Die Speicherung von Erdgas und die Versorgungssicherheit damit sind wichtig für ein Land wie Österreich, das vom Import von fossilen Energiequellen abhängig ist. Typischerweise ist der Betrieb eines Untertagespeichers für Erdgas durch den saisonal bedingten Verbrauch von Gas und der nahezu konstanten Lieferkapazität von Pipelines gekennzeichnet. Eine kurzfristigere Fahrweise des Speichers unterstützt durch eine numerische Simulation verschiedenerer Szenarien könnte die Energieeffizienz verbessern und durch verbesserte Schaltzeiten Equipment schonen. Diese Masterarbeit behandelt die Themenstellung ob künstliche neuronale Netze zur Modellierung des Betriebs eines Erdgasspeichers verwendet werden können. Neuronale Netze sind heuristische Tools die nahezu jeden Trend in den Daten wiedergeben können, ohne Kenntnisse der zugrundeliegenden physikalischen Gesetzmäßigkeiten. Es wird untersucht ob es eine Architektur von neuronalen Netzen gibt, die eine Alternative zur klassischen Lagerstättensimulation im Bereich der Simulation kurzfristiger Fahrweisen eines Erdgasspeichers darstellen können. Eine Genauigkeit der Vorhersage der Sondenkopffließdrücken von ±1 Bar ist die Voraussetzung einer weiteren Optimierung des Betriebsplans. Daten eines echten Untertageerdgasspeichers, betrieben von der Rohölaufsuchungs AG (RAG) sind das Fundament aller Simulationen mit Hilfe neuronaler Netze. Mehrere Typen von neuronalen Netzen werden geprüft hinsichtlich ihrer Fähigkeit korrekte Sondenkopfdrücke während der Injektion und Entnahme von Gas vorherzusagen. Die Anwendung neuronaler Netze setzt eine geeignete Vorgangsweise der Datenverarbeitung voraus. Diese inkludiert die Bearbeitung von fehlenden Datenpunkten und Ausreißern in den gemessen Daten sowie die Umwandlung der irregulär gesampelten Signale in regulär gesampelte. Zwei verschiedene Methoden zur Abtastratenkonvertierung werden verwendet um sicherzustellen, dass ein Signal frei von Artefakten zum Training der neuronalen Netze angewendet wird. Alle Netze werden mit den gleichen „History Matching“ und Testintervallen aus einer Datenquelle trainiert. Die Resultate aus den „History Matching“ und Testdatensätzen haben gezeigt, dass manche Netzarchitekturen die Sondenkopfdrücke, die während des Betriebs des Speichers gemessen wurden, erfolgreich simulieren konnten. Bei der Verwendung von „recurrent“ neuronalen Netzen, wie den „fully recurrent“, Elman und NARX konnten gute Ergebnisse erzielt werden. Die besten Ergebnisse im „History Matching“ und auch im unabhängigen Testintervall konnten mit den „fully recurrent“ Netzen erreicht werden. Obwohl keines der trainierten Modelle die gewünschte Genauigkeit von ±1 Bar erzielte, konnte dennoch gezeigt werden, dass die „recurrent“ neuronalen Netze generell im Stande waren die Sondenkopfdrücke zu simulieren. Abschließend kann man sagen, dass neuronale Netze eine brauchbare Alternative sein können, wenn noch zusätzlich Verbesserungen hinsichtlich ihrer Genauigkeit erzielt werden können.