چکیده: عملیات حفاری فرآیندی دشوار و پرهزینه می‌باشد که می توان به مشکلات و دشواری‌هایی نظیر فوران چاه های نفت و گاز، هرزروی‌های شدید گل حفاری، بریدن رشته ی حفاری و گیر لوله های حفاری اشاره کرد و هدف از این تحقیق افزایش دقت در تخمین هرزروی سیال حفاری است. همچنین هرزروی گل حفاری سبب افزایش هزینه‌ها، افزایش زمان عدم حفاری دکل و آسیب به سازندهای مخزنی می‌شود. در این پایان نامه سعی گردیده است تا با استفاده از مدلسازی توسط شبکه های عصبی مصنوعی پرسپترون چندلایه، میزان هرزروی سیال حفاری را در جریان حفاری یکی از چاه های میدان نفتی آزادگان به دست آورد. در استفاده از شبکه عصبی مصنوعی داده های 14 پارامتر به عنوان ورودی و هرزروی گل حفاری به عنوان پارامتر هدف انتخاب گردید. پارامتر های مورد بررسی عبارتند از: عمق چاه، متراژ حفاری در روز، زمان حفاری در روز، دبی گل ورودی به چاه، فشار استند پایپ، وزن گل، درصد جامدات موجود در گل، مقاومت ژلاتینی گل در 10 ثانیه، مقاومت ژلاتینی گل در 10 دقیقه، نقطه تسلیم گل، گرانروی گل، قطر مته، طول قسمت حفره باز، نرخ نفوذ میانگین در روز و حجم میانگین هرزروی گل در روز. جهت آموزش شبکه از 70 درصد داده ها استفاده شد. 15 درصد از داده ها جهت ارزیابی و 15 درصد باقی مانده نیز جهت تست شبکه استخراج شده استفاده شدند. شبکه ای پیش خور به نام Lossnet با مشخصاتی طبق تابع آموزش TRANLIM و تابع عملکرد MSE، طراحی شده و با ساختاری شامل 1 لایه پنهان و 10 نرون برای پردازش اطلاعات ورودی و هدف ساخته شد. در نتایج به دست آمده از مدلسازی شبکه مشاهده گردید که ضریب همبستگی شبکه در مراحل آموزش مقدار 93/0 و در مرحله تست برابر 85/0 می باشد که نشان از دقت بالای شبکه در پیش بینی مقدار هرزروی سیال دارد. خطای % 6/7 شبکه در عدم انطباق نسبت به داده های واقعی نیز حاصل شده است.