岩石脆性是决定页岩气开发压裂难度的重要力学性质，因此脆性指数（BI）是页岩气储层水力压裂层段优选的关键参数。目前脆性指数的计算方法主要为：（1）对采集的岩石样本进行室内实验。该方法直观准确，但存在一定的局限性：a.当缺乏岩样或岩样大小不符合实验规格时，难以进行实验测定；b. 实验时间、金钱成本高；c. 得到的脆性指数为不连续的散点，可能会忽略部分潜在压裂层段。为了方便地计算脆性指数，部分学者建立了一条（或两条）测井曲线与室内实验获取的脆性指数的经验公式，将测井曲线输入该经验公式中即可预测脆性指数。然而该方法的局限性在于：a. 岩石脆性为矿物组成、结构等性质的综合响应，单靠一两条测井曲线进行预测存在片面性；b. 脆性指数与测井曲线之间关系复杂，通过简单的经验公式计算难以获取准确结果。因此，针对以上问题，本研究提出了一种基于主成分分析（PCA）和反向传播神经网络（BPNN），利用测井数据预测BI的方法。该方法能够建立预测因子（输入变量）与被预测值（目标变量）之间的非线性复杂关系。本研究以四川盆地周缘五峰组—龙马溪组和宝塔组为例，采集了63个样品及相应的测井资料。将通过岩石力学实验获取的脆性指数（BIcore，范围为0.18-0.88）作为目标变量。根据测井曲线与BIcore的线性回归和灵敏度分析结果，选择了伽马（GR）、密度（DEN）、声波（DT）、中子孔隙度（CNL）和自然电位(SP) 5种测井曲线为预测因子。利用主成分分析从5种测井曲线中提取出3个主成分，将这3个主成分作为BPNN的输入变量（PCA-BPNN）。对模型的预测结果进行误差分析，结果显示，与未经主成分分析的神经网络模型（BPNN）相比，经主成分分析的BPNN模型（PCA-BPNN）具有更加良好的预测精度。这是因为所选的5种测井数据是相互关联的，导致输入信息冗余，如SP、CNL、DEN、DT测井曲线均受控于岩石孔隙度，SP、GR测井曲线均受控于岩石黏土矿物含量，而岩石孔隙度与黏土矿物含量对岩石脆性指数有重要影响。输入过多的、高度相关的变量使BPNN模型复杂化，导致神经网络学习困难，从而导致预测精度的降低。相比之下，主成分分析可以降低输入变量的维数、去除输入变量中的冗余信息，同时经主成分分析后得到的新变量互不相关、仍然包含大部分的原始信息，而将这些新变量输入神经网络模型可以简化学习过程，提高预测精度。利用所建立的PCA-BPNN模型对研究区Y1井目的层段进行了BI预测。结果表明预测值与实验室测定的BIcore值基本一致。因此，建立的PCA-BPNN 脆性指数预测方法能够准确优选合适的水力压裂层段，具有经济和技术实用性。
 

脆性指数预测；BP神经网络；主成分分析