جهت داشتن عملیات حفاری کارآمد و مقرون به صرفه، مهندسین و ناظران حفاری باید محاسبات لازم جهت پیش بینی شرایط عملیات را پیش از انجام حفاری انجام دهند. محاسبات مربوط به حفاری با هوا پیچیده هستند و نیازمند تولید و استفاده از برنامه های محاسباتی رایانه ای می باشند. در حال حاضر برنامه های پیچیده تجاری برای این امر وجود دارد. در این تحقیق از شبکه های عصبی نوع ann، gmdh و ساختار عصبی-فازی anfis برای پیش بینی و بهینه سازی سرعت حفاری با هوا و کف فشرده چاه های نفت و گاز طبیعی استفاده شده است. به منظور مدلسازی، داده های تجربی به دو دسته (79% برای آموزش و 21% برای آزمایش) تقسیم شده اند تا عملکرد سیستم مورد ارزیابی قرار گیرد. مشخصه های هواشناسی استفاده شده به عنوان ورودی، دمای موثر روزانه، میزان بارندگی و رطوبت هوا می باشد و تعداد واحدهای مصرف کننده گاز ورودی دیگر می باشد. مقادیر به دست آمده توسط مدل ها مطابقت بسیار خوبی با داده های تجربی داشته است. همچنین شبکه عصبی نوع gmdh نتایج بهتری را ارائه داده است.