چکیده: تهیه مدل دقیق شکستگی و توزیع آنها در مخازن با شکستگی طبیعی، از موارد پیچیده در مهندسی مخازن می باشد. مدل سازی شکستگی تنها بر اساس داده های چاه دارای محدوده اثر کم می باشد و از این رو منجر به عدم قطعیت بالایی می شود. روش های مرسوم مدل سازی شکستگی معمولاً از الگوریتم های درون یابی به منظور پیش بینی توزیع فضایی شکستگی ها استفاده می کنند. در این تحقیق با استفاده از عوامل کنترل کننده شکستگی، مدل توزیع شکستگی با استفاده از ترکیب داده های لرزه نگاری سه بعدی و چاه بدست می آید. بدین منظور پس از تعیین زون های شکستگی و جهت یابی آن ها با استفاده از داده های چاه، نشانگرهای تعیین کننده شکستگی از داده-های لرزه ای استخراج گردید. از این نشانگر ها به عنوان عامل کنترل کننده شکستگی برای ساخت مدل توزیع شکستگی استفاده شده است. در ادامه الگوریتم های تعیین شکستگی بر روی داده های لرزه ای پیاده گردید و مدل های توزیع های شدت شکستگی به روش کوکریجینگ هم مختصات بر روی نشانگرها تهیه شد. سپس با دسته بندی شکستگی های مخزن، مدل شبکه گسسته شکستگی برای مقیاس های متفاوت شکستگی ها، بدست آمد. مقایسه شبکه گسسته شکستگی بدست آمده توسط استراتژی پیشنهادی با روش معمول، نشان داد که می توان از عوامل کنترل کننده شکستگی به عنوان محرک های شکستگی جهت توزیع شکستگی ها در مخزن با استفاده از داده های لرزه ای سه بعدی در مواردی که تعداد چاه های کمتری در مخزن وجود دارد، استفاده کرد. استراتژی پیشنهادی بر روی مخزن شکافداری در یکی از میادین خلیج فارس پیاده شد و شبکه گسسته شکستگی با دقت قابل قبول تری در مقایسه با روش معمول، بدست آمد. اما با توجه به ماهیت پیچیده شکستگی ها و کمبود داده های مرتبط با آن ها، مدل های حاصل همواره با عدم قطعیت همراه هستند. در مرحله دوم این تحقیق، برای قطعیت بخشیدن به مدل ساخته شده در مرحله اول و اعتبار سنجی آن، از روشی نو برای ساخت مدل گسسته شکستگی استفاده می شود. این مدل سازی از طریق رابطه ای که بین شدت شکستگی و محرک های شکستگی وجود دارد صورت می گیرد. بدین منظور از ابزار هوش مصنوعی برای شناسایی چگونگی همبستگی بین شدت شکستگی و گروهی از محرک های شکستگی استفاده می شود. از بین عوامل نشان دهنده، مرتبط و کنترل کننده شکستگی، تخلخل، سنگ شناسی، فاصله از گسل انتخاب گردیدند و از بین نشانگرهای لرزه ای، امپدانس صوتی نسبی، الگوریتم ردیابی مورچه، برجستگی، آشفتگی، انحنا و واریانس به عنوان محرک های شکستگی در نظر گرفته شدند. در ادامه مجددا به کمک ابزار شبکه عصبی، به منظور شناسایی رابطه بین شدت شکستگی و محرک های شکستگی استفاده گردید. همچنین به در مرحله مدل سازی، از روش نظارت شده استفاده شد. همه عوامل کنترل کننده شکستگی به صورت نظارت شده با داده های تراکم شکستگی موجود در چاه آموزش داده شدند. در مرحله آموزش مدل از 100 و 500 مرتبه تکرار استفاده گردید. رابطه های به دست آمده با دو تکرار متفاوت با هم مقایسه شدند و معین گردید که با 500 مرتبه تکرار، رابطه خوبی بین شدت شکستگی و محرک های شکستگی برقرار می شود. در نهایت از رابطه بدست آمده برای ساخت مدل گسسته شکستگی استفاده شد. همچنین معین گردید با عدم وجود تعداد چاه های کافی در میدان، با استفاده از عوامل کنترل کننده شکستگی می توان توزیع بسیار مناسبی از شدت شکستگی در مخزن ارائه داد.