استفاده از هوش مصنوعی جهت پیش‌بینی مقدار هرزروی سیال حفاری در میدان نفتی مارون امروزه به دلیل نیاز روز افزون بشر به انرژی، شرکت¬های نفتی مجبور شده¬اند که چاه¬های عمیق¬تر و زیادتری را حفر کنند و این به معنی صرف مدت زمان زیادتر برای حفاری چاه و عبور از سازندهای مختلف با خصوصیات متفاوت جهت رسیدن به مخزن نفتی مورد نظر می¬باشد. از آنجا که قسمت اعظم هزینه نهایی یک چاه مربوط به حفاری آن می¬باشد، داشتن برنامه¬ای مدون جهت صرف کمترین زمان ممکن برای حفاری بسیار حیاتی به نظر می¬رسد. در حین حفاری مشکلات زیادی ممکن است سبب انحراف عملیات از برنامه زمانی مورد نظر شوند که از این جمله می¬توان به هرزروی و گیر لوله¬ها اشاره کرد. گیر لوله¬ها عموما مربوط به زمان بعد از هرزروی¬های شدید می¬باشند. هرزروی سیال حفاری یکی از مشهودترین مشکلات حفاری می¬باشد که هزینه زیادی را به شرکت¬های نفتی تحمیل می¬کند. این پدیده از زمان شروع حفاری شروع شده و تا هنگام جداره¬گذاری ادامه می¬یابد. هرزروی از مقادیر کم تا بسیار شدید ممکن است اتفاق بیفتد که در نهایت می¬تواند منجر به گیر لوله¬ها یا فوران چاه گردد. آزاد کردن گیر لوله¬ها، ممکن است ساعت¬ها و یا حتی هفته¬ها از زمان دکل را هدر دهد. بنابراین داشتن اطلاعات دقیق از میزان سیال برگشتی به سطح و ثبت میزان هرزروی می¬تواند کمک شایانی به جلوگیری از مشکلات عدیده در حین حفاری کند. هرزروی گل حفاری تابع عوامل بسیار زیادی می¬باشد که مدل کردن همه آن¬ها بصورت تحلیلی ممکن است بسیار مشکل باشد. بنابراین استفاده از تکنیک¬های هوش مصنوعی که توانایی زایدالوصفی در شبیه¬سازی فرایند¬های پیچیده دارند، بسیار مؤثر به نظر می¬رسد. در این تحقیق سعی بر اینست که با توجه به داده¬های حفاری موجود در میدان نفتی مارون، میزان هرزروی را تخمین زد. پیش¬بینی¬های حاصل از شبکه عصبی سازگاری بسیار خوبی با میزان هرزروی واقعی موجود در گزارش¬های روزانه حفاری نشان می¬دهد. Nowadays, huge human needs for energy forced petroleum and drilling companies to drill deeper into the earth which means spending more time on drilling and passing through numerous layers with different layer characteristics to hit the target. Since major part of a well cost depends on the duration of drilling phase, an organized drilling program seems vital to save the time and cost. Occurrence of different drilling problems like lost circulation and pipe sticking may deviate the drilling operation from the schedule. Mechanical pipe sticking is likely to occur after complete loss. Lost circulation is one of the common drilling problems in the industry which expose heavy expenses to the oil companies. This problem commences from beginning if the drilling and continues till putting the casing in place. Mud loss can occur in low fluxes up to complete loss that finally can lead to well blowout or severe pipe stuck. Freeing the pipes may waste a week or even more time from the rig. Thus, having accurate information about returned fluid and recording mud loss rate can be great help to prevent drilling problems from taking place. Drilling fluid loss is affected by different factor that make modeling of mud loss suffered from analytical point of view. Thus, employing artificial neural networks which its capability in simulation of complicated phenomena is proven, looks very effective. In this research, using drilling daily report of some wells in Maroum oilfield (SouthWest of Iran), attempts are directed to predict lost circulation in different areas of this field. Network results in prediction of drilling fluid loss show good compatibility with real data were recorded in drilling daily reports. هوش مصنوعی، شبکه¬های عصبی مصنوعی، هرزروی سیال حفاری، میدان نفتی مارون، زمان غیر مؤثر حفاری Artificial Intelligence, Artificial Neural Networks, Lost Circulation, Maroun Oilfield, Drilling Non-Productive Time 59 68 محمد نبئی mohammad_nabaei@yahoo.com 216 No Alireza Moazzeni علیرضا مؤذنی Moazzzeni@yahoo.com No Saeed Ghadami Jegarlooei سعید قدمی جگرلویی ghadami.saeed@gmail.com No