مخازن هیدروکربوری محیط هایی بسیار ناهمگن هستند و چنان ساختار پیچیده ای دارند که تخمین مستقیم پارامترهای آنها عملاً امکانپذیر 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 محبوبیت 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 در سال ??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 مخازن همگن و تخلخل دو گانه با مرز های مختلف را شامل می شود مورد بررسی قرار گرفته اند. شبکه های عصبی پیشرو و بازگشتی 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 برون یابی شبکه ها در بازه ای خارج از محدوده ی داده های آموزشی و تست بررسی شده است. توانایی شبکه های طراحی شده از طریق داده های دارای نویز، داده های میدانی مورد بررسی قرار گرفته است. دقت شبکه های مختلف به وسیله ی تعدادی پارامتر آماری مانند حساسیت و دقت دسته بندی کلی با هم مقایسه شده است. نتایج حاصل نشان دهنده این مطلب است که مدل های مبتنی بر شبکه های عصبی قادر هستند که مدل واقعی مخزن را از داده های چاه آزمائی شناسایی کنند. شبکه ی عصبی بازگشتی دارای دقتی بیشتر از شبکه ی پیشرو بوده و قابلیت بیشتری را در دسته بندی داده های چاه آزمائی از خود نشان داده است. این شبکه ها دارای دقت دسته بندی کلی 39/98 درصد بوده در حالیکه شبکه ی پیشرو دارای دقت 83/95 می باشند.