توزیع اندازه منافذ (psd) یک پارامتر مهم در تعیین کمی ناهمگونی مخزن می باشد. یک درک کامل از اندازه منافذ سنگ مبنای مناسبی برای طرح توسعه مخزن فراهم می کند و یک تخمین دقیق از بازدهی جاروبی حجمی (volumetric sweep efficiency) را ممکن می سازد. برای مثال، اطمینان بیشتر در تعیین psd می تواند در پیش بینی دقیق واحدهای جریانی هیدرولیکی (hydraulic flow units) ارزشمند باشد که این واحدها به نوبه خود ساخت مدل های زمین شناسی و پتروفیزیکی قابل اطمینان برای مخازن را تحت تأثیر می دهند. تخمین متدوال تخلخل سنگ از طریق مغزه و نگارهای چاه تنها تخلخل بدون psd را می دهد. بنابراین روش های مورد استفاده در تخمین psd بسیار مورد توجه است. در این مطالعه یک روش جدید برای مدلسازی منحنی های فشار مویینه- اشباع، به عنوان ورودی برای تعیین psd، ایجاد شده و برای سنگ مخزن کربناته سورمه واقع در میدان سلمان به کار گرفته شده است. این روش از آموزش شبکه عصبی- فازی (fuzzy neural network) نمودارهای پتروفیزیکی چاه در کنار داده های فشار مویینه به دست آمده از آنالیز ویژه مغزه (scal) استفاده می کند تا مقادیر فشار مویینه در اشباع های مختلف به طور پیوسته تا پایین چاه پیش بینی شود. ممکن است بتوان شبکه عصبی- فازی آموزش دیده شده را برای سایر چاه های میدان نیز در فاصله مورد مطالعه به کار برد. پنجاه و هفت منحنی فشار مویینه و مقادیر نمودارهای پتروفیزیکی (dt, rhob ,pign) مرتبط با آنها اساس مدل فشار مویینه پیشگو برای فواصل مخزنی مورد مطالعه است. این روش یک ابزار دقیق برای تعیین رفتار فشار مویینه با استفاده از داده های نمودار چاه فراهم می کند و قابلیت کاربرد تعداد محدود منحنی های فشار مویینه در دسترس را گسترش می دهد. همچنین با استفاده از این روش می توان بدون صرف زمان و هزینه زیاد یک تخمین قابل اعتماد از برداشت نهایی مخزن به دست آورد.