Das Feststecken von Bohrgestänge, hierbei vor allem das Feststecken durch Druckunterschiede ist wahrscheinlich das größte Problem bei Tiefbohrungen im Bezug auf Zeit,- und Kapitalverlust. Wenn das Bohrgestänge erst einmal feststeckt muss ein sehr zeit,- und kostenintensives Befreiungsmanöver angewendet werden um das Gestänge wieder in einen frei beweglichen Zustand zu versetzen. Die Firma die die Daten für diese Diplomarbeit zur Verfügung gestellt hat, musste drei Fälle von feststeckendem Gestänge erdulden. Es dauerte ingesamt 10 Tage um das Bohrgestänge wieder frei zu bekommen, deshalb ist es essenziell die Ursache dafür zu finden. Die Firma nimmt an dass es eine Verbindung zwischen diesen Problemen gibt und das Ziel dieser Diplomarbeit ist es, diese(s) Problem(e) zu finden. Die Arbeit begann mit einer Recherche durch allmögliche Literatur aus der Erdöl/Erdgas – Industrie. Danach wurde eine Zusammenstellung der Ursachen für die Druckunterschiede die zu einem feststecken des Gestänges führen angefertigt. Jeder Grund wurde ins Detail begutachtet und nach Lösungen gesucht, um das Feststecken zu verhindern. Diese Arbeit enthält eine durch Computersimulation gestützte Vorhersage mit künstlicher-neuronaler Netz-Modellierung um festzustellen ob die anwendbaren Modifikationen zielführend sind und ob das Festecken in der gleichen Situation nicht mehr passieren würde. Das Modellieren mit Künstlich-Neuronalen-Netzwerken ist ein sehr leistungsfähiges Datenmodell das die Fähigkeit besitzt, sehr komplexe input und output Daten zu erfassen und wiederzugeben. Der Beweggrund ein solches System zu entwickeln, stammt aus dem Verlangen ein künstliches System zu erstellen dass „intelligente Aufgaben“ ausführen kann, ähnlich dem Menschlichen Gehirn. Die wirkliche Leistung und Vorteile dieser neuronalen Netzwerke liegt in deren Fähigkeit lineare und nicht-lineare Zusammenhänge wiederzugeben und in ihrer Fähigkeit, diese Zusammenhänge direkt aus dem Datenmodell zu lernen, das gerade modelliert wird. Um die nötigen Fähigkeiten zu besitzen ein so leistungsfähiges Datenmodell zu verwenden war der erste Schritt die Parameter festzulegen, die der Autor gerne in seinem Modell anwenden würde. Dies war eine sehr komplexe Aufgabe da nicht alle dafür notwendigen Daten vorhanden waren. Manche mussten mit Hilfe anderer zugänglicher Daten berechnet werden. Das erstelle Netz(werk) bestand am Ende aus 17.406 Datensätzen, von denen 20% verwendet wurden um das Modell zu testen. Die Ergebnisse der Testphase ergaben 0.0575% falsche Vorhersagen, dementsprechend war die Vorhersage (Simulation) ziemlich genau. Während dem Analysieren von Fällen in denen das Bohrgestänge stecken bleibt, wurden Faktoren festgestellt, die das Festecken durch Druckunterschiede (im Bohrloch) beeinflussen. Neben anderen Faktoren waren dies hauptsächlich die Trajektorie des Bohrlochs, das angewendete Programm zur Bohrspülung, die Zusammensetzung (Rezept) der Bohrspülung, das Strömungsprofil, der Bohrklein-Abtransport und die BHA (Bottom Hole Assembly/ Bohrlochausstattung/ also das Zeug das zum Bohren gebraucht wird (Meisel, Motor, Gestänge, Casing). Die angewendeten Verbesserungen wurden schließlich in das Datenmodell eingegeben und für die oben erwähnten drei Fälle Vorhersagen gemacht. Das neuronale Netz(werk) Modell sagte für alle drei Fälle eine Situation hervor in dem das Bohrgestänge nicht stecken bleiben sollte, also kann festgehalten werden dass die Ursachen für das Feststecken gefunden wurden.