توزیع اندازه منافذ (psd) یک پارامتر مهم در تعیین کمی ناهمگونی مخزن می باشد. یک درک کامل از اندازه منافذ سنگ مبنای مناسبی برای طرح توسعه مخزن فراهم می کند و یک تخمین دقیق از بازدهی جاروبی حجمی (volumetric sweep efficiency) را ممکن می سازد. برای مثال، اطمینان بیشتر در تعیین psd می تواند در پیش بینی دقیق واحدهای جریانی هیدرولیکی (hydraulic flow units) ارزشمند باشد که این واحدها به نوبه خود ساخت مدل های زمین شناسی و پتروفیزیکی قابل اطمینان برای مخازن را تحت تأثیر می دهند. تخمین متدوال تخلخل سنگ از طریق مغزه و نگارهای چاه تنها تخلخل بدون psd را می دهد. بنابراین روش های مورد استفاده در تخمین psd بسیار مورد توجه است. در این مطالعه یک روش جدید برای مدلسازی منحنی های فشار مویینه- اشباع، به عنوان ورودی برای تعیین psd، ایجاد شده و برای سنگ مخزن کربناته سورمه واقع در میدان سلمان به کار گرفته شده است. این روش از آموزش شبکه عصبی- فازی (fuzzy neural network) نمودارهای پتروفیزیکی چاه در کنار داده های فشار مویینه به دست آمده از آنالیز ویژه مغزه (scal) استفاده می کند تا مقادیر فشار مویینه در اشباع های مختلف به طور پیوسته تا پایین چاه پیش بینی شود. ممکن است بتوان شبکه عصبی- فازی آموزش دیده شده را برای سایر چاه های میدان نیز در فاصله مورد مطالعه به کار برد. پنجاه و هفت منحنی فشار مویینه و مقادیر نمودارهای پتروفیزیکی (dt, rhob ,pign) مرتبط با آنها اساس مدل فشار مویینه پیشگو برای فواصل مخزنی مورد مطالعه است. این روش یک ابزار دقیق برای تعیین رفتار فشار مویینه با استفاده از داده های نمودار چاه فراهم می کند و قابلیت کاربرد تعداد محدود منحنی های فشار مویینه در دسترس را گسترش می دهد. همچنین با استفاده از این روش می توان بدون صرف زمان و هزینه زیاد یک تخمین قابل اعتماد از برداشت نهایی مخزن به دست آورد.

تراوایی یکی از خواص بسیار مهم مخازن نفت میباشد که قابلیت حرکت یک سیال مانند نفت، گاز و یا آب را در آن مشخص میکند. دانستن مقادیر صحیح تراوایی به منزله یک ابزار موثر، کارآمد و مهم برای مهندسین نفت در امر فرآیند تولید و مدیریت یک میدان میباشد. برای تعیین تراوایی سنگ مخزن دو روش مستقیم و غیر مستقیم وجود دارد. روش مستقیم عبارت از مغزه گیری و انجام آزمایشات روی آن و تعیین تراوایی و یا آزمایش چاه می باشد که روشهای پر هزینه و وقت گیری هستند. روش غیر مستقیم برآورد تراوایی به وسیله نگارهای چاه از طریق فرمول های تجربی و روش های جدید هوش مصنوعی است . فرمولهای تجربی به علت طبیعت بسیار پیچیده مساله، دقیق و قابل اعتماد نیستند. هدف این مطالعه استفاده از قابلیت سیستم های هوشمند برای تعیین تراوایی، در میدان درود از روی داده های موجود(نگارها و داده های مغزه) می باشد. در این راستا پس از بررسی مبانی نظری مربوط به تراوایی، نگارهای چاه و سیستم های هوشمند، تراوایی سازند فهلیان در چهار چاه میدان درود با استفاده از سه روش شبکه عصبی، منطق فازی و سیستم استنتاج عصبی_فازی تطبیقی برآورد زده شد. با توجه به نتایج حاصل، ضریب همبستگی بین داده های پیش بینی و داده های مغزه برای سه سری داده آموزش، اعتبارسنجی و تست در روش شبکه عصبی به ترتیب برابر با 0/94 ، 0/91 و 0/92، در روش منطق فازی برای دو سری داده آموزش و تست به ترتیب برابر با 0/87 و 0/9 و در روش سیستم عصبی_ فازی تطبیقی برای سه دسته داده آموزش، اعتبارسنجی و تست به ترتیب برابر با 0/97، 0/96 و 0/94 حاصل گردید. نتایج بدست آمده نشان می دهند که مدل های مذکور به خوبی قادر به برآورد مقادیر تراوایی در تمام قسمت های مخزن مورد مطالعه بوده و سیستم استنتاج عصبی_ فازی تطبیقی دقت و قابلیت تعمیم بیشتری نسبت به دیگر مدل ها در پیش بینی تراوایی دارد. تفسیر پتروفیزیکی نیز در این مطالعه انجام شد و از تخلخل موثر که یکی از نتایج آن می باشد، در بهبود برآورد تراوایی با استفاده از روش سیستم استنتاج عصبی_ فازی تطبیقی استفاده شد و نهایتا همبستگی بین داده های پیش بینی و داده های مغزه برای سه دسته داده آموزش، اعتبار سنجی و تست به ترتیب برابر با 0/99، 0/98 و 0/97 بدست آمد.