چکیده: گیر رشته ی حفاری، یکی از مشکلات رایج در صنعت حفر چاه های نفت و گاز می باشد. وقوع این پدیده می تواند منجر به بروز مشکلات عدیده ای، از اتلاف وقت و هزینه تا از دست رفتن چاه، شود. در این پژوهش سعی گردید تا با ساخت مدلی، وقوع گیر رشته ی حفاری پیش بینی شود. برای ساخت این مدل از پارامتر های عملیات و سیال حفاری، مربوط به حفر چاه های یکی از میادین عظیم جنوب غربی ایران، استفاده شد. از 973 مجموعه داده، که هر یک شامل پارامتر های مختلف عملیات و سیال حفاری است، 126 مورد مربوط به داده های وقوع گیر رشته ی حفاری و مابقی مربوط به داده های عدم وقوع گیر می-باشند. در این پایان نامه ابتدا داده ها توسط الگوریتم های دسته بندی مانند الگوریتم K نزدیک ترین همسایه و ماشین بردار پشتیبان، بر اساس الگو های گیر و عدم گیر دسته بندی شدند. الگوریتم K نزدیک ترین همسایه 93.6 درصد و ماشین بردار پشتیبان 97 درصد در شناسایی دسته های گیر و عدم گیر موفق بودند. سپس توسط شبکه عصبی پرسپترون چند لایه و سری های زمانی تحت شبکه عصبی، وقوع گیر رشته ی حفاری شناسایی و پیش بینی گردید. از سری زمانی به عنوان یکی از روش های دینامیکی جهت پیش بینی گیر رشته ی حفاری بر اساس داده های روزهای پیشین استفاده شد. شبکه عصبی پرسپترون چند لایه 94.9درصد و سری زمانی 94.2 درصد، گیر و عدم گیر را برای داده های آزمون به درستی پیش بینی نمودند. با اطلاع از احتمال وقوع پدیده ی گیر رشته ی حفاری، امکان جلوگیری از آن به وسیله ی تغییر پارامتر های مؤثر فراهم خواهد شد.