تخمین پارامتر های پتروفیزیکی مخزن نظیر تخلخل ، نفوذپذیری و اشباع آب و نفت برای ارزیابی و برآورد ذخیره ی هیدرو کربوری از اهمیت خاصی برخوردار است. در خصوص مخازن بسیار ناهمگن (وضعیت متداول مخازن کشور)، پیش بینی این پارامترها پیچیده و در برخی موارد به یک چالش جدی در صنایع بالادستی نفت تبدیل می شود. یکی از راههای تخمین خصوصیات فوق که از دیر باز نیز مرسوم بوده است، اندازه گیری آنها در آزمایشگاه بر روی مغزه های اخذ شده از چاه ها در محدوده مخزن می باشد. هر چند روش-های آزمایشگاهی جهت تخمین پارامترهای پتروفیزیکی در طول زمان توسعه یافته است. ولیکن در رفع مشکل زمان گیر بودن و هزینه ی بالای این روش ها تغییر چندانی حاصل نشد. با ظهور و توسعه روز افزون روش های چاه نگاری مشکلات فوق تا حد زیادی کاهش یافت، هرچند دقت کمتر و تابعیت غیر مستقیم نگارهای چاهی از پارامترهای پتروفیزیکی مخزن در مقایسه با روش های مستقیم مغزه-گیری لزوم بکارگیری روش های هوشمند بدلیل سرعت بالای، هزینه های نسبتاً کم و انعطاف پذیری بالای آنها در تخمین و پیش بینی هر چه دقیقتر پارامترهای پتروفیزیکی از نگارهای چاهی اجتناب ناپذیر نموده است. امروزه شناخت و ارزیابی پارامترهای پتروفیزیکی و سنگ شناسی مخازن نفت و گاز با استفاده از نمودارهای مختلف چاه پیمایی به صورت یکی از محورهای اصلی فعالیتها در صنایع بالادستی نفت (بویژه در مراحل اکتشاف و توسعه میادین نفتی) در آمده است. در این تحقیق تخلخل و نفوذپذیری به عنوان مهمترین پارامترهای پتروفیزیکی در مخزن آسماری از میدان نفتی اهواز با استفاده از سه شیوه شبکه های عصبی مصنوعی کلاسیک، شبکه های عصبی -آماری (bootstrapping) و شبکه های عصبی ترکیبی نروفازی مورد تخمین قرار گرفته است. میدان نفتی اهواز به صورت یک طاقدیس کشیده به موازات رشته کوه زاگرس و بطول 67 کیلومتر و عرض 4 تا 6 کیلومتر در جنوب تا جنوب غربی فرو افتادگی دزفول قرار گرفته است. در ابتدا بمنظور حذف داده های پرت و شناخت الگوهای رفتاری داده ها اقدام به پیش پردازش و انجام مطالعات آماری چند متغیره بین داده های ورودی و خروجیها گردید. سپس با استفاده از داده های چاه نگاری عمق، کالیپر، مقاومت ویژه عمیق، صوتی، گامای طبیعی، چگالی و نوترون از یکسو و پارامترهای تخمینی اشباع آب، حجم شیل و نوع لیتولوژی بعنوان ورودیها و مقادیر تخلخل و نفوذپذیری مغزه های حفاری موجود از مجموع 19 چاه اکتشافی به عنوان خروجیها اقدام به ایجاد، آموزش، بهینه سازی، اعتبارسنجی و تست انواع شبکه های عصبی مصنوعی جهت تخمین پارامترهای تخلخل و نفوذپذیری در طول چاههای فاقد مغزه گردیده است. نتایج نشان می دهد که شبکه های عصبی با ساختار یک لایه پنهان دارای کارایی بیشتری نسبت به شبکه های با چند لایه پنهان بوده و تابع تحریک tansig و تابع آموزشی trainlm و تابع یادگیری learngdm عملکرد بهتری نسبت به سایر توابع دارند. شبکه بهینه جهت تخمین نفوذپذیری متشکل از 11 ورودی تعیین گردید بطوریکه تطابق بین خروجی شبکه با 24 نرون در یک لایه پنهان و داده های مغزه در مرحله آموزشی 93% و در مرحله اعتبارسنجی نتایج 77 % بوده است که نتایج بسیار خوبی ارزیابی میگردند. همچنین شبکه بهینه جهت تخمین تخلخل با همان تعداد 9ورودی دارای 22 نرون در لایه پنهان و 75% تطابق در مرحله آموزشی و 5/71% در مرحله اعتبارسنجی بوده است. مقایسه نتایج شبکه عصبی کلاسیک و شبکه عصبی مبتنی بر داده های تبدیل یافته بروش مولفه های اصلی (pca) حاکی از برتری روشهای کلاسیک با استفاده از کلیه لاگهای ورودی در مقایسه با شبکه مبتنی بر مولفه های اصلی تبدیل یافته می باشد. نتایج اعتبارسنجی تخمینهای حاصل از روش شبکه عصبی – آماری (bootstrapping) نشانگر برتری نسبی بطور متوسط در حدود 3% در مقایسه با شبکه های عصبی کلاسیک بوده است. در پایان مقایسه عملکرد و کارایی شبکه عصبی بهبود یافته بروش bootstrapping و شبکه نروفازی برای داده های ورودی یکسان نشان از برتری نتایج شبکه عصبی بهبود یافته دارد و بدلیل پتانسیل بالقوه مدلهای نروفازی لازم است تا مطالعات کاملتری بر روی بهبود کارایی مدل نروفازی بکار گرفته شده در این تحقیق صورت پذیرد.