چکیده: چکیده حفر چاه های هیدروکربنی از پرهزینه ترین عملیات در حوزه نفت و گاز است . یکی از مهمترین پارامترهای موثر بر آن ، میزان نرخ نفوذ می باشد . نرخ نفوذ را می توان به عنوان یک عامل مهم در بهینه سازی و به حداقل رساندن هزینه و همچنین پیشروی عملیات حفاری در زمان کوتاه تر مد نظر قرار داد . با توسعه تکنولوژی ، استفاده از هوش مصنوعی و یادگیری ماشین در حوزه حفاری و به ویژه تخمین نرخ نفوذ اهمیت زیادی پیدا کرده است . دراین تحقیق برای پیش بینی نرخ نفوذ ، بهینه سازی و یافتن ارتباط بین آن وسایر پارامترهای دیگر داده از یادگیری ماشین استفاده شده است . به منظور پیش بینی نرخ نفوذ مدل هایی بر اساس سه الگوریتم نزدیک ترین همسایگی (KNN) ، ماشین بردار پشتیبان (SVM ) و درخت تصمیم (DT) ساخته می شود . برای دستیابی به این هدف ، داده‌ های 4 حلقه از چاه های حفاری جهت دار در میدان گازی پارس جنوبی دربخش رسوبی زاگرس که شامل دو مخزن کنگان و دالان می باشد به عنوان داده های ورودی استفاده شده است . سه مدل از الگوریتم های پیش بینی را بر اساس چندین معیار ارزیابی می‌کنیم . دقت مدل های ساخته شده با یکدیگر مقایسه می شوند . برای بررسی نتایج از طریق 5 شاخص اندازه گیری خطا استفاده شده است . درمرحله بعد از الگوریتم ازدحام جمعیت یا (PSO) به جهت بهینه سازی نرخ نفوذ استفاده می شود . این بهینه سازی از توابع غیر خطی تبعیت می کند . بعد از وارد نمودن داده یا پیش پردازش ورودی ها از 100درصد داده 95 درصد به آموزش ،4درصد به میزان اعتیار سنجی و 1 درصد آن به آزمایش اختصاص داده می شود . درنهایت به بررسی تابع هزینه که بیانگر بهترین نقاط بهینه است پرداخته می شود . برای مقایسه ارتباط بین نرخ نفوذ با سایر پارامترهای داده هم از ماتریس همبستگی استفاده شده است . در همگی موارد ذکر شده داده های مورد استفاده دو مورد می باشد از داده اول با 15ورودی و در داده دوم با 22 ورودی مواجه هستیم . بعد از وارد شدن به فضای نرم افزار و نرمال سازی بین صفر و یک با توجه به کد های هر الگوریتم هر مورد پیش پردازش می شوند و به منظور فهم بهتر نتایج نمودارها رسم و سپس به تفسیر هریک می پردازیم . در بحث پیش بینی با مقایسه نتایج حاصل از شاخص های اندازه گیری خطای الگوریتم های نام برده برمبنای درصد های حاصل از هرمورد در قالب جداول ارزیابی مقایسه انجام می شود و آن مدل برتر به عنوان الگوی منتخب خواهد بود . در بخش بهینه سازی مقدار نرخ حفاری برای بیشینه نمودن نسبت به 21 پارامتر داده ارزیابی و بهترین مقدار از تابع هزینه برابر 0032314/0 می باشد . در آخرین بخش هم مقادیر موجود درماتریس نشان از ارتباط پارامتر نرخ نفوذ حفاری با پارامتر های موجود دارد که اگر مقدار به دست آمده بین دو پارامتر مثبت باشد یعنی میزان افزایش یک مورد باعث روند افزایشی مدل دیگر و اگر ارتباط منفی باشد یعنی در جهت عکس هم به عبارتی با افزایش یک مقدار به همان میزان کاهش مقدار دیگری یا پارامتر دوم را شاهد خواهیم بود .