(۴-۴)
۴-۲-۱- آموزش شبکه
همانطور که قبلاً نیز بیان شده‌است، ۸۰ درصد داده‌های تولید‌شده برای هر مدل مخزنی در مرحله‌ی آموزش شبکه استفاده شده‌اند. این داده‌ها در مجموع ۲۸۶۲ دسته داده‌ی مشتق فشار نرمالیزه شده را شامل می‌شود. ۲۰ درصد داده ­های باقی­مانده برای هر مدل مخزن در مرحله­ تست شبکه استفاده شده است. این داده ­ها نیز در مجموع ۷۱۲ دسته داده‌ی مشتق فشار نرمالیزه شده را شامل می‌شود. نمودارهای مربوط به هر مدل دارای سی و هشت داده‌ی مشتق فشار هستند.

سی و هشت داده‌ی مربوط به نمودار مدل‌های مختلف و خروجی متناظر آنها که احتمال تعلق داده‌های ورودی به مدل خاص است، جهت انجام مرحله‌ی آموزش به شبکه اعمال شده‌اند. در پژوهش حاضر خروجی مطلوب برای نمودار‌های ورودی عدد۹۹/۰ و۰۱/۰است که بیانگر احتمال تعلق آنها به مدل مخزنی خاص است. به‌عنوان مثال، خروجی مطلوب برای نمودارهای مدل یک ماتریسی با دوازده سطر و یک ستون است که فقط آرایه‌ی اول آن، دارای مقدار عددی ۹۹/۰ بوده (تعلق داده‌های ورودی به مدل یک را نشان می‌دهد) و بقیه‌ی آرایه‌های آن عدد۰۱/۰ (عدم‌تعلق داده‌های ورودی به مدل دو تا دوازده را نشان می‌دهند)، را دارا هستند.
خروجی متناظر با داده‌های ورودی توسط شبکه محاسبه و با خروجی مطلوب مقایسه می‌شود. خطای موجود بین خروجی مطلوب و خروجی شبکه محاسبه و به کمک الگوریتم آموزشی اعمال‌شده، بر روی وزن و بایاس توزیع می‌گردد. این فرایند محاسبه تکرار شده و در هر مرحله این پارامترها به روزشده و 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 بهترین تخمین ممکن توسط شبکه صورت‌گرفته و شبکه آموزش دیده‌است. به بیان دیگر آموزش دیدن شبکه‌های عصبی در واقع همان تنظیم وزن‌های ارتباطی بین نرون‌ها به ازای دریافت مثال‌های مختلف است تا خروجی شبکه به سمت خروجی مطلوب همگرا شود. . نحوه‌ی تغییرات متوسط مربع خطاها برای شبکه‌ای با ساختار بهینه در مرحله آموزش شبکه در شکل (۴-۳) نشان داده شده‌است. شبکه‌ی پیشرو پس از ۲۰۰۰ اپوک به دقت مورد‌نظر رسیده است.
.
شکل(۳-۴) تغییرات خطا در جریان آموزش شبکه‌ی پیشرو با ساختار
۴-۳- بحث و نتایج
۴-۳-۱- امتحان شبکه با داده‌های آزمون­
همانطور که قبلاً نیز بیان شد ۲۰ درصد داده‌های تولید‌شده هر مدل در مرحله‌ی آموزش شبکه استفاده نشده (عملاً شبکه آنها را قبلاً ندیده‌است) و برای مرحله‌ی تست شبکه کنار گذاشته‌شده‌اند. داده‌های اخیر در مجموع ۷۱۲ دسته داده‌ی مشتق فشار نرمالایز مدل‌های مخزن مختلف را در بر می‌گیرد.
داده‌های مربوط به این ۷۱۲ مدل، به شبکه­ پیشرو آموزش‌دیده، خورانده شده و خروجی شبکه‌های مختلف به آنها (به‌وسیله‌ی چند پارامتر آماری)، با‌هم مقایسه شده‌است.
در جدول (۴-۴) خروجی شبکه‌ی عصبی پیشرو با ساختار بهینه، به داده‌های تست ارائه شده‌است. شبکه‌ی عصبی پیشرو توانسته‌است نمودارهای تست مربوط به سه مدل اول را به‌درستی شناسایی کند.. بیشترین ضعف شبکه‌ی پیشرو در شناسایی نمودارهای مربوط به مدل چهار بوده‌است که سه نمودار مربوط به این مدل را به‌عنوان مدل پنج و دو نمودار را مدل شش و هفت تشخیص داده‌است. توضیحات فوق و توانایی شبکه‌ی پیشرو در شناسائی سایر مدل‌های مخزن از داده‌های تست شبیه‌سازی، را می‌توان بااستفاده از
جدول (۴-۴) مورد بررسی قرار داد. توانایی شبکه‌های مصنوعی با ساختار متفاوت، به‌وسیله‌ی چند پارامتر آماری با هم مقایسه و نتایج آن در جدول (۴-۶) آمده است. حساسیت به‌صورت تعداد الگوی که صحیح تشخیص داده شده‌ی هر مدل، به تعداد الگوی آن مدل که در رابطه­ زیر نیز آمده است، تعریف می‌شود [۴۹].
(۴-۵)
جدول (۴-۴): توانایی شبکه‌ی پیشرو در شناسائی مدل واقعی مخزن از داده‌های آزمون­ شبیه‌سازی