چکیده: از جمله اهداف اساسی در بررسی مخازن هیدروکربوری دست یافتن به اطلاعاتی درباره حضور آن در زیر سطح زمین است. پارامتری که مقدار هیدروکربور موجود در مخزن را مشخص می کند، اشباع شدگی است. روش های مختلفی نظیر مطالعه مغزه ها و نگار های چاه پیمایی به منظور تعیین مقدار اشباع شدگی مخزن وجود دارند؛ که با وجود دقت بالا، بسیار پرهزینه و وقت گیر می باشند. استفاده از داده های ژئوفیزیکی که در مراحل مقدماتی اکتشاف مخازن هیدروکربوری به صورت گسترده و با حجم زیاد در دسترس هستند، در مطالعات توسعه مخازن هیدروکربوری، منجر به کاهش ریسک عملیات حفاری می شود. داده های مقاومت ویژه روش مگنتوتلوریک (MT) نسبت به تغییرات نوع و میزان سیالات مخازن هیدروکربوری حساس می باشند. بنابراین دستیابی به روشی که بتواند اشباع شدگی مخزن را با استفاده از داده های مقاومت ویژه MT به صورت سریع و ارزان تخمین بزند، اهمیت بسیار دارد. در گام اول، عوامل کنترل کننده اشباع شدگی در مخزن کربناته آسماری مورد بررسی و تحلیل کمّی و کیفی قرار گرفت و سپس با توجه به این پارامترها، مدل فیزیک سنگ محیط مؤثر تفاضلی جهت بررسی ارتباط مقادیر مقاومت ویژه واقعی سازند (Rt) و اشباع شدگی از آب انتخاب شد. به دلیل عدم حضور شیل در مخزن مورد مطالعه، شکل ساده تر این مدل که به رابطه آرچی معروف است، حاصل گردید. جهت محاسبه هم زمان پارامترهای مدل آرچی از روش هوشمند الگوریتم ژنتیک کمک گرفته شد. مقایسه بین مقادیر اشباع شدگی از آب محاسبه شده با استفاده از رابطه آرچی و مقادیر واقعی اشباع شدگی در چاه A، همبستگی 62/0 را نشان می دهد. ستون هیدروکربوری چاه اکتشافی A در مخزن آسماری از سه زون A1، A2 و B1 تشکیل شده است؛ که هر کدام با تغییرات مقاومت ویژه Rt مشخص می شوند. با به کار بردن الگوریتم ژنتیک در هر کدام از این زون ها، ضرایب مدل آرچی که به نقطه اندازه گیری و سنگ شناسی محیط وابسته اند؛ با خطای کم تعیین شدند. نتایج حاصل از این مرحله و بررسی همبستگی بین تغییرات اشباع شدگی با تغییرات ارتفاع مخزن نشان داد که پارامتر ارتفاع مخزن می تواند در تعیین اشباع شدگی آب مخزن تأثیرگذار باشد. پارامتر ارتفاع مخزن به عنوان یک متغیر در معادله آرچی وارد گردید. نتایج حاصل از تعیین پارامترهای مدل اصلاح شده آرچی به کمک الگوریتم ژنتیک، همبستگی بین مقادیر اشباع شدگی از آب محاسبه شده با استفاده از این روش و مقادیر واقعی اشباع شدگی در چاه A را در مرحله آموزش و آزمون مدل به ترتیب 0/98 و 0/88 نشان می دهد. در مرحله بعد با استفاده از داده های مقاومت ویژه MT و پارامترهای تخلخل و ارتفاع مخزن چاه شماره 115 که در مجاورت پروفیل برداشت MT قرار دارد، به مدل سازی اشباع شدگی از آب با کمک روش-های هوشمند شبکه عصبی مصنوعی و عصبی- فازی پرداخته شد. نتایج حاصل، بیانگر عملکرد خوب هر دو روش در تخمین اشباع شدگی مخزن می باشد. به طوری که ضریب همبستگی بین داده های واقعی اشباع شدگی و مقادیر پیش بینی شده توسط روش های شبکه عصبی و عصبی- فازی به ترتیب 0/79 و 0/85 می باشد. روش عصبی- فازی با ترکیب ویژگی های روش های فازی که مبتنی بر استنتاج هستند و روش های شبکه عصبی که بر پایه یادگیری هستند و پوشش ضعف های این دو روش، نتایج بهتری در تخمین اشباع شدگی از آب با استفاده از داده های مقاومت ویژه MT حاصل شد.