چکیده: پارامترهای رئولوژیکی گل حفاری، شامل ویسکوزیته پلاستیک و نقطه تسلیم، از مهم‌ترین ویژگی‌های سیال حفاری هستند که نقش تعیین‌کننده‌ای برای بهینه‏سازی حفاری چاه نفت و هزینه کل حفاری دارند. در این تحقیق، مدل هوش مصنوعی شبکه عصبی مصنوعی و برای تخمین لحظه‌ای پارامترهای رئولوژیکی بر اساس داده‌های عملیاتی حفاری مورد استفاده قرار گرفت. داده‌های این پژوهش از نقاط میدانی واقعی مربوط به ۷ حلقه چاه در جنوب ایران استخراج شد. داده‌های چاه‌های ۱، ۲، ۴ و ۵ پس از تقسیم‌بندی به 7۰٪ آموزش و 3۰٪ آزمون برای توسعه و ارزیابی اولیه مدل‌ها به‌کار رفت و داده‌های دیده‌نشده چاه‌های ۳، ۶ و ۷ جهت اعتبارسنجی تخمین لحظه‌ای پارامترهای رئولوژیکی استفاده شد. پس از پیش‌پردازش و حذف مقادیر پرت، با توجه به نقش کلیدی خواص رئولوژیکی در کنترل فشار سازند، انتقال خرده‌ها، پایداری دیواره چاه و عملکرد هیدرولیکی، و نیز محدودیت روش‌های سنتی و مدل‌های پیش‌بینی موجود، عمق قائم واقعی، وزن گل، ویسکوزیته قیف مارش، pH، سختی، درصد مواد جامد و غلظت کلراید به‌عنوان ورودی مدل برای تخمین ویسکوزیته پلاستیک و نقطه تسلیم مورد استفاده قرار گرفتند. در مدل شبکه عصبی مقدار ضریب تعیین برای پیش‌بینی ویسکوزیته پلاستیک در مراحل آموزش، آزمون و اعتبارسنجی به‌ترتیب 9616/0، 9399/0 و 9095/0 و برای نقطه تسلیم به‌ترتیب 9794/0، 9519/0 و 9204/0 به‌دست آمد. مقادیر پایین شاخص‌های خطا در تمامی مراحل، بیانگردقت، پایداری عملکرد و قابلیت تعمیم مطلوب مدل توسعه‌یافته در پیش‌بینی لحظه‌ای پارامترهای رئولوژیکی گل حفاری است.