اول و دوم که با فاصله ۱ کیلومتری از هم حفاری شدند، به ترتیب با استفاده از مفهوم  برابر ۶۹/۱ و ۶۷/۱ مگاپاسکال که بیانگر شکنندگی کم و بیشترین مقدار آن برابر ۷۸/۳۹ و ۱۵/۴۸ مگاپاسکال که بیانگر شکنندگی زیاد و از نظر حفاری در رتبه حفاری بسیار سخت می­باشد. در مرحله بعد با استفاده از استخراج موجک و رسم مدل زمین شناسی، مدل سازی اولیه انجام و سپس امپدانس صوتی حاصل از فرایند وارون سازی در کنار دیگر نشانگرها در راستای ساخت ترکیب بهینه از نشانگرها جهت تخمین شاخص شکنندگی استفاده شد. از سه نوع الگوریتم شبکه عصبی جهت تخمین پارامتر هدف از ترکیب بهینه نشانگرهای موجود استفاده می­شود که به کمک نرم افزار همپسون–راسل و نشانگرهای بهینه­ای، الگوریتم شبکه عصبی تهیه و در نهایت آنالیز چند نشانگری با سه الگوریتم شبکه عصبی مقایسه می شود و نتایج بیانگر ضریب همبستگی بیشتر شبکه عصبی احتمالی نسبت به آنالیز چند نشانگری جهت تعیین شاخص شکنندگی است.

Brittleness Index, compressive strength, inversion, seismic attributes, neural network, Perth Australia