چکیده: حفاری چاه‌های عمیق در شرایط فشار و دمای بالا، به‌دلیل پیچیدگی‌های فنی، محدودیت‌های ایمنی، استهلاک سریع تجهیزات و مصرف قابل‌توجه منابع، از پرهزینه‌ترین عملیات‌های صنعت نفت و گاز به شمار می‌رود. پژوهش حاضر با هدف توسعه یک چارچوب داده‌محور برای پیش‌بینی و بهینه‌سازی هزینه‌های حفاری در این شرایط انجام شده است. در این چارچوب، اثر متغیرهایی شامل نوع مته، نرخ نفوذ، فشار و دمای مخزن، نوع سیال حفاری، نرخ جریان، هزینه مواد مصرفی و پارامترهای هیدرولیکی بررسی شد. پس از گردآوری و پیش‌پردازش داده‌ها، مجموعه داده به دو بخش آموزشی و آزمایشی تقسیم و مدل‌های رگرسیون جنگل تصادفی و پرسپترون چندلایه برای شناسایی روابط غیرخطی میان پارامترهای عملیاتی و شاخص هزینه به کار گرفته شدند. عملکرد مدل‌ها نیز با استفاده از معیارهای ضریب تعیین، میانگین خطای مطلق و ریشه میانگین مربعات خطا ارزیابی شد. نتایج نشان داد هر دو مدل از توانایی مناسبی برای پیش‌بینی تغییرات هزینه حفاری برخوردارند. مدل پرسپترون چندلایه در مجموعه آزمایشی ضریب تعیین ۰٫۹۸۳۲ را ثبت کرد، اما دستیابی به ضریب تعیین یک در مرحله آموزش، احتمال بیش‌برازش و ضرورت ارزیابی بیشتر پایداری مدل را نشان داد. در مقابل، مدل جنگل تصادفی با ضریب تعیین ۰٫۹۴۸۸۵ در آموزش و ۰٫۸۶۸۸۷ در آزمون، تعادل مناسب‌تری میان برازش و قابلیت تعمیم ارائه کرد. نتایج بهینه‌سازی نیز ترکیبی شامل مته PDC، نرخ نفوذ تقریبی ۲۳٫۴۳ متر بر ساعت، فشار مخزن ۴۹۰٫۲۱ بار، دمای ۲۳۳٫۴۸ درجه سانتی‌گراد، سیال حفاری پایه سنتزی و نرخ جریان ۲۱٫۷۱ لیتر بر ثانیه را به‌عنوان یکی از سناریوهای مطلوب شناسایی کرد. بر این اساس، تلفیق مدل‌های یادگیری ماشین با الگوریتم‌های بهینه‌سازی می‌تواند به‌عنوان یک سامانه پشتیبان تصمیم، زمینه کاهش هزینه و زمان عملیات، بهبود انتخاب پارامترهای حفاری و ارتقای ایمنی و پایداری عملیات چاه‌های عمیق را فراهم سازد.