چکیده: عملیات حفاری یکی از گران ترین فرآیندها در صنعت نفت و گاز است و بهینه‌سازی در آن، به‌ویژه کاهش برخی موارد چون نرخ سایش مته، نقشی مهم در افزایش بهره‌وری و کاهش هزینه‌های عملیاتی ایفا می‌کند. سایش مته تحت تأثیر ترکیبی پیچیده از پارامترهای زمین‌شناسی و عملیاتی قرار دارد که مدل‌سازی دقیق آن را چالش‌برانگیز می‌سازد. این پژوهش با هدف توسعه یک مدل پیش‌بینی کارآمد برای نرخ سایش مته، با تمرکز بر تأثیر پارامترهای ژئومکانیکی سازندها، انجام شده است. در این تحقیق، ابتدا با استفاده از داده‌های حفاری و لاگ‌های پتروفیزیکی، مدل‌سازی ژئومکانیکی یک‌بعدی که مستخرج از یکی از میادین نفتی جنوب ایران است صورت گرفته که شامل داده های حفاری و لاگ های پتروفیزیکی دو چاه در میدان ذکر شده است. این مدل‌سازی امکان استخراج و محاسبه پارامترهای کلیدی ژئومکانیکی نظیر تنش‌های برجا، مدول الاستیسیته، مقاومت فشاری سازند، فشار منفذی، و مقاومت فشاری محصور را فراهم آورده است. این پارامترها، که نمایانگر خواص مکانیکی سنگ‌ها در عمق هستند، به عنوان ورودی‌های اساسی برای مدل‌های یادگیری ماشین در نظر گرفته شده‌اند. به‌منظور پیش‌بینی دقیق نرخ سایش مته، از روش‌های پیشرفته یادگیری ماشین شامل شبکه‌های عصبی مصنوعی، جنگل تصادفی و الگوریتم ایکس جی بوست استفاده شده است. این الگوریتم‌ها به دلیل توانایی‌شان در شناسایی الگوهای پیچیده و غیرخطی در داده‌ها، برای مدل‌سازی روابط میان پارامترهای ژئومکانیکی و نرخ سایش مته انتخاب شده‌اند. عملکرد مدل‌ها با معیارهای استاندارد ارزیابی شده و دقت هر کدام از مدل ها در پیشبینی نرخ سایش بیشتر از 80 درصد و ضرایب خطای آنان پایین بوده و نتایج نشان‌دهنده قابلیت روش‌ها در پیش‌بینی سایش مته است. با توجه به یافته‌های این پژوهش، استفاده از مدل ایکس جی بوست نسبت به دو مدل دیگر نتایج بهتری داشته است و استفاده از این مدل می تواند درک بهتری از تأثیر پارامترهای ژئومکانیکی بر نرخ سایش مته ارائه داده و مدلی کاربردی برای پیش‌بینی دقیق فراهم می‌آورد. این مدل می‌تواند به مهندسان حفاری در بهینه‌سازی پارامترهای عملیاتی، انتخاب مؤثرتر مته، کاهش توقف‌های برنامه‌ریزی نشده و در نهایت کاهش هزینه‌های حفاری کمک کند.