انجمن مکانیک سنگ ایران نشریه علمی-پژوهشی مکانیک سنگ 2588-7432 10 1 2026 05 22 Prediction of Safe Mud Weight Window Using Hybrid Machine Learning Models Based on Multilayer Perceptron and Meta heuristic Optimization Algorithms پیش‌بینی پنجره ایمن وزن گل حفاری با استفاده از مدل‌های ترکیبی یادگیری ماشین مبتنی بر پرسپترون چندلایه و الگوریتم‌های بهینه‌سازی 61 80 246699 10.22034/irsrm.2026.583681.1082 FA میثم رجبی استادیار گروه مهندسی معدن، دانشگاه صنعتی بیرجند، بیرجند، ایران. حمزه قربانی دانش آموخته مهندسی نفت، باشگاه پژوهشگران جوان و نخبگان، دانشگاه آزاد اسلامی، اهواز، ایران سید وحید علوی نژاد خلیل آباد عضو هیات علمی گروه مهندسی عمران دانشگاه صنعتی بیرجند Journal Article 2026 05 28 Accurate determination of the safe mud weight window is a critical challenge in drilling engineering, with direct implications for wellbore stability, lost circulation prevention, and reduction of non-productive time (NPT) and associated operational costs. In this study, hybrid machine learning (ML) models were developed to predict the lower bound of the mud weight window — defined by the collapse pressure — and the upper bound — constrained by the fracture pressure gradient. To this end, a multilayer perceptron (MLP) neural network was integrated with four distinct optimization algorithms: the Firefly Algorithm (FA), Gravitational Search Algorithm (GSA), Artificial Bee Colony (ABC) and Imperialist Competitive Algorithm (ICA). The dataset comprised well-log and geomechanical data acquired from three wells in an gas field located in southern Iran. Following data normalization, the dataset was partitioned into training (70%), validation (15%), and test (15%) subsets. When assessing the safe mud weight window within the test subset of the Multi-Layer Perceptron-Gravitational Search algorithm, minimal errors are evident for both the minimum drilling mud weight pressure (RMSE = 12.283 psi; R2 = 0.9014) and the maximum mud weight pressure during drilling (RMSE = 12.536 psi; R2 = 0.9417). These findings indicate that hybrid machine learning frameworks can substantially enhance the predictive accuracy of the safe mud weight window and offer a robust, data-driven decision-support tool for real-time drilling operations. تعیین دقیق پنجره ایمن وزن گل حفاری یکی از مسائل کلیدی در مهندسی حفاری است که نقش مهمی در جلوگیری از ناپایداری چاه، هرزروی گل و افزایش هزینه‌های عملیاتی دارد. در این پژوهش، جهت پیش‌بینی حداقل وزن گل زیر فشار شکست و حداکثر وزن گل بالاتر از فشار شکست، از مدل‌های ترکیبی یادگیری ماشین استفاده شده است. در این راستا، شبکه عصبی پرسپترون چندلایه با چهار الگوریتم بهینه‌سازی شامل الگوریتم کرم شب‌تاب، جستجوی گرانشی، کلونی زنبورعسل و الگوریتم رقابت استعماری ترکیب شد. داده‌های مورد استفاده شامل اطلاعات سه چاه از یک میدان گازی در جنوب ایران بوده که به سه بخش آموزش (70٪)، اعتبارسنجی (15٪) و آزمون (15٪) تقسیم شدند. نتایج آماری نشان داد که، «الگوریتم پرسپترون چندلایه- الگوریتم جستجوی گرانشی» از دیگر مدل‌ها، دقیق‌تر است. چنان-که زیرمجموعه آزمایشی الگوریتم مذکور، برای حداقل وزن گل زیر فشار شکست با مقدار ریشه میانگین مربعات خطای 12.283پوند بر اینچ مربع و ضریب تعیین0.90و حداکثر وزن گل بالای فشار شکست با ریشه میانگین مربعات خطا 12.536 پوند بر اینچ مربع و ضریب تعیین 0.9417 کمترین خطا را نشان داده‌اند. بر این اساس، استفاده از مدل‌های ترکیبی یادگیری ماشین می‌تواند دقت پیش‌بینی پنجره ایمن وزن گل را به‌طور قابل توجهی افزایش دهد و به‌عنوان ابزاری کارآمد در تصمیم‌گیری‌های عملیاتی حفاری مورد استفاده قرار گیرد. https://www.irsrmjournal.ir/article_246699_e9b68e3ab7370772df92786a7399396b.pdf