چکیده: تخمین نرخ نفوذ حفاری یکی از عوامل کلیدی در بهبود کارایی عملیات حفاری و کاهش هزینه‌های عملیاتی به شمار می‌رود. در این پژوهش، از روش رگرسیون بردار پشتیبان به عنوان یکی از تکنیک‌های پیشرفته یادگیری ماشین برای توسعه مدلی جهت پیش‌بینی دقیق نرخ نفوذ حفاری در یکی از میادین نفتی جنوب عراق استفاده شده است. این مطالعه بر پایه داده‌های واقعی چهار حلقه چاه نفت انجام شده است. داده‌های چاه‌های 1، 2 و 3 برای آموزش مدل و تعیین پارامترهای بهینه آن مورد استفاده قرار گرفتند، در حالی که داده‌های چاه شماره 4 که در فرآیند آموزش به کار نرفته بود، برای ارزیابی عملکرد مدل و بررسی توانایی آن در پیش‌بینی داده‌های جدید به کار گرفته شد. پیش از توسعه مدل، مجموعه‌ای از مراحل پیش‌پردازش شامل پاک‌سازی داده‌ها، حذف داده‌های پرت و نرمال‌سازی متغیرها انجام شد تا دقت و پایداری مدل افزایش یابد. نتایج نشان داد که مدل رگرسیون بردار پشتیبان توانایی مناسبی در شبیه‌سازی روابط غیرخطی میان پارامترهای عملیاتی حفاری و نرخ نفوذ دارد. این مدل برای داده‌های آموزش ضریب همبستگی حدود 90/0 و برای داده‌های آزمون ضریب همبستگی حدود 92/0 را به دست آورد. همچنین مقادیر پایین شاخص‌های میانگین درصد خطای مطلق و ریشه میانگین مربعات خطا بیانگر دقت مناسب مدل در تخمین نرخ نفوذ حفاری است. بر اساس نتایج حاصل، روش رگرسیون بردار پشتیبان ابزاری کارآمد برای پیش‌بینی نرخ نفوذ حفاری در سازندهای مورد مطالعه محسوب می‌شود و توانایی بالایی در تعمیم‌پذیری و مدل‌سازی روابط پیچیده میان متغیرهای حفاری دارد. بنابراین، استفاده از این روش می‌تواند در بهبود تصمیم‌گیری‌های مهندسی و افزایش بهره‌وری عملیات حفاری نقش مؤثری ایفا کند.