Die Optimierung von Produktionsprozessen durch maschinelles Lernen ist ein wichtiger Schritt hin zu effizienteren und kostengünstigeren Produktionsprozessen. Die Zieldefinition dieser Arbeit ist die Formulierung einer Strategie zur adaptiven Optimierung der Parameter für die Heavy End Control (HEC) Steuerung, basierend auf Eingabeparametern für eine bestimmte Mindestziellänge des verdickten Endes des Rohres. Dazu werden verschiedene Regressionsmodelle des maschinellen Lernens und ein neuronales Netz verwendet, die mit einem zur Verfügung gestellten Datensatz trainiert und getestet werden. Diese Modelle werden auf Plausibilität getestet und bewertet, indem die Parameter für zwei verschiedene verdickte Endlängen von zwei unterschiedlichen Materialen vorhergesagt werden. Das Random Forest Modell erzielt basierend auf bekannten Werten die besten Ergebnisse bei der Vorhersage der Eingangsparameter für kleine und mittlere Längen des verdickten Endes. Das neuronale Netz zeigt basierend auf diesen Ergebnissen ebenfalls eine gute Vorhersage für einige Parameter, wie die Anzahl der eingesetzten Gerüste und dem Spannungsfaktor. Anschließend werden anhand des Medians der Häufigkeitsverteilung Werte für Temperatur und mittlere Wandstärke vor dem Streck-Reduzierwalzwerk (SRB) ausgewählt, mit denen die Modelle dann die optimalen Parameterwerte für eine vorgegebene Ziellänge des verdickten Endes ausgeben. Dafür werden das Random Forest Modell und das Neurale Netz verwendet. Diese Ergebnisse sollen in weiterer Folge durch Tests an der Anlage verifiziert werden.