چکیده: ارزیابی، توسعه و مدیریت مخزن وابستگی بسیار زیادی به دانستن ویژگی‌های مخزن دارد. در این میان بافت و تخلخل مخزن، از مشخصه‌های مهم و اساسی در ارزیابی خصوصیات پتروفیزیکی مخازن هیدروکربنی محسوب می‌شوند. با توجه به کربناته بودن اکثر مخازن ایران و ناهمگنی بالای آن‌ها، مطالعات این دسته از مخازن، از اهمیت بالاتری برخوردار است. در این مخازن اطلاع از کلاس طبقه‌بندی دانهام می‌تواند در تخمین بهتر مشخصه‌‌های پتروفیزیکی مخزن از جمله تخلخل مؤثر باشد؛ تا به امروز صنعت نفت سعی کرده تخلخل را با تزریق گاز هلیم بر نمونه‌های مغزه (پلاگ) و بافت را با بررسی مقاطع نازک در زیر میکروسکوپ تعیین کند. استفاده از روش‌های آزمایشگاهی معمولاً زمان‌بر و هزینه بر بوده و در همه شرایط ممکن نمی‌باشد و در دنیای امروز صنعت نفت که با حجم وسیعی از مسائل دشوار سروکار داریم، نمی‌تواند پاسخگوی تمام نیازهای مهندسین و کارشناسان باشند. در سال‌های اخیر با پیشرفت سخت‌افزاری و نرم‌افزاری کامپیوترها، استفاده از تکنیک‌های هوش مصنوعی و آنالیز تصویر در صنعت نفت گسترش یافته است. بدین ترتیب با هدف کاهش هزینه‌ها و زمان در مطالعات مخزنی، مطالعه حاضر به دو بخش تقسیم شد: در بخش یک از تکنیک شبکه‌‌های عصبی مصنوعی برای محاسبه تخلخل مغزه استفاده شده است. نتایج نشان می-دهد تکنیک‌های هوشمند در تخمین تخلخل موفق عمل کرده‌اند. در قسمت دوم این پایان‌نامه سنگ‌های کربناته به کمک یک الگوریتم خودکار بر مبنای طبقه‌بندی دانهام دسته‌بندی شده‌اند. بررسی‌ها نشان می‌دهد که این الگوریتم با دقت بالا و قابل قبولی قادر به تفکیک، کلاس‌های طبقه بندی دانهام می‌باشد. مهم‌ترین محدودیت این روش این است که باید داده‌های بافت و تخلخل هم‌زمان برای یک میدان برداشت شود.