هدف این مطالعه پیش بینی و شناسایی خصوصیات ژئوشیمیایی سنگ منشاء براساس نمودارهای چاه پیماییدر میدان نفتی اهواز می باشد. با توجه به اینکه آزمایشات ژئوشیمی بر روی کنده های حفاری پرهزینه و وقت گیر بوده، لذا از فن آوری الگوریتم های ژنتیک که مبتنی بر مفاهیم زیست شناسی هستند جهت تخمین toc از داده های پتروفیزیکی استفاده شده است. از عملگرهای زیستی (operator) مانند تلفیق (crossover) و جهش (mutation)نیز جهت تولید مثل نسلهای جدید داده و انتخاب فرزندان نابغه (elite child) استفاده شده است. برای هر کدام از راه حلهای مساله یک کروموزوم تعریف شده و جوابهای مساله (ژنها) در سیر تکاملی (رسیدن به جوابهای بهینه مساله) قرار گرفته اند. در این مطالعه خرده های حفاری سازندهای کژدمی، گورپی و پابده از سه چاه az-55، az-67 و az-265 انتخاب و برای آنالیز آماده شدند. در گام اول بر روی نمونه های انتخابی پیرولیز راک- ایول صورت گرفت تا خصوصیات ژئوشیمیایی بازه ها (اعماق) مورد مطالعه به صورت کمی و کیفی شناسایی شود. در گام بعدی با استفاده از روش هوشمند الگوریتم ژنتیک بین داده های ژئوشیمیایی به دست آمده و نمودارهای چاه پیمایی یک تطابق و فرمولاسیون کمی صورت گرفت. براساس این تطابق داده های ژئوشیمیایی از روی نگارهای چاه پیمایی سنتز و سپس نگار ژئوشیمیایی تولید شد. انتخاب بهترین ورودی در ساخت مدل نقش مهمی را ایفا می-کند. به طور کلی، ارتباط قوی بین داده های ورودی و خروجی، می تواند پیشگویی دقیقتری را نسبت به داده های با تطابق ضعیفتر ایجاد کند. نرمالایز کردن امر مهم دیگری است که می تواند جهت تولید بهتر داده، بر روی داده ها اعمال شود. این کار بخصوص برای تولید toc مفید است. در نرم افزارmatlab نگارهای gr، dt،lld و cnl به عنوان ورودی (input) و مقادیر پارامتر toc حاصل از آنالیز به عنوان خروجی مطلوب شبکه (output) در نظر گرفته شده اند. الگوریتم ژنتیک ضرایب وزنی را برای داده های پتروفیزیکی محاسبه کرده که با استفاده از این ضرایب و داشتن داده های چاه پیمایی toc برای سایر چاه های موجود در میدان می توان تخمین زده شده است. دو نوع مدل الگوریتم ژنتیک جهت تخمین toc طراحی شد: خطی و غیر خطی. نتایج نشان می دهد که از مدل غیر خطی نسبت به مدل خطی نتایج صحیح تری حاصل می شود. هر نگار چاه پیمایی ورودی یک ضریب وزنی در تخمین toc دارد که توسط الگوریتم ژنتیک بدست آمد. الگوریتم ژنتیک ضرائب وزنی را برای c1، c2، c3، c4، c5، c6، c7وc8 به ترتیب 202/0، 988/0، 257/0، 913/0، 271/0، 982/0، 039/0و 409/0 محاسبه کرد. میانگین مربعات خطای شبکه (mse)در مدل بهینه سازی الگوریتم ژنتیک غیر خطی برای داده های تست 0022/0می باشد که این مرتبط با مقدار ضریب همبستگی (r2) 9631/0 است. درنهایت میزان tocبا استفاده از روش ? log r نیز تخمین زده شد تا برآوردی از عملکرد الگوریتم ژنتیک صورت گیرد که نتیجه آن حاکی از عملکرد دقیق تر و سریع تر روش های هوشمند است.