چکیده: عملیات حفاری یکی از پر هزینه ترین فعالیت ها در صنعت بالادستی نفت است. همواره کاهش هزینه های عملیات حفاری مورد توجه صنعت بوده است. زمان، به عنوان یکی از موثر ترین فاکتور ها در افزایش هزینه های حفاری شناخته می شود. اکثر هزینه های مرتبط با حفاری از جمله هزینه های پرسنلی، اجاره دکل حفاری، حمل و نقل و تغذیه به طور مستقیم با افزایش زمان در حفر یک چاه افزایش می یابد. عواملی از قبیل: از دست دادن مته درون چاه، کاهش نرخ نفوذ، مانده یابی، تغییر مسیر چاه به دلیل از دست رفتن مسیر اصلی، گیر لوله های حفاری به دلیل اختلاف فشار نیز از جمله عوامل تاثیر گذار در تاخیر عملیات حفاری مد نظر قرار می گیرند. روش سنتی کنترل شرایط فرسایش مته نیازمند متوقف کردن عملیات حفاری و بیرون راندن مته می باشد. توقف عملیات حفر چاه و بیرون کشیدن مته مستلزم صرف زمان و هزینه است. از طرفی ادامه حفاری توسط مته هایی با قدرت برندگی کم، موجب بیشتر شدن زمان حفر متراژ مشخصی از چاه و در نهایت نرخ نفوذ حفاری خواهد شد. ارائه مدلی مبتنی بر تجربیات مته های استفاده شده در چاه های مجاور، برای آگاهی از شرایط مته در حین حفاری کمک شایانی به مهندسین حفار خواهد کرد. در این پایان نامه مدل های جدیدی براساس سیستم استنتاج تطبیقی فازی - عصبی و مدل شبکه عصبی طبقه بندی با به کارگیری الگوریتم ژنتیک به عنوان الگوریتم بهینه ساز در پیش بینی درجه فرسایش مته ارائه می شود. مدل های مدنظر سعی دارد، علاوه بر طرف کردن محدودیات مدل های گذشته، مقایسه ای بین منطق فازی و شبکه عصبی مصنوعی داشته باشد. داده های عملیات حفاری به دست آمده از سی چاه حفر شده در یک میدان جمع آوری شده است. پارامتر های تبت مته ازجمله: نوع مته، عمق ورودی مته، عمق خروجی مته، زمان حفاری مته، نرخ نفوذ حفاری، وزن روی مته، سرعت چرخش مته و دبی گل، به عنوان ورودی های مدل و درجه فرسایش مته به عنوان خروجی معرفی می شود. دستیابی به ضریب همبستگی داده های آزمون 0/96444 برای مدل شبکه عصبی – الگوریتم ژنتیک در طبقه بندی خروجی های شبکه، و ضریب همبستگی 0/97841 برای مدل استنتاج تطبیقی فازی – عصبی، کارآمدی این دو مدل را در تعیین درجه فرسایش مته نشان می دهد.