Был проведен обзор литератур по методам машинного обучения, и выбраны регрессоры случайный лес, градиентное улучшение и опорных векторов. Были подготовлены около 300 мини-образцы путем вырезания из образцов более крупного размера и рассчитаны их характеристики с помощью поросетевого моделирования. В мини-образцах, у которых расход кислотного раствора при закачке составил 4 мл/мин, было замечено увеличение количества пор и с большими и с меньшими радиусами. Наибольшие изменения произошли в средних радиусах пор (74%) и горловины пор (37%), связанной пористости (34%) и средней удельной площади поверхности твердого скелета (19%) мини-образцов №1, 3 и 4 которые привели к значительному росту их абсолютной проницаемости (2,5-65 раз). А для мини-образца №2, практически все параметры и их распределения мало изменились. Растворение породы значительно повлияло на распределение пор по размерам. Практически для обоих кислотного раствора и значении расхода закачки, в распределении пор по размерам ярко стало выражаться двухгорбовый закон в результате растворения. Результаты показали, что коэффициент достоверности прогноза для регрессора RF превышает 90% при распределении данных в соотношении 60/40. А максимальные коэффициенты достоверности прогноза у регрессора SV и GB составили 62% и 87%, соответственно. Новизна исследовании связана с построением прогнозной модели на основе машинного обучения с учетом эффекта растворения породы на характеристики пористой среды в масштабе пор.