Os fluidos de perfuração são essenciais as operações de perfuração de poços, garantindo segurança e eficiência ao lubrificar e resfriar a broca, remover partículas de rocha, controlar a pressão do poço e estabilizar suas paredes, sendo formulados conforme as condições operacionais específicas. O monitoramento contínuo de suas propriedades é crucial, pois alterações podem comprometer a integridade do poço e o desempenho da operação. Este trabalho explora sistemas de supervisão para auxiliar na tomada de decisões dos operadores na detecção e identificação de anomalias nas propriedades dos fluidos, utilizando técnicas de aprendizado de máquina, como Isolation Forest (IF), Local Outlier Factor (LOF) e Support Vector Machine (SVM), com uma metodologia dividida em duas etapas: obtenção e processamento dos dados. A primeira etapa foi realizada em uma unidade piloto de preparo automatizado de fluidos de perfuração, localizada no Laboratório de Escoamento de Fluidos da UFRRJ (LEF/UFRRJ), que está equipada com sensores on-line para monitoramento das propriedades dos fluidos. O processamento dos dados obtidos começa com o treinamento dos modelos com base nos dados coletados durante uma condição de operação assistida. Em seguida, os dados adicionais são analisados por um algoritmo de detecção de falhas. Os algoritmos foram desenvolvidos para identificar novos estados estacionários, treinar as técnicas de detecção de outliers e avaliar as características dos fluidos em cada novo estado. A validação dos algoritmos foi realizada em uma unidade piloto com circulação de fluido, onde as propriedades eram monitoradas sob diferentes condições operacionais. Após a avaliação dos resultados, observou-se que a metodologia utilizando o LOF apresentou uma menor ocorrência de falsos positivos no monitoramento dos dados, em comparação com as outras técnicas abordadas, sendo, portanto, adotada no algoritmo de detecção de falhas. A redução dos falsos positivos contribui para a eficiência operacional, pois evita alarmes desnecessários, melhora a confiança dos operadores e garante que as intervenções sejam realizadas apenas quando realmente necessárias, otimizando recursos e minimizando custos. Uma vez detectada a falha, iniciava-se o processo de identificação da causa principal da anomalia no sistema. Nessa etapa, avaliou-se a contribuição de cada variável monitorada para o fator outlier, permitindo vi identificar a origem da falha. Em condições normais de operação, o modelo desenvolvido apresentou desempenho satisfatório, pois foi capaz de identificar corretamente e de forma imediata as perturbações no fluido. A partir da análise dos resultados, concluiu-se que: (i) foi possível desenvolver um algoritmo capaz de identificar novos estados operacionais e retreinar a técnica de detecção de outliers; e (ii) a estratégia de identificação de falhas, baseada em uma análise teórica da técnica LOF, foi eficaz para isolar a causa da falha, mapeando a contribuição de cada variável para a saúde do processo. Essas contribuições ressaltam o potencial dos algoritmos desenvolvidos como ferramentas de diagnóstico de operação em sistemas de perfuração de poços de petróleo, auxiliando os operadores na tomada de decisões.