La modelización numérica para la ingeniería de reservorios geotérmicos es un proceso crucial para evaluar el rendimiento del reservorio y desarrollar estrategias para el futuro desarrollo. Las ecuaciones que rigen los modelos de reservorios geotérmicos consisten en varios parámetros constitutivos, y cada parámetro se asigna a un gran número de rejillas de simulación. Por lo tanto, las combinaciones de parámetros que necesitamos estimar son casi ilimitadas. Aunque se han desarrollado varios algoritmos de análisis inverso, determinar los parámetros constitutivos en el modelo de reservorio sigue siendo una cuestión de estimación por prueba y error en la práctica real, y se basa en gran medida en la experiencia del analista. Hay varios parámetros que controlan los procesos hidrotermales en la modelización de reservorios geotérmicos. En este estudio, como un desafío inicial, nos enfocamos en la permeabilidad, que es uno de los parámetros más importantes para la modelización. Proponemos un método basado en aprendizaje automático para estimar distribuciones de permeabilidad utilizando datos medibles. Se preparó una gran cantidad de datos de aprendizaje mediante un simulador de reservorio geotérmico capaz de calcular distribuciones de presión y temperatura en el estado natural con diferentes distribuciones de permeabilidad. Se aplicaron varios algoritmos de aprendizaje automático (es decir, regresión lineal, regresión de cresta, regresión Lasso, regresión de vectores de soporte (SVR), perceptrón multicapa (MLP), bosque aleatorio, aumento de gradiente y el algoritmo de k-vecinos más cercanos) para aprender la relación entre la permeabilidad y las distribuciones de presión y temperatura. Al comparar la importancia de las características y las puntuaciones de las estimaciones, el bosque aleatorio utilizando diferencias de presión como variables características proporcionó la mejor estimación (la puntuación de entrenamiento de 0.979 y la puntuación de prueba de 0.789). Dado que se aprendió independientemente de las rejillas y ubicaciones, se espera que este modelo sea generalizable. También se encontró que la estimación es posible hasta cierto punto, incluso para diferentes condiciones de fuente de calor. Este estudio es una demostración exitosa del primer paso para lograr el objetivo de una nueva ingeniería de reservorios geotérmicos impulsada por datos, que se desarrollará y mejorará con el conocimiento de la ciencia de la información.