: i نقطه مطلوب برای محاسبه مشتق فشار

t_p : مدت زمان برداشت از چاه قبل از بسته‌شدن
Δt : مدت زمان بسته‌ماندن چاه
۳-۴- نرمالیزه‌کردن
نرمالیزه‌کردن داده‌های ورودی به شبکه‌های عصبی احتمال اشباع شدن شبکه را کاهش داده و منجر به افزایش سرعت همگرائی آن در مرجله‌ی آموزش می‌شود. بنابراین داده‌های مشتق فشار در بازه‌ی [۱+ ۱-] نرمالیزه‌ شده‌اند. برای نرمالیزه‌کردن داده‌ای مشتق فشار، از رابطه‌ی (۳-۲) استفاده شده‌است.
(۳-۲) 
در رابطه‌ی (۳-۲):
: X _normalized نرمالایز شده‌ی داده‌ی مشتق فشاری P_i
: X _min حداقل مقدار مشتق فشار در هر نمودار
: X _max حداکثر مقدار مشتق فشار در هر نمودار
بعد از مشتق‌گیری و نرمالیزه‌کردن، داده‌های چاه‌آزمائی به داده‌های مشتق فشار نرمالایز تبدیل شده که قابلیت ارائه‌شدن به شبکه برای آموزش و تست را دارا می‌باشند. شایان ذکر است که تمامی داده‌ها‌ی چاه‌آزمائی (داده‌ی شبیه‌سازی و یا میدانی) قبل از وارد‌شدن به شبکه، باید مراحل مذکور را سپری کرده باشند که قابلیت لازم را برای تشخیص مدل مخزن داشته باشند.
در ادامه‌ی این فصل، مدل‌های مخزنی مختلف به‌صورت جزئی‌تری مورد بررسی قرار گرفته، نمودارهای مشتق فشار آنها نیز ارائه شده‌است.
۳-۵- ساختار شبکه­ عصبی
همانطور که قبلا خاطر نشان شد هدف از این تحقیق، استفاده از روش نوین شبکه‌های عصبی مصنوعی در تحلیل داده‌های چاه‌آزمائی می‌باشد. که به مراتب از دقت بالاتر نسبت به روش‌های تجربی رایج برخوردار است.
روش کار به این‌صورت است که در ابتدا داده ­ها‌ی چاه‌آزمائی به دست­آورده را به عنوان داده‌ها‌ی آموزشی جهت انجام آموزش به شبکه پرسپترون چند لایه اعمال می‌شود که خروجی مطلوب متناظر آنها نیز در اختیار شبکه می‌باشد. با بهره گرفتن از الگوریتم آموزشی اعمال‌شده به شبکه، ابتدا خروجی متناظر با داده‌های ورودی محاسبه می‌شود. خروجی حاصل از شبکه با خروجی مطلوب که متناظر با داده‌های ورودی است مقایسه ‌شده و خطای موجود بین خروجی مطلوب و خروجی حاصل از شبکه محاسبه می‌گردد و سپس به کمک روابط توزیع خطا، خطای حاصل بر روی پارامترهای قابل تغییر شبکه که همان مقادیر وزن و بایاس هستند، توزیع می‌گردد و مجدداً فرایند محاسبه خروجی شبکه انجام می‌گیرد. با توزیع خطا در هر مرحله بر‌روی پارامترهای شبکه، این پارامترها به روزشده و با هر مرحله تکرار فرایند محاسبه خروجی به مقادیر نهایی وزن و بایاس نزدیکتر می‌شوند. مقادیر نهایی وزن و بایاس زمانی حاصل می‌شوند که کمترین میزان خطا بین خروجی شبکه و خروجی مطلوب وجود داشته باشد. در این حالت است که بهترین تخمین ممکن توسط شبکه صورت‌گرفته و شبکه آموزش دیده‌است.
بنابراین پس از آموزش شبکه و اعتبارسنجی آن به‌وسیله تست با اطلاعات موجود، یک شبکه عصبی بر اساس اطلاعات چاه‌آزمائی به‌دست می‌آید که این شبکه می تواند اطلاعات چاه‌آزمائی را به‌خوبی تفسیر کند.
در مجموع ۳۵۷۴ دسته داده‌ی چاه‌آزمائی مختلف با بهره گرفتن از شبیه‌سازی تولید شده‌است. . از آنجایی که تعداد داده‌های تولید‌شده برای مدل‌های مختلف و توزیع داده‌های استفاده‌شده در مرحله آموزش و تست و صحه گذاری^[۱۳۸] شبکه به صورت تصادفی و رندوم انتخاب و تولید شده­است، بنابراین تنها به بیان اینکه در این پروژه میزان ۸۰% از داده ­ها برای آموزش، ۲۰% برای آزمون­ استفاده شده­است، بسنده کرده و میزان دقیق داده ­های مربوط به آموزش و تست مربوط به هر مدل را در قسمت نتایج برای شبکه مورد نظر خواهیم آورد. که در جدول (۳-۳) میزان کل داده ­های تولیدی و تعدادداده­هایی که برای آموزش و تست شبکه استفاده شده است آورده شده است.
جدول (۳-۳): تعداد داده‌ی تولید‌شده برای هر مدل و توزیع داده‌های آموزشی و آزمون­