چکیده: گیر رشته حفاری یکی از مشکلات جدی و پرهزینه در عملیات حفاری چاه‌های نفت و گاز است که منجر به تأخیر در پروژه، آسیب به تجهیزات و افزایش قابل توجه هزینه‌ها می‌شود. در حالی که تحقیقات برای درک مکانیزم‌های این پدیده از دهه ۱۹۴۰ میلادی آغاز شده و به طور مداوم تکامل یافته است، این پژوهش با بهره‌گیری از رویکردهای نوین داده‌محور، گامی جدید در این مسیر برمی‌دارد. هدف این تحقیق، توسعه یک سیستم هوشمند مبتنی بر یادگیری ماشین انجام گرفت تا نوع و احتمال وقوع این پدیده را به صورت لحظه‌ای پیش‌بینی کرده و جهت تصمیم‌گیری سریع، در پنل حفار نمایش دهد. منطقه مورد مطالعه، یکی از میادین نفتی فعال در جنوب کشور است که داده‌های عملیاتی آن از ۲۸ حلقه چاه جمع‌آوری شده است. این داده‌ها شامل گزارش‌های روزانه حفاری و داده‌های نگارگل بودند که داده‌های نگارگل به دلیل تفکیک‌پذیری بالا، پتانسیل بیشتری برای مدل‌سازی دقیق الگوهای منجر به گیر را ارائه دادند. همچنین برای رفع چالش نبود برچسب نوع گیر در داده‌ها، از الگوریتم خوشه‌بندی استفاده شد که توانست رویدادهای گیر را به سه دسته: هندسه چاه، اختلاف فشاری و بسته شدن چاه تفکیک کند. مدل‌های توسعه یافته برای پیش‌بینی احتمال وقوع (دو حالته)، بهترین عملکرد را با مدل ماشین بردار پشتیبان با هسته گوسی کلی نگر و فراخوانی 93 درصد برای کلاس گیر نشان داد. در پیش‌بینی نوع گیر (چند حالته)، مدل ماشین بردار پشتیبان خطی با دقت کلی ۹8 درصد به عنوان مدل برتر معرفی شد. نتیجه‌گیری کلی نشان داد که کاربرد این مدل‌ها در صنعت، امکان اتخاذ اقدامات پیشگیرانه را قبل از وقوع فاجعه فراهم می‌کند. اگرچه دقت نهایی مدل‌ها تحت تأثیر نبود اطلاعات ژئومکانیکی و پتروفیزیکی و کمبود داده‌های نگارگل محدود شد، اما پایه محکمی برای ارتقاء ایمنی و کارایی عملیات حفاری فراهم شد.