چکیده: با توجه به هزینه های ناشی از سایش ابزار حفاری در پروژه‌های تونل سازی ، نیاز روزافزون به ارائه مدلی جامع و کاربردی برای تخمین و پیش بینی نرخ سایش بیش از پیش احساس شده است. محققان زیادی به دنبال اهمیت موضوع سایندگی و تأثیر آن بر راندمان و زمان حفاری، سعی نموده اند تا با استفاده از مدل‌های تجربی و نیمه تئوری به تخمین و پیش بینی نرخ سایش بپردازند. با توجه به این که این مدل ها در شرایط زمین شناسی خاص توسعه یافته اند و همچنین تأثیرگذاری همه پارامترهای مؤثر بر نرخ سایش در این مدل ها در نظر گرفته نشده است، قابل تعمیم به تمامی شرایط زمین شناسی نیستند. کاستی های این روش ها از یک سو و رشد شاخه علم در زمینه های هوش مصنوعی و شبکه عصبی از سوی دیگر، محققین را به استفاده و بررسی کاربرد این روش نسبت به روش های پیشین سوق داده است. شبکه های عصبی در زمانی که ارتباط بین پارامترهای ورودی و خروجی یک کمیت مشخص نباشد ایده خوبی برای مدل سازی به شمار می رود. در این پژوهش به بررسی تأثیر پارامترهای سنگ و ماشین بر مدل های پیش-بینی عمر دیسک کاتر (CSM،NTNTU و Gehering) پرداخته شده است. نتایج حاصل نشان از تأثیرگذاری متفاوت هر یک از این پارامترها بر مدل‌های سایش دیسک کاتر دارد که نشان‌دهنده اهمیت انتخاب مدلی مناسب با توجه به شرایط زمین شناسی منطقه است. در ادامه با استفاده از روش شبکه عصبی به ارائه مدلی برای تخمین و پیش بینی عمر دیسک کاتر و مقایسه ی آن با سایر مدل های متداول پیش بینی عمر دیسک کاتر پرداخته شده است. پس از تعیین پارامترهای مؤثر بر نرخ سایش و ایجاد ساختار مناسب شبکه عصبی به پیش بینی نرخ سایش در تونل های انتقال آب اوما اویا و کرمان پرداخته شده است. با توجه به ضریب تعیین بالای 6/0 و میانگین خطای به‌دست‌آمده برای مدل شبکه عصبی و مقایسه ی آن با روش های CSM، NTNTU و Gehering نشان ازکارایی مناسب شبکه عصبی در پیش بینی میزان نرخ سایش دیسک کاتر در تونل هایی با کلاس سایندگی بالا دارد. اما در تونل های با کلاس سایندگی کم نیازمند بررسی بیشتری است.