چکیده: نفوذپذیری یکی از خواص بسیار مهم مخازن نفت می باشد که قابلیت نفوذ یک سیال مانند نفت، گاز و یا آب را در آن مشخص می کند. دانستن مقادیر صحیح نفوذپذیری به منزله یک ابزار موثر، کارآمد و مهم برای مهندسین نفت در امر فرآیند تولید و مدیریت یک میدان می باشد. برای تعیین نفوذپذیری سنگ مخزن دو روش مستقیم و غیر مستقیم وجود دارد. روش مستقیم عبارت از مغزه گیری و انجام آزمایشات روی آن و تعیین نفوذپذیری و یا آزمایش چاه می باشد که روش های پر هزینه و وقت گیری هستند. روش غیر مستقیم اندازه گیری نفوذپذیری به وسیله نگارهای چاه از طریق فرمولهای تجربی و روش های جدید هوش مصنوعی است. فرمولهای تجربی به علت طبیعت بسیار پیچیده مساله دقیق و قابل اعتماد نیستند. هدف این مطالعه استفاده از قابلیت سیستم های هوشمند برای تعیین نفوذپذیری، در میدان گازی سرخون از روی داده های موجود(نگارها و داده های مغزه) می باشد. در این راستا پس از بررسی مبانی نظری مربوط به نفوذپذیری، نگارهای چاه و سیستم های هوشمند ، نفوذپذیری افقی و قائم سازند جهرم در سه چاه میدان گازی سرخون با استفاده از سه شبکه عصبی مصنوعی یعنی شبکه پس انتشار به روش توقف سریع، شبکه پس انتشار به روش منظم سازی و شبکه عصبی شعاعی رگرسیون عمومی و همچنین سیستم فازی و شبکه عصبی_فازی تطبیقی تخمین زده شد. با توجه به نتایج حاصل، همبستگی بین داده های پیش بینی و داده های مغزه برای دو سری داده آموزش و تست در روش توقف سریع به ترتیب برابر با 913/0و 894/0، در روش منظم سازی برابر با 979/0 و 886/0، در شبکه شعاعی برابر 910/0 و 896/0 ، در سیستم فازی 919 /0 و 906/0 و در شبکه عصبی_فازی تطبیقی 927/0 و 909/0 حاصل گردید. نتایج بدست آمده نشان می دهند که مدل های مذکور به خوبی قادر به تخمین مقادیر نفوذپذیری در تمام قسمت های مخزن مورد مطالعه بوده و شبکه عصبی_ فازی تطبیقی دقت و قابلیت تعمیم بیشتری نسبت به دیگر مدل ها در پیش بینی نفوذپذیری دارد. برای افزایش دقت در تخمین نفوذپذیری از ماشین کمیته مبتنی بر میانگین گیری استفاده شد این روش باعث شد تا ضریب همبستگی در مرحله تست به 930/0 برسد.