چکیده: سرمته ها به عنوان یکی از مهم ترین قسمت های حفاری در فرآیندهای عملیاتی، با توجه به نوع کاربرد و هزینه های بالای تمام شده از اهمیت بسیار بالایی برخوردار است. سایش و فرسودگی این ابزار، پارامتر مهمی برای برآورد کارایی تجهیزات حفاری در پروژه‌های معدنی است. بررسی پارامترهای مؤثر بر سایش سرمته ها می تواند با کاهش اثرات سایش، از هدر رفتن زمان و هزینه های اضافی وارد بر فرآیند حفاری جلوگیری نماید. لذا در این تحقیق به منظور پیش بینی سایش سرمته های سه مخروطی دورانی از روش‌های آماری و یادگیری عمیق استفاده شده است. در بخش اول ابتدا سایش سرمته‌های سه‌مخروطی دورانی از طریق افت وزنی، افت ابعادی و افت حجمی محاسبه شده است و با تعیین پارامترهای موثر بر اساس نتایج برازش تک متغیره و تحلیل مؤلفه‌ای اصلی (PCA)، ارتباط بین این عوامل و سایش سرمته‌های سه‌مخروطی دورانی از طریق روش آماری تعیین شده است. در این تحقیق، برای پیش بینی مقدار سایش سرمته‌های سه‌مخروطی دورانی 21 مدل که شامل 6 مدل خطی و 15 مدل غیرخطی است مورد تایید واقع شده است. همچنین به علت پیشرفتهای اخیر استفاده از یادگیری عمیق در زمینه بینایی رایانه و عملکرد مناسب این روش ها، در بخش دوم تحقیق از یادگیری عمیق برای پیش‌بینی سایش سرمته‌های سه‌مخروطی دورانی استفاده شده است. با توجه به تعداد پایین تصاویر عکس‌برداری شده از سرمته‌های حفاری و عدم وجود تعادل در توزیع تصاویر از یادگیری انتقالی بر اساس ویژگی های استخراج شده از آموزش بر روی مجموعه داده بزرگ ImageNet استفاده شده است. سپس معماری VGG با 16 لایه با توجه به عملکرد مناسب در مجموعه اعتبارسنجی و آزمون به عنوان معماری مناسب انتخاب شده است. در ادامه به علت ابعاد و تعداد نگاشت‌های بالای ویژگی های استخراج شده بر اساس PCA تعداد 35 ویژگی برای پیش-بینی مجموعه آزمون مورد استفاده قرار گرفته است. در انتها برای پیش‌بینی میزان سایش سرمته‌های سه‌مخروطی دورانی از مدل‌های مبتنی بر یادگیری ماشین بر پایه رگرسیون استفاده شده است. لازم به ذکر است که عملکرد مدل های آماری و یادگیری عمیق بر اساس معیارهای ارزیابی چهارگانه، مورد بررسی قرار گرفته است. سپس با استفاده از سه استراتژی اولویت بندی میانگین رتبه ها، روش بردا و روش کپ لند و در نهایت ادغام این روش‌ها، اولویت بندی مدل ها انجام شده است. ادغام رتبه بندی ها در مدل های آماری نشان می دهد که بهترین مدل پیش بینی سایش سرمته‌های سه‌مخروطی دورانی مدل رگرسیون غیرخطی است که در آن متغیرهای مستقل شامل بار روی سرمته (WOB)، مقاومت فشاری تک محوری (UCS) و شاخص مقاومت زمین‌شناسی (GSI) است. همچنین بر اساس نتایج عملکرد بدست آمده از رتبه‌بندی مدل‌های پیش‌بینی یادگیری ماشین، رگرسیون فرایند گوسی (GPR) به عنوان بهترین مدل پیش‌بینی سایش سرمته‌های سه‌مخروطی دورانی انتخاب شده است.