این تحقیق باهدف ارائه یک مدل تجربی برای پیش‌بینی نرخ نفوذجامبودریل‌ها در معادن زیرزمینی تحت شرایط عدم قطعیت ژئومکانیکی انجام شده است. ابتدابا بررسی پیشینه تحقیق و مدل‌های موجود برای پیش‌بینی نرخ نفوذ، عوامل مؤثر بر نرخنفوذ شناسایی شدند که شامل خصوصیات توده سنگ، پارامترهای عملیات حفاری و پارامترهایجانبی دیگر است. به دلیل تعدد خصوصیات توده سنگ و هزینه‌بربودن دخیل کردن تمامی اینپارامترها، شاخص قابلیت حفاری توده سنگ (RDi) به‌عنوان نمایندهخصوصیات توده سنگ در تحلیل‌ها استفاده شد. اطلاعات میدانی از معادن دو مجتمع معدنیسرب و روی باما و سرمه جمع‌آوری و بانک اطلاعاتی از 737 چال در پنج معدن زیرزمینی بادو قطر 52 و 64 میلی‌متر تشکیل شد. در این فرایند، قبل از شروع حفاری، اطلاعات مربوط به ناپیوستگی‌هایسینه‌کار برداشت شد و نمونه‌هایی برای مطالعات آزمایشگاهی جمع‌آوری گردید. در حین حفاری،پارامترهای عملیاتی جامبودریل‌ها شامل فشار روغن هیدرولیک تامین­کننده بار پشت مته،سرعت چرخش مته، ضربه و مدت‌زمان حفاری برای هر چال ثبت شدند. پس از تشکیل بانک اطلاعاتی،ارتباط بین نرخ نفوذ و شاخص قابلیت حفاری توده سنگ با استفاده از الگوریتم درختان طبقه‌بندیو رگرسیون بررسی شد. نتایج نشان داد که این دو پارامتر دارای ارتباط معنی‌دار خوبیهستند و ارتباط بین آن‌ها یک رابطه خطی با ضریب تعیین بالای 9/0 است. برای توسعهمدل تجربی پیش‌بینی نرخ نفوذ، بانک اطلاعاتی به دو قسمت تقسیم شد: 80درصد داده‌ها برایتوسعه مدل و 20درصد برای اعتبارسنجی استفاده شد. از چندین پارامتر آماری نظیر ضریبتعیین، ریشه میانگین مربعات خطا، میانگین مطلق خطا، درصد میانگین خطای مطلق و شمولواریانس برای ارزیابی دقت مدل‌ها استفاده شد. در ابتدا مدل‌های رگرسیون خطی چندگانهو غیرخطی چندگانه برای پیش‌بینی نرخ نفوذ ارائه شدند. مدل رگرسیون چندگانه غیرخطیبا ضریب تعیین 88/0 و خطای نسبی کمتر عملکرد بهتری داشت. سپس، مدل‌هاییبا استفاده از الگوریتم‌های یادگیری ماشینی مانند شبکه‌های عصبی مصنوعی پرسپترون چندلایه،ماشین بردار پشتیبان و جنگل تصادفی توسعه داده شدند. نتایج نشان داد که مدل شبکهعصبی با ضریب تعیین 92/0 و ریشه میانگین مربعات خطای معادل 16/0 برای داده‌هایآموزشی و 9/0 برای داده‌های اعتبارسنجی، عملکرد بهتری نسبت به مدل‌های رگرسیونیدارد. همچنین مدل رگرسیون بردار پشتیبان با ضریب تعیین 94/0 دقت بالاتری را نسبتبه مدل‌های رگرسیونی نشان داد. علاوه بر روش‌های یادگیری ماشینی، از روش‌های یادگیریعمیق شامل جنگل تصادفی عمیق، رگرسیون بردار پشتیبان عمیق و شبکه عصبی مصنوعی عمیق کاملاًمتصل با تلفیق الگوریتم بهینه‌سازی ژنتیک نیز استفاده شد. نتایج نشان داد که دقت روش‌هاییادگیری عمیق بالاتر از سایر مدل‌ها است و شبکه عصبی عمیق بهترین نتایج را به دست می‌دهد. شبکهعصبی عمیق بهترین نتایج را با ضریب تعیین 94/0 برای داده‌های آموزشی و آزمایشی و ریشهمیانگین مربعات خطای برابر با 16/0 و   2/0 بهترتیب برای داده‌های آموزشی و   آزمایشیارائه داد. برای بررسی عدم قطعیت مدل‌ها از روش شبیه‌سازی مونت‌کارلو استفاده شد.در این روش، تابع توزیع احتمال پارامترهای خروجی مشخص و با تولید 2000 نمونه تصادفی،فضای شبیه‌سازی آماده شد. در سطح اطمینان 95درصد، بازه عدم قطعیت میانگین مقادیر واقعیبا مقادیر پیش‌بینی شده توسط مدل‌ها مقایسه شدند. نتایج نشان داد که مدل‌های رگرسیونو یادگیری ماشینی مقادیر نرخ نفوذ کمتری را نسبت به مقادیر واقعی پیش‌بینی می‌کنندو مدل‌های یادگیری عمیق و به‌ویژه شبکه عصبی عمیق، پیش‌بینی بهتری داشتند. باتوجه‌بهدقت، خطا و عدم قطعیت مدل‌ها، می‌توان نتیجه گرفت که مدل‌های توسعه‌یافته برای پیش‌بینینرخ نفوذ جامبودریل‌ها با درنظرگرفتن عدم قطعیت ژئومکانیکی، با استفاده از روش‌هاییادگیری ماشینی و عمیق، مدل‌های مناسبی برای پیش‌بینی نرخ نفوذ جامبودریل­ها درمعادن زیرزمینی هستند