با رونق اکتشاف و توسعه منابع هیدروکربنی نامتعارف، تخمین دقیق فاکتورهای سنگ منشاء نظیر پتانسیل باقیمانده هیدروکربنی ((S2)) از طریق نگاره های چاه بیش از پیش اهمیت پیدا کرده است. مانند ویژگی های مواد آلی، تغییرات سنگ شناسی در داخل یک توالی منشاء احتمالی نیز بر پاسخ نگاره های چاه موثرند. این امکان وجود دارد که تکنیک های هوش مصنوعی این پاسخ های نگاره ای ناشی از سنگ شناسی را بعنوان نشانه ای از تغییر در میزان و ویژگی های مواد آلی تفسیر نمایند، که این مهم موجبات کاهش کارایی آنها را مهیا می کند. در مطالعه حاضر، روشی جدید تحت عنوان روش مبتنی بر سنگ شناسی ارائه شده است که اساس آن بر مدل سازی رابطه بین نگاره ها و پارامتر (S2) برای هر کدام از انواع سنگ شناسی از طریق سیستم استنتاج عصبی–فازی تطبیقی استوار است. کارایی روش پیشنهادی با روش های ANFIS و هیبریدی که فرآیند آموزش آنها با استفاده از داده های واجد سنگ شناسی مختلف انجام شده است، مورد مقایسه قرار گرفت. نتایج نشان داد که روش مبتنی بر سنگ شناسی در زمینه حذف اثرات نامطلوب تغییرات سنگ شناسی بر روند آموزش مدل ANFIS موفق بوده که حاصل آن، تخمین بسیار دقیقتر مقادیر (S2) می باشد. ازمیان روش های معمول، ترکیب الگوریتم بهینه سازی ذرات با روش ANFIS کارایی بالاتری را نشان داد. لیکن، روش هیبریدی مذکور به اندازه روش مبتنی بر سنگ شناسی کارآمد نمی باشد. کاربردی بودن روش پیشنهادی با اجرای آن بر سازند پابده در یکی از چاه های جنوب غرب ایران تایید شد. در نهایت، پیشنهاد می شود از روش مبتنی بر سنگ شناسی جهت تخمین دیگر فاکتورهای ژئوشیمیایی و همچنین پارامترهای پتروفیزیکی از طریق نگاره های چاه، بهره گرفته شود.