از آنجا که مخازن هیدروکربوری محیط هایی بسیار ناهمگن هستند و ساختار بسیار پیچیده ای دارند، تخمین مستقیم پارامترهای آنها عملاً امکان پذیر نیست. برای رفع مشکل اخیر و نیز به دست آوردن اطلاعاتی از محیط های متخلخل، برخی روش های غیر مستقیم مانند چاه آزمائی و چاه پیمائی کاربرد زیادی پیدا کرده اند. در میان روش های غیر مستقیم، تنها چاه آزمائی با داده های دینامیک مرتبط است و بنابراین از اهمیت خاصی برخوردار می باشد. این تکنیک درسال ??37 به عنوان ابزاری کاربردی برای شناخت رفتار واقعی مخزن توسط مهندسین نفت پیشنهاد شد. چاه آزمائی هنوز هم، به عنوان یکی از مهم ترین ابزار های در دسترس برای شناخت این محیط ها محسوب می شود. تعیین مدل مخزن از نمودارهای مشتق فشار، یکی از مراحل مهم و پایه ای در تخمین پارامترهای مخزن از طریق آنالیز داده های چاه آزمائی می باشد. در این مطالعه از شبکه های عصبی مصنوعی، برای شناسائی مدل مخازن نفتی از طریق نمودارهای مشتق فشار استفاده شده است. شبکه های عصبی مصنوعی، مدل های ریاضی هستند که دارای توانایی منحصر به فرد در تخمین پارامتر و شناسایی الگو و ... هستند. هشت مدل مخزن نفتی مختلف که شامل مخازن رسانای محدود و نفوذ پذیر دوگانه با مرز های مختلف می باشد، مورد بررسی قرار گرفته اند. شبکه های عصبی پیشرو، بازگشتی، رگرسیون تعمیم یافته و آبشار پیشرو توسط داده های مشتق فشاری که به وسیله ی شبیه سازی با نرم افزار pansystem تولید شده اند، آموزش داده شده اند. ساختار بهینه ی شبکه های پیشنهادی با استفاده از روش های حدس و خطا و کمینه کردن میانگین خطای نسبی داده های آموزش و تست تعیین شده است. قابلیت شبکه آبشار پیشرو با بهترین دقت دسته بندی کلی، توسط داده های واقعی و دقت شبکه های مختلف به وسیله ی تعدادی پارامتر آماری مانند حساسیت و دقت دسته بندی کلی با هم مقایسه شده است. نتایج نشان می دهد که مدل های پیشنهادی شبکه-های عصبی می توانند مدل مخزن را از داده های چاه آزمایی تشخیص دهند. دقت شبکه آبشار پیشرو بیش از بقیه شبکه هاست و نشان می دهد که این شبکه توانایی بیشتری در شناخت دیتای چاه آزمایی دارد.