تخمین تخلخل در مخازن کربناته به دلیل سیستم حفرات پیچیده و ناهمگنی مشکل و چالش برانگیز است. تخلخل بیانگر ظرفیت ذخیره سیال در مخزن است و به منظور برآورد میزان ذخایر و ظرفیت تولید حائز اهمیت است ؛ لذا تخمین دقیق و صحیح تخلخل سنگ مخزن امری ضروری است. روش های متداول برای اندازه گیری تخلخل مانند آنالیز مغزه و نمودارهای چاه پیمایی اغلب گران و زمان بر هستند. روش ها و الگوریتم های یادگیری عمیق با استخراج الگوهای پیچیده از مجموعه داده های بزرگ و تجزیه و تحلیل داده های چاه می توانند تخمین دقیق تری را از تخلخل ارائه نمایند. در این مطالعه، یک رویکرد جدید با استفاده از یک مدل شبکه عصبی عمیق ترکیبی برای تخمین تخلخل بر اساس داده های چاه ارائه شده است. داده ها از یک مخزن کربناته در جنوب غربی ایران جمع آوری شدند و شامل داده های حاصل از آنالیز مغزه و نمودارهای چاه پیمایی (نمودار گاما، نوترون، چگالی، صوتی و مقاومت) می باشند. تعداد چاه ها 2 حلقه و تعداد مغزه ها 236 عدد است. مجموعه داده ها شامل 2000 نقطه داده ای می باشد که به سه بخش آموزشی، ارزیابی و اعتبارسنجی با نسبت های 70٪، 15٪ و 15٪ در چاه اول تقسیم شدند و برای ارزیابی عملکرد مدل از چاه شماره دو استفاده شده است. رویکرد این مطالعه شامل جمع آوری و آماده سازی داده ها، طراحی معماری شبکه عصبی ترکیبی، آموزش، بهینه سازی و ارزیابی مدل است. برای اعتبارسنجی مدل ترکیبی شبکه عصبی عمیق ساخته شده، از داده های مغزه استفاده شده است. مقدار ضریب تعیین برای مدل شبکه عصبی عمیق ترکیبی با مقدار 98/0 نشان می دهد، این مدل دقت بسیار بالایی در پیش بینی تخلخل دارد. مقایسه تخلخل پیش بینی شده توسط مدل یادگیری عمیق ترکیبی نشان می دهد که عملکرد این مدل دقیق تر از مدل پرسپترون چند لایه بوده است.