地热开发项目严重依赖非常不同类型的储层复杂的地下地质环境的数据。这些数据影响项目的经济潜力的理解。地热储层中独特的各种岩石类型中。地热勘探过程中捕获不同数据通过标准地下岩石分析,表面地质和地球物理调查(重力、磁力和MT)和热流数据获得同样的变化分析。分析扩展的参数如岩石渗透率、孔隙度、电阻率、导电率、地震活动性、流体体积,水库内的热流。有效储层特征的可视化提供了一个准确的分析地热地下经营者可以做出明智的决定关于项目开发,同时减少他们的投资风险。整体学习范式是一种新的计算智能(CI)算法多样化的专家意见的战略整合和巧妙的综合解决问题。这种新的学习模式有其根在人类社会学,最后决定是由考虑各种意见的“专家委员会”获得一个整体的“合奏”的决定。它有它的起源在人类心理暗示的判断一个委员会优越的个人考虑到“能力”的人有一个可接受的水平。集成学习方法是模拟人类的社会文化行为的几个人做任何重要的决定之前的意见。 This study demonstrates the application of ensemble machine learning in the characterization of the properties of a geothermal reservoir, based on previous successful applications in various industries including oil and gas. This is achieved by training the machine to select an overall best hypothesis to improve model performance, reducing the risk of selecting a poor model in implementing Machine Learning in geothermal reservoir characterization.