باید توجه کرد که کسب اطلاعات از خصوصیات گوناگون سنگ و شکاف در این گونه مخازن محدود به یک ابزار خاص نیست و نمی توان با بهره مندی از یک فن آوری مشخص، به تمام ابعاد و پیچیدگی های آنان پی برد. در واقع وسایل و ابزارآلات اندازه گیری خصوصیات در این مخازن دامنه (scale) وسیعی را دربر می گیرند. برای نمونه از خروجی های لرزه نگاری (seismic) برای شناسایی شکست های عمده (major faults) با ابعاد کیلومتری در مخزن می توان استفاده کرد و در همین حال آزمایشات گوناگون بر روی مغزه (core) امکان بازشناسی ترک های بسیار کوچک در ابعاد میلیمتری را مهیا می سازد.
بنابر این جامعیت عملکرد مشخصه سازی در این مخازن منوط به استفاده هوشمند و صحیح از اطلاعات بسیار متنوع موجود و در عین حال یافتن ارتباط (correlation) میان چنین اطلاعاتی است. روش های مختلف مدل سازی مخازن استفاده هوشمند و تعیین رابطه ی میان اطلاعات اخذ شذه از مخزن را برعهده دارند.
امروزه عمده روش های موجود برای مدل سازی مخازن شکافدار طبیعی استفاده از مفاهیم زمین آماری و مدل سازی فضایی خصوصیات مختلف سنگ و شکاف با بهره گیری از علم آمار می باشد، اما محدودیت های موجود در برآورد ارتباط (correlation) میان خصوصیات مختلف شکاف (از قبیل اندازه (size) ، شیب (orientation) ، دهانه (aperture) و ...) در علم زمین آمار، امکان استفاده ی حداکثر دو پارامتر و جستجوی ارتباط بین آن ها را به مهندس نفت می دهد که خود عامل پیدا کاستی در مدل و سطحی بودن نتایج است.
با ظهور مفاهیم هوش مصنوعی (AI) و بالاخص شبکه های عصبی مصنوعی (ANN) و کاربرد روزافزون آن در مباحث مختلف صنایع بالادستی نفت در سال های اخیر، توجه بسیاری از محققان برای بهره گیری از آن ها در مدل سازی مخازن شکافدار طبیعی جلب گردیده است. قابلیت استفاده از ورودی های متنوع و بعضا متناقض (دقیقا مانند آنچه نتایج آزمایشات مختلف در ابعاد گوناگون در مخازن شکافدار طبیعی بدست می دهند) و در آمیختن هوشمند آن ها با استفاده از توابع وزن دار و بهینه سازی و خاصیت آموزش پذیری شبکه و در نهایت محدود نبودن توابع خروجی به مقادیری ریاضی و فرمولیزه، توانایی شبکه های عصبی مصنوعی را در مدل سازی دقیق تر و منطبق با واقعیات نشان می دهد.