چکیده: در این پژوهش یک چارچوب یکپارچه برای ارزیابی، پیش‌بینی و بهینه‌سازی در پاک‌سازی چاه در چاه‌های باریک و غیرعمودی ارائه شده است. به دلیل محدودیت فضای حلقوی و شرایط پیچیده هیدرولیکی، این نوع چاه‌ها مستعد تجمع خرده‌حفاری و ته‌نشینی هستند که می‌تواند منجر به افزایش گشتاور و نیروی مقاوم محوری رشته حفاری، کاهش نرخ نفوذ و افزایش زمان‌های غیرمولد شود. در ابتدا با استفاده از داده‌های واقعی حفاری، یک مدل فیزیکی جهت محاسبه شاخص‌های هیدرولیکی حلقوی، شاخص‌های حمل خرده‌حفاری، افت فشار و چگالی معادل گردشی توسعه داده شد و بر اساس آن یک معیار ریسک فیزیکی برای تشخیص وضعیت پاک‌سازی مطلوب و نامطلوب تعریف گردید. سپس با تکیه بر این برچسب‌گذاری، یک مدل یادگیری ماشین از نوع طبقه‌بندی گرادیان بوستینگ مبتنی بر هیستوگرام آموزش داده شد تا احتمال وقوع شرایط پاک‌سازی نامطلوب به صورت لحظه‌ای پیش‌بینی شود. پایداری نتایج مدل با استفاده از تحلیل عدم‌قطعیت مونت‌کارلو و تحلیل حساسیت مورد ارزیابی قرار گرفت که نشان‌دهنده پایداری تصمیم‌ها در برابر نوسانات متعارف ورودی‌ها بود. در ادامه، خروجی مدل به توصیه‌های عملیاتی تبدیل شد و بهینه‌سازی مقید برای نقاط پرریسک انجام گرفت تا مقادیر بهینه پارامترهای کنترلی با رعایت قیود عملیاتی تعیین شود. نتایج حاکی از آن است که دبی سیال و نرخ نفوذ نقش کلیدی در کاهش ریسک پاک‌سازی ایفا می‌کنند و به‌کارگیری تنظیمات پیشنهادی می‌تواند ریسک پاک‌سازی را در بخش قابل توجه‌ای از نقاط بحرانی کاهش دهد. چارچوب ارائه‌شده امکان تبدیل داده‌های حفاری به تصمیم‌های اجرایی قابل اتکا را فراهم کرده و می‌تواند به عنوان یک ابزار تصمیم‌یار در مدیریت ریسک پاک‌سازی چاه‌های باریک مورد استفاده قرار گیرد.