تخلخل دوگانه به محیط هایی اطلاق می شود که ماتریس سنگ نیز علاوه بر شبکه شکستگی، دارای نفوذپذیری است. اهمیت ویژه این موضوع در بررسی میزان نفوذپذیری و قابلیت مخزن شدگی ذخایر هیدروکربنی و مناطق دفن زباله های اتمی و پسماندهای شهری و صنعتی است که نفوذپذیری ماتریس سنگ در محاسبات نفوذپذیری موثر است. تاکنون برای محاسبه ی نفوذپذیری در این محیط ها از روش های عددی استفاده شده است. در روش های عددی معمولاً همه ی پارامترها ثابت نگه داشته می شوند و تنها با تغییر یک پارامتر به بررسی تأثیر آن می پردازند. در شبکه های عصبی مصنوعی و رگرسیون چندگانه می توان تأثیر پارامترهای بیشتری را به طور همزمان در نظر گرفت. تاکنون تأثیر توأمان خصوصیات هندسی مدل نظیر دانسیته، میزان بازشدگی شکستگی های اصلی، اندازه دانه بندی و بازشدگی بین دانه های ماتریس بر میزان نفوذپذیری مورد بررسی قرار نگرفته است. در این مطالعه برای ساخت ماتریس سنگ از المان های voronoiدر سه اندازه متفاوت با در نظر گرفتن بازشدگی های مختلف(که معرف فضای بین دانه ای است) استفاده شده است. هم چنین سه الگوی بازشدگی مختلف برای شکستگی های بزرگ در دانسیته های مختلف در نظر گرفته شده است. همچنین تأثیر تغییرات مساحت میانگین ورونویی ها و اندازه ی ریزبازشدگی ها بر نفوذپذیری بررسی شده است. به منظور ارائه ی یک مدل پیش بینی شش پارامتر با توجه به مطالعات انجام شده محاسبه و برای استفاده در آنالیز رگرسیون چند گانه و مدلسازی توسط شبکه عصبی مصنوعی مورد استفاده قرار گرفتند. نتایج نشان داد که با استفاده از رگرسیون مولفه های اصلی علاوه بر حل مشکلات هم راستایی بین داده ها از قدرت پیش بینی مدل کاسته نمی شود و همبستگی بین مقادیر اندازه گیری شده و پیش بینی شده برابر با 80% است. همچنین ضریب همبستگی به دست آمده از رگرسیون ناپارامتری با استفاده از داده های خام برابر با 79% است و با استفاده از داده های نرمال شده برابر با 87% که در مقایسه با روش رگرسیون مولفه های اصلی مقدار بیشتری است. در مقایسه با هر دو روش رگرسیون پارامتری و ناپارامتری، ضریب همبستگی 96% به دست آمده از شبکه ی عصبی نشان داد که شبکه ی عصبی ابزار قدرتمندتری در شناخت روابط بین متغیرها و پیش بینی پارامتر مورد نظر است.