چکیده: ثابت‏های الاستیک سنگ مانند مدول یانگ و نسبت پواسون بر پایداری چاه، برآورد تنش‌های برجا، عملکرد حفاری و طراحی شکست هیدرولیکی تأثیر می‌گذارند. به‌طور معمول، برآورد این ثابت‏های الاستیک نیاز به آزمایش‌های مکانیک سنگ یا داده‌های به‌دست‌آمده از نگارهای صوتی و چگالی دارد. در این مطالعه، یک روش جایگزین با استفاده از پارامترهای حفاری مانند وزن روی مته، نرخ نفوذ و گشتاور و یادگیری ماشین ارائه شده است. اهمیت این رویکرد این است که پارامترهای حفاری به احتمال زیاد در دسترس هستند و می‌توانند در طول عملیات حفاری به‌صورت لحظه‏ای و بدون هزینه اضافی جمع‌آوری شوند. داده‌های استفاده شده در این مطالعه بر اساس نقاط داده‏های واقعی حاصل از دو چاه جمع‌آوری شده است. مجموعه داده‌های چاه 2 با 1717 نقاط داده برای آموزش و آزمون مدل‌ها استفاده شد که داده‌ها به 80 درصد آموزش و 20 درصد آزمون تقسیم شدند و از مجموعه داده‌های دیده نشده چاه 6 با 1355 نقاط داده برای ارزیابی استفاده شد. پس از پیش‌پردازش داده‌ها چهار ویژگی وزن روی مته، وزن گل، نرخ نفوذ و چرخش رشته حفاری به عنوان ورودی برای تخمین مدول یانگ استفاده گردید. همچنین برای تخمین نسبت پواسون، ویژگی‏های وزن روی مته، نرخ نفوذ، گشتاور و نرخ جریان به‌عنوان ورودی‌ مدل‌ انتخاب شدند. ارزیابی فراپارامترها نشان داد که شبکه عصبی مصنوعی با 1 لایه پنهان، 24 نرون، ReLU به عنوان تابع فعال‌سازی و Adam به عنوان تابع آموزشی و جنگل تصادفی با تعداد درختان 200، حداکثر عمق درخت 10، حداقل تعداد نمونه برای تقسیم یک گره 5 و حداقل تعداد نمونه در یک گره برگ 2، بهترین مدل‌ها برای تخمین مدول یانگ می‌باشند. همچنین بهترین مدل‌ها برای تخمین نسبت پواسون در شبکه عصبی مصنوعی با 2 لایه پنهان، 24 نرون، ReLU به عنوان تابع فعال‌سازی و Adam به عنوان تابع آموزشی و در جنگل تصادفی با تعداد درختان 200، حداکثر عمق درخت 20، حداقل تعداد نمونه برای تقسیم یک گره 10 و حداقل تعداد نمونه در یک گره برگ 4 می‌باشند. مدول یانگ در چاه ارزیابی با شبکه عصبی مصنوعی و جنگل تصادفی به ترتیب با ضریب تعیین 93/0 و 88/0 و ریشه میانگین مربعات خطا 81/2 و 52/3 تخمین زده شد. نسبت پواسون در چاه ارزیابی با شبکه عصبی مصنوعی و جنگل تصادفی به ترتیب با ضریب تعیین 91/0 و 86/0 و ریشه میانگین مربعات خطا 0062/0 و 0078/0 تخمین زده شد. نتایج نشان داد که روش شبکه عصبی مصنوعی نسبت به جنگل تصادفی عملکرد بهتری داشت. بنابراین، در این مطالعه مدل شبکه عصبی مصنوعی با ضریب تعیین بیشتر و ریشه میانگین مربعات خطا کمتر نسبت به جنگل تصادفی عملکردی بهتری در تخمین مدول یانگ و نسبت پواسون نشان داد.