چکیده: نرخ نفوذ که به عنوان سرعت مورد نیاز برای شکستن سنگ حفر شده توسط مته تعریف می‏شود، یک پارامتر حیاتی برای بهینه‏سازی حفاری چاه نفت و هزینه کل حفاری محسوب می‏شود. در این تحقیق، سه مدل هوش مصنوعی شبکه عصبی مصنوعی، رگرسیون بردار پشتیبان و جنگل تصادفی برای تخمین نرخ نفوذ از روی داده‌های حفاری استفاده شد. داده‏های مورد استفاده برای ساخت مدل‏ها بر اساس نقاط داده‏های میدانی واقعی به دست آمده از 9 چاه در جنوب ایران است. داده‎های چاه 1، چاه 2، چاه 3، چاه 4، چاه 5 و چاه 6 برای آموزش و آزمایش مدل‏ها استفاده شد و داده‏ها به % 70 آموزش و % 30 آزمایش تقسیم شدند. برای ارزیابی تخمین نرخ نفوذ در زمان واقعی از مجموعه داده‌های دیده نشده چاه 7، چاه 8 و چاه 9 برای اعتبارسنجی استفاده شد. پس از پیش‏پردازش و حذف داده‏های پرت شش ویژگی دبی، وزن روی مته، فشار لوله ایستا، عمق، گشتاور و چرخش رشته حفاری به عنوان ورودی برای تخمین نرخ نفوذ استفاده شد. آنالیز حساسیت نشان داد که شبکه عصبی مصنوعی با 1 لایه، 29 نورون، tan-sigmoid به عنوان تابع انتقال و trainlm به عنوان تابع آموزشی، رگرسیون بردار پشتیبان با فراپارامترهای lambda در محدوده 10-1 تا 5-10 و اپسیلون از 5-10 تا 1 و توابع کرنل و توابع هسته Gaussuia و جنگل تصادفی با 300 درخت تصمیم و فراپارامتر Bootstrap به عنوان فراپارامتر بهینه و از الگوریتم bagging بهترین مدل ها برای تخمین نرخ نفوذ هستند. نرخ نفوذ در سه مدل شبکه عصبی مصنوعی، رگرسیون بردار پشتیبان و جنگل تصادفی به ترتیب با میانگین درصد خطای مطلق % 01/5، % 79/5، % 7/9 و ضریب همبستگی 93/0، 92/0، 90/0 در داده‏های سه چاه اعتبارسنجی (7، 8 و 9) تخمین زده شد. بنابراین، در این تحقیق شبکه عصبی مصنوعی با میانگین درصد خطای مطلق کمتر، ضریب همبستگی بیشتر و میانگین ریشه مربعات خطا کمتر نسبت به مدل‏های رگرسیون بردار پشتیبان و جنگل تصادفی عملکرد بهتری در تخمین نرخ نفوذ نشان داد.