یکی از پارامترهای بسیار مهم و کاربردی در مخازن هیدروکربنی، پارامتر اشباع از آب می باشد که به صورت درصد فضاهای خالی که توسط آب پر شده است تعریف می شود. در این تحقیق از شبکه های عصبی کمیته ای برای تخمین این پارامتر استفاده شده است. برای این کار از داده های 5 چاه واقع در یکی از میادین جنوب غربی ایران استفاده شده است. مقادیر عددی نگارهای صوتی، چگالی، پرتو گاما، مقاومت ویژه، مقاومت ویژه نرمال بلند و همچنین مقدار تخلخل موثر (که از روی نگارهای مختلف و داده های مغزه ها به دست آمده است) به عنوان ورودی و اشباع از آب به عنوان خروجی در نظر گرفته شد. این روش به مراتب از زمانی که یک تک شبکه داریم قوی تر و دقیق تر می باشد. اجزاء این ترکیبات کمیته ای شبکه های پرسپترون چند لایه می باشند که بهترین ساختار آنها با فرایند سعی و خطا از لحاظ داشتن کمترین خطای آزمون انتخاب شدند. تعداد 59 شبکه با ساختارهای مختلف مورد آموزش و آزمون قرار گرفتند. آموزش این 59 شبکه با 3 روش فراآموزش، مرتب سازی و توقف سریع انجام شد. از بین این 59 شبکه، 7 شبکه با کمترین خطا برای ساختن ترکیبات کمیته ای انتخاب و 120 ترکیب ممکن، یعنی 21 ترکیب دو شبکه ای، 35 ترکیب سه شبکه ای، 35 ترکیب چهار شبکه ای، 21 ترکیب پنج شبکه ای، 7 ترکیب شش شبکه ای و 1 ترکیب هفت شبکه ای ایجاد شد. ضرایب وزنی این ترکیبات خطی با استفاده از دو روش الگوریتم ژنتیک و میانگین گیری ساده به دست آورده شدند و سپس نتایج حاصل از این ترکیبات با هم مقایسه شد. برای روش فرا آموزش، شبکه تک لایه با ساختار (1-10-6) به عنوان بهترین شبکه شناخته شد. در حالتی که ضرایب وزنی ترکیب خطی شبکه های (1-10-6)، (1-5-6-6)، (1-13-6)، (1-11-6) و (1-9-4-6)، با استفاده از روش الگوریتم ژنتیک به دست آورده شد، بیشترین کاهش خطای آزمون در ترکیب این شبکه ها مشاهده گردید. در روش مرتب سازی، شبکه با ساختار (1-2-10-6) کمترین خطا را در مرحله ی تعمیم به همراه داشت. در حالتی که ضرایب وزنی ترکیب خطی شبکه های (1-2-10-6)، (1-5-6-6)، (1-6-5-6)، (1-10-4-6) و (1-6-6-6)، با استفاده از روش الگوریتم ژنتیک به دست آورده شد، بیشترین کاهش خطای آزمون در ترکیب این شبکه ها مشاهده گردید. در روش توقف سریع، شبکه با ساختار (1-8-8-6)، در مرحله ی تعمیم دارای کمترین خطابود. ضرایب وزنی ترکیب خطی شبکه های (1-8-8-6)، (1-9-8-6)، (1-15-6)، (1-9-6-6) و (1-10-7-6)، )، با استفاده از روش الگوریتم ژنتیک به دست آورده شد و بیشترین کاهش خطای آزمون در ترکیب این شبکه ها مشاهده گردید.

اهمّیت تخلخل به عنوان یکی از پارامترهای موثر در مخازن از یک سو و تنوع نشانگرهای لرزه ای که هریک اطلاعات مهمّی در شناخت لیتولوژی و پارامترهای پتروفیزیکیِ اهداف اکتشافی دارند از سوی دیگر باعث شده تا به مدد پشتوانه ی قوی اقتصاد نفت، پیشرفت های بسیاری در قالب نرم افزارها به منظور مطالعه ی تخلخل ارائه گردد. از جمله ی این پیشرفت ها می توان به بررسی همزمان داده های سه بُعدی لرزه ای و چاه نگاری بصورت مدل سازی، وارون سازی، انواع روش های آنالیز و تخمین که همگی بصورت سه بُعدی قابل انجام است، اشاره کرد. با توجه به این موضوع، پس از انجام مطالعات دقیق بر روی پارامتر تخلخل و روش های اندازه گیری آن، نشانگرهای متأثر از این پارامتر و انواع روش های آنالیز رگرسیونی و شبکه های عصبی، مطالعات لرزه ای سه بُعدی به منظور بررسی این پارامتر مخزنی در یکی از میادین نفتی جنوب ایران با بررسی دقیق نگارهای چاه پیمائی و نشانگرهای لرزه ای آغاز گردید. پس از تفسیر افق های تعیین شده در این میدان، با ساخت مدل امپدانس صوتی بصورت پیشرو با استفاده از نشانگرهای لرزه ای و کنترل و ارزیابی توسط داده های چاه نگاری و در ادامه، وارون سازی و بکارگیری روش رگرسیونی با آنالیز تک نشانگری، چندنشانگری و روش شبکه های عصبی، تخلخل در بخش های موردنظر میدان تخمین زده شد. طی فرآیندهای آنالیز و تخمین، علاوه بر تشخیص دو زون متخلخل، مشخص شد که در بین نشانگرهائی که براساس رابطه ی ریاضی، برای مطالعه ی تخلخل مناسب به نظر می رسیدند؛ استفاده از برخی باعث کاهش صحت تخمین می شود. لذا بررسی نشانگرهای موجود از نظر داشتن رابطه ی منطقی با تخلخل که در مطالعات مشابه مورد غفلت واقع شده بود به دقت انجام شد. نتایج بدست آمده به وضوح نشان داد که پس از حذف نشانگرهای غیرفیزیکی و انجام آنالیز مجدد، با افزایش پیوستگی تخمین تخلخل، تخمین انجام شده به شدت بهبود می یابد.