چکیده: حجم شیل یک پارامتر مهم در آنالیز پتروفیزیکی است که امکان تخمین دقیق سایر پارامترهای پتروفیزیکی مانند تخلخل مؤثر و اشباع آب را فراهم می‌کند. این امر گام مهمی در شناسایی مخازن و همچنین ارزیابی پتانسیل هیدروکربنی است. در این مطالعه روش‌های کلاسیک و دو روش یادگیری ماشین برای تخمین حجم شیل در یکی از میادین نفتی ایران مورد ارزیابی قرار گرفت. داده‌های مورد استفاده در این مطالعه بر اساس نقاط داده‏های واقعی حاصل از دو چاه جمع‌آوری شده است. این داده‌ها شامل داده‌های مغزه و نگارهای چاه‌پیمایی پرتو گاما، صوتی، چگالی، نوترون و مقاومت ویژه می‌باشند. مجموعه داده‌های چاه 1 با 2395 نقاط داده برای آموزش و آزمون مدل‌ها استفاده شد که داده‌ها به 80 درصد آموزش و 20 درصد آزمون تقسیم شدند و از مجموعه داده‌های دیده نشده چاه 4 با 1738 نقاط داده برای ارزیابی استفاده شد. پس از پیش‌پردازش داده‌ها چهار ویژگی نگار صوتی، نوترون، چگالی و مقاومت ویژه به عنوان ورودی برای تخمین حجم شیل استفاده گردید. ارزیابی فراپارامترها نشان داد که شبکه عصبی مصنوعی با 1 لایه پنهان، 24 نرون، ReLU به عنوان تابع فعال‌سازی و Adam به عنوان تابع آموزشی و جنگل تصادفی با تعداد درختان 300، حداکثر عمق درخت 10، حداقل تعداد نمونه برای تقسیم یک گره 5 و حداقل تعداد نمونه در یک گره برگ 4، بهترین مدل‌ها برای تخمین حجم شیل می‌باشند. حجم شیل در چاه ارزیابی با روش‌های کلاسیک نوترون-چگالی، صوتی-چگالی و نوترون به ترتیب با ضریب تعیین 85/0، 84/0 و 82/0 و ریشه میانگین مربعات خطا 119/0، 124/0 و 127/0 تخمین زده شد. نتایج نشان داد که روش کلاسیک نوترون-چگالی نسبت به سایر روش‌ها عملکرد بهتری داشت. حجم شیل در چاه ارزیابی با روش‌های شبکه عصبی مصنوعی و جنگل تصادفی به ترتیب با ضریب تعیین 92/0 و 89/0و ریشه میانگین مربعات خطا 088/0 و 105/0 تخمین زده شد. نتایج نشان داد که روش شبکه عصبی مصنوعی نسبت به جنگل تصادفی عملکرد بهتری داشت. بنابراین، در این مطالعه مدل شبکه عصبی مصنوعی با ضریب تعیین بیشتر و ریشه میانگین مربعات خطا کمتر نسبت به تمام روش‌های مورد ارزیابی عملکردی بهتری در تخمین حجم شیل نشان داد.