钻井行业面临的最重要问题之一是钻井成本。影响钻井成本的因素有很多。增加钻井时间对提高钻井成本具有重要作用。减少钻井时间的解决方案之一是优化钻井速度。在最佳时间钻井将缩短时间,从而降低钻井成本。钻井速度取决于不同的因素,有些因素是可控的,有些是不可控的。在这项研究中,提出了几种智能模型和相关性来预测钻速(ROP),这对规划钻井作业非常重要。我们使用了来自伊朗南部一个油田的5040个真实数据点。采用径向基函数、决策树(DT)、最小二乘向量机(LSSVM)和多层感知器(MLP)对ROP进行建模。贝叶斯正则化算法(BRA)、缩放共轭梯度算法和Levenberg–Marquardt算法被用于训练MLP,梯度增强(GB)被用于DT。为了评估所开发的模型的准确性,使用了图形和统计技术。结果表明,R2为0.977的DT-GB模型的性能最好,其次是R2分别为0.971和0.969的LSSVM和MLP-BRA。除此之外,尽管简单,但所提出的经验相关性具有可接受的准确性。此外,敏感性分析表明,深度和泵压对ROP的影响最大。此外,杠杆法认可了开发的DT-GB模型在统计上是有效的,大约1%的数据被怀疑或超出了模型的适用范围。