شاخص شکنندگی یکی از پارامترهای مهم در بررسی و مدلسازی‌های ژئومکانیکی است. روش‌های زیادی برای تخمین شاخص شکنندگی ارائه شده است. یکی از روش‌هایی که امروزه زیاد مورد استفاده قرار می‌گیرد روش‌های هوشمند است. در این مطالعه هدف ارائه الگوریتمی جدید با استفاده از الگوریتم‌های یادگیری عمیق جهت پیشبینی شاخص شکنندگی در یکی از چاه‌های میدان هیدروکربنی در جنوب غرب ایران می‌باشد. در این مقاله ابتدا پارامترهای موثر برای ورودی الگوریتمها 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 داده‌های آموزش و تست محاسبه گردید که برای داده‌های 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 الگوریتمها بخشی از داده به عنوان داده کور کنار گذاشته شد و خطا و ضریب تعیین برای این داده‌ها 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 الگوریتم‌های یادگیری عمیق معرفی شده به عنوان روشی
جدید در پیشبینی شاخص شکنندگی می‌باشد که در مقایسه دو الگوریتم ارائه شده،الگوریتم (CNN+LSTM) دارای دقت بالاتر و خطای کمتری می‌باشد.
