چکیده: برآورد نرخ نفوذ (ROP) به‌عنوان یکی از شاخص‌های اساسی در عملیات حفاری شناخته می‌شود، زیرا نقش مستقیمی در افزایش کارایی حفاری و کاهش هزینه‌های کلی عملیات دارد. در این پژوهش، یکی از تکنیک‌های هوش مصنوعی یعنی شبکه عصبی مصنوعی (ANN) در کنار مدل سنتی مبتنی بر فیزیک به‌کار گرفته شد و همچنین یک مدل ترکیبی توسعه داده شد که هر دو رویکرد را با یکدیگر ادغام می‌کند. هدف از این ترکیب، دستیابی به پیش‌بینی‌های قابل‌اعتمادتر و با دقت بالاتر برای نرخ نفوذ است. داده‌های مورد استفاده برای توسعه مدل‌ها بر اساس داده‌های واقعی میدانی به‌دست‌آمده از چهار چاه واقع در جنوب عراق هستند. داده‌های چاه‌های ۱، ۲ و ۳ برای آموزش مدل‌ها استفاده شدند، در حالی که داده‌های چاه ۴ — که در مرحله آموزش وارد نشده بود — برای ارزیابی مدل و بررسی عملکرد آن در شرایط ناشناخته مورد استفاده قرار گرفت. پیش از مرحله مدل‌سازی، فرایند پیش‌پردازش جامع داده‌ها انجام شد که شامل پاک‌سازی داده‌ها، حذف داده‌های پرت و نرمال‌سازی بود تا نتایجی پایدار و دقیق حاصل شود. یافته‌ها نشان داد که مدل ترکیبی، که تلفیقی از مدل مبتنی بر فیزیک و شبکه عصبی مصنوعی است، بهترین عملکرد پیش‌بینی را ارائه داد و برای داده‌های آزمون ضریب همبستگی 0.94 را به دست آورد. شبکه عصبی مصنوعی به‌تنهایی نیز توان پیش‌بینی قابل‌توجهی نشان داد و در برآورد نرخ نفوذ سازند مورد مطالعه ضریب همبستگی 0.93 را کسب کرد. بنابراین می‌توان نتیجه گرفت که ادغام دانش مبتنی بر فیزیک با تکنیک‌های هوش مصنوعی به‌طور چشمگیری دقت پیش‌بینی را افزایش داده و قابلیت اعتماد نتایج را در مقایسه با استفاده مستقل از هر یک از این رویکردها بهبود می‌بخشد.