یکی از اهداف اصلی در توصیف مخازن نفت و گاز تعیین مقدار هیدروکربن موجود در سازند مخزن می باشد. پارامتری که می تواند مقدار این کمیت را مشخص کند، اشباع شدگی است. به منظور تعیین مقدار اشباع شدگی از هیدروکربن، روش های مختلفی شامل مطالعه مغزه ها و نگارهای چاه وجود دارند که همگی در عین دارا بودن دقت مناسب، بسیار پر هزینه و وقتگیر می باشند. به منظور رفع این مشکل، محققین به استفاده از داده های لرزه ای روی آورده اند. هدف از این رساله، بهبود روش های تخمین پارامتر اشباع شدگی از هیدروکربور در مخازن تیپ کربناته به کمک داده های لرزه نگاری سه بعدی می باشد. به این منظور از تئوری فیزیک سنگ گسمن استفاده شد و نتیجه گرفته شد که تئوری مذکور در سنگ های کربناته به علت در نظر نگرفتن تأثیر ابعاد حفرات (تأثیر کیفی حفرات) دارای دقت مناسبی نمی باشد. از این رو با استفاده از روش بهینه سازی الگوریتم ژنتیکی، معادله سرعت گسمن بهبود یافت. سپس با استفاده از معادله بهبود یافته گسمن و انجام مدل سازی مستقیم با نرم افزار seismic unix، میدان انتخاب شده به صورت مصنوعی مورد مدل سازی قرار گرفته و با در نظر گرفتن مقادیر مختلف تخلخل و بعد حفرات 81 مدل متفاوت ساخته شد. سپس با استفاده از یک الگوی برداشت لرزه نگاری مشخص، خروجی لرزه ای هر مدل ایجاد گردید. داده های لرزه ای حاصل پس از انتقال به نرم افزار لرزه ای opendtect مورد آنالیز نشانگرها قرار گرفتند و مشخص شد که از بین 43 نشانگر آنالیز شده، دو نشانگر فاز و فرکانس پوش وزنی دارای بیشترین ارتباط با تغییرات تخلخل و دو نشانگر دامنه لحظه ای و عدم تقارن دارای بیشترین ارتباط با تغییرات ابعاد حفرات می باشند. در مرحله بعد، از نشانگرهای حاصل به منظور مدل سازی معکوس دو پارامتر تخلخل و ابعاد حفرات استفاده شد. به این منظور دو روش هوشمند شبکه های عصبی مصنوعی و ماشین برداری پشتیبان مورد آزمایش قرار گرفتند. نتایج بیانگر عملکرد خوب هر دو روش و در عین حال عملکرد بهتر ماشین برداری پشتیبان در تخمین دو پارامتر مذکور می باشند. همچنین کاربرد مدل های حاصل بر روی داده های واقعی میدان مورد مطالعه، نشان از عملکرد خوب روش ماشین برداری پشتیبان در تخمین مقادیر تخلخل و ابعاد حفرات دارد؛ به گونه ای که میزان جذر میانگین مربعات خطا برای داده های آزمون در تخمین تخلخل و بعد حفرات به ترتیب 04/0 و 09/0 حاصل گردید. در نهایت از سه پارامتر تخلخل، بعد حفرات و سرعت موج به منظور پیش بینی مقادیر اشباع شدگی از آب سازند استفاده شد. کاربرد این مدل ها بر روی داده های واقعی میدان مورد مطالعه نیز بیانگر عملکرد مناسب هر دو مدل علی الخصوص مدل حاصل از روش ماشین برداری پشتیبان می باشد. این روش توانست با میزان همبستگی 8/0 و خطای 06/0 مقادیر پارامتر اشباع شدگی را برای داده های آزمون تخمین بزند. لغات کلیدی: اشباع شدگی، تئوری فیزیک سنگ گسمن، الگوریتم ژنتیکی، نشانگر لرزه ای، شبکه عصبی مصنوعی، ماشین برداری پشتیبان