از سال 1937، از چاه آزمایی به عنوان ابزاری برای شناخت مدل های مخازن هیدروکربوری و تشخیص پارامترهای مربوط به آن ها استفاده می شود. در واقع فرآیند چاه آزمایی به ایجاد یک تغییر جریانی در چاه و جمع آوری داده های فشاری در ته چاه اطلاق می گردد. آنالیز داده های چاه آزمایی مربوط به مخازن گاز میعانی به علت تشکیل میعانات، اصولاً متفاوت با مخازن گاز خشک و نفت می باشد و رفتار های پیچیده ای از خود نشان می دهند. اولین مرحله در آنالیز چاه آزمایی مخزن گازی یا نفتی تشخیص مدل مخزن و مرز های آن است. این مرحله معمولاً توسط فرآیند حدس و خطا انجام می شود. تحقیقات گذشته نشان داده است که مدل مخزن مختلط شعاعی با مرز های مختلف برای مخازن گاز میعانی بهترین انتخاب است. مدل مختلط شعاعی به مخازنی اطلاق می گردد که شامل دو منطقه مختلف باشند: 1) منطقه داخلی محدود که چاه در مرکز آن واقع شده است و 2) منطقه بیرونی نامحدود. هم چنین می توان مدل های معمول دیگر از جمله مدل مخازن همگن و تخلخل دوگانه را نیز استفاده کرد. در این پژوهش، یک شبکه عصبی چندلایه برای تشخیص سه مدل اشاره شده در بالا با 4 مرز مختلف ارائه شده است. داده های مورد نیاز برای آموزش، تست و صحه گذاری در طراحی شبکه عصبی توسط نرم افزار pansystem گرفته شده است. ساختار بهینه شبکه های پیشنهادی با استفاده از روش های حدس و خطا و کمینه کردن میانگین خطای نسبی داده های آموزش و تست تعیین شده است. در این تحقیق، به دلیل رفتار غیر خطی فشار ته چاه در مخازن گاز میعانی و تغییر آن با زمان، از تبدیل فشار به تابع شبه فشار یا پتانسیل حقیقی برای خطی سازی و سپس تبدیل آن ها به مشتق فشار استفاده شده است، سپس 49 نقطه از هر نمودار مشتق فشار نرمالیزه شده به عنوان الگوی ورودی به شبکه داده می شود. دو روش مختلف شبکه عصبی در این پژوهش ارائه شده است: 1) شبکه عصبی واحد و 2) شبکه های ترکیبی که شبکه های ترکیبی بر اساس الگوریتم خوشه بندی طراحی شده است. دقت دسته بندی کلی مربوط به شبکه واحد و ترکیبی به ترتیب 65/88% و 33/93% به دست آمده است.