چکیده: چکیده صنعت حفاری به عنوان یکی از فرآیندهای اصلی ارزیابی، اکتشاف و توسعه مخازن نفت و گاز همواره با پیچیدگی‌ها و چالش‌های متعددی مواجه بوده است. زمان‌های غیرمولد یکی از مهم‌ترین مسائلی است که با توجه به گستره وسیع جغرافیایی انجام عملیات حفاری و طبیعت آن، به دلیل وقوع رخدادهای غیرمترقبه، موجب ایجاد تاخیر در روند احداث چاه می‌شود. زمان‌های غیرمولد در عملیات حفاری می‌توانند دلایل و خاستگاه متفاوتی داشته باشند و مخارج مضاعفی به این صنعت تحمیل کنند. از جمله دلایل و رخداد‌هایی که منجر به ایجاد زمان‌های‌ غیرمولد می‌شوند، رخداد‌ها و پدیده‌هایی هستند که به نوعی نقش عوامل ژئومکانیکی در وقوع آن‌ها مشهود است. براین اساس شناسایی، پیش‌بینی و کنترل این رخداد‌ها از اهمیت بسزایی در جهت کاهش هزینه‌ها، افزایش بهره‌وری و ایجاد ارزش افزوده برخوردار است. بنابراین اجرای فرآیند تجزیه، تحلیل و ارزیابی پیش‌گیرانه در کنار بکار‌گیری جدیدترین ابزارها و تکنیک‌های روز، می‌تواند خطرات عملیاتی را به نحو مطلوبی کاهش دهد. لذا در این پژوهش با هدف ارزیابی تاثیر عوامل ژئومکانیکی بر زمان‌های غیرمولد در فرآیند حفاری، پس از شناسایی رخدادهای با منشاء ژئومکانیکی در چاه‌های 83 و 96 میدان منصوری از طریق گزارشات روزانه حفاری، به منظور ایجاد دیدگاه مناسبی از وضعیت مکانیکی چاه‌ها، مدل یک بعدی ژئومکانیکی تهیه گردید. سپس داده‌های مربوط به هر رخداد شامل داده‌های ژئومکانیکی، پتروفیزیکی و نگارگل حفاری، برای هرچاه در یک بانک داده تجمیع شدند. در ادامه با بکار‌گیری ابزار هوش مصنوعی و طراحی شبکه عصبی مبتنی بر الگوریتم‌های تشخیص و پیش‌بینی مشکلات حفاری، مدلی حاصل شد که می‌تواند به نحو مطلوبی رخداد‌های ژئومکانیکی را با دقت و صحت بیش از 80 درصد و تشخیص‌پذیری بیش از 90 درصد، شناسایی و پیش‌بینی نماید که این امر در اتخاذ تدابیر پیشگیرانه و کنترلی و در نتیجه کاهش زمان‌های غیرمولد بسیار حائز اهمیت است.