برای توسعه و ارزیابی میادین نفت و گاز، داشتن اطلاعات کافی در مورد مخازن هیدروکربوری امری ضروری و اجتناب ناپذیر است، به عبارت دیگر تعیین پارامتر های مختلف سنگ و سیال مخزن در ارزیابی مخازن هیدروکربوری از اهمیت زیادی برخوردار است. از مهم ترین پارامتر های تعیین کننده ی ارزش اقتصادی یک مخزن می توان از تراوایی و تخلخل نام برد. تراوایی و تخلخل به همراه برخی پارامتر های مخزنی دیگر نقش بسیار مهمی در ارزیابی میزان ذخایر نفت و گاز دارد. در صنعت نفت روش استاندارد برای تعیین اکثر پارامترهای نام برده شده، آنالیز مغزه، روش های آزمایشگاهی، آزمایش چاه و روابط تجربی است. به دلیل این که روش های آزمایشگاهی (و روش های چاه آزمایی) زمان بر بوده و پر هزینه هستند همچنین معمولاً در همه ی چاه های یک مخزن مغزه گیری انجام نمی شود، از طرفی در مدل های تجربی برخی فرض ها و محدودیت ها در آن ها اعمال شده یعنی در موارد خاصی به کار می روند و در جاهای دیگر دقت و کارایی لازم را ندارند. در نتیجه روشی که بتواند با استفاده از اعمال ورودی (ورودی ها) خواص اشاره شده (تراوایی، تخلخل و...) را به دست دهد، اهمیت زیادی خواهد داشت؛ لذا یک روش جایگزین برای تعیین خواص اشاره شده استفاده از ابزار های هوش مصنوعی و یادگیری ماشینی است. در این مطالعه هدف اصلی بهره گیری از روش بهینه سازی غیر خطی به نام شبکه های عصبی مصنوعی برای پیش بینی پارامتر های مخزنی است. داده ها برای مراحل مختلف یادگیری و ارزیابی شبکه به سه دسته، آموزش، اعتبارسنجی و آزمون تقسیم بندی می شود، بعد از پردازش داده ها 70 درصد آن ها برای آموزش شبکه، 15 درصد برای اعتبار سنجی و 15 درصد برای آزمایش (در mlp) و 30 درصد یرای آزمایش در rbf و svm قرار داده شده اند. نتایج نشان می دهد شبکه های عصبی دارای دو لایه مخفی بهترین شبیه سازی را انجام می دهند.