هدف از این طرح امکان سنجی استفاده از هوش مصنوعی در پیش بینی IPR مخازن نفتی اشباع است. برای فشارهای بالای نقطه حباب، معمولا از معادله خط راستی جهت تخمین عملکرد جریان ورودی به چاه (IPR) استفاده می شود. با این وجود، وقتی فشار به زیر نقطه حباب می افتد معادله از حالت خط راست خارج می شود. گرچه روش های تحلیلی می توانند به دقت IPR چاه را در بالای نقطه حباب تعیین کنند، ولی تنها روابط تجربی برای مدل سازی IPR در زیر نقطه حباب موجود است و بنابراین همواره اختلافاتی با مقدار واقعی IPR وجود دارد. روش های هوش مصنوعی مانند شبکه های عصبی، منطق فازی، و الگوریتم ژنتیک ابزارهایی قدرتمند و قابل اتکا برای تحلیل بخش های مختلف صنعت نفت و گاز هستند. در این طرح برای تخمین IPR چاه های نفتی، دو مدل نرو فازی شاملLocal Linear Neuro Fuzzy Model (LLNFM) و Adaptive Neuro Fuzzy Interface System (ANFIS) با روش Multi Layer Perceptron (MPL) و روابط تجربی مقایسه شده اند. روش LLNFM از یک الگوریتم جدید بهبود یافته به نام Local Linear Model Tree (LOLIMOT) برای آموزش شبکه استفاده می نماید. 16 مدل مخزن با گستره وسیعی از تراوایی های نسبی و خواص سیال مخزن شبیه سازی شده اند. اطلاعات مورد نیاز آموزش از 14 مدل شبیه سازی شده به دست آمده اند و دو مدل دیگر جهت چک کردن خطا و تست عملکرد مدل ها به کار می روند. نتایج نشان می دهند که مدل LLNFM در مقایسه با دیگر مدل های هوش مصنوعی و روابط تجربی کمترین میزان خطا را برای داده های تست می دهد.