Das Hauptziel des Hydraulic Fracturing besteht darin, ein hochleitfähiges Bruchsystem zu schaffen, das die Zuflussleistung verbessert und die ultimative Reservoirwiederherstellung erhöht. Nicht richtig entworfener Prozess führt zu einer unterdurchschnittlichen Leistung der behandelten Brunnen und kann sich negativ auf das Reservoir auswirken. Genaue hydraulische fracturing design ist von großer bedeutung für post-job effizienz. Wie in vielen anderen Bereichen sind die Verbesserungen eine natürliche Folge früherer Messungen und detaillierter Analysen. Daher könnte die Bewertung der historischen Frac-Jobs dazu beitragen, die Planung zu verbessern und die Ausführungseffizienz zu erhöhen. Während dieser Masterarbeit wird ein praktisches Werkzeug zur Bewertung der hydraulischen Frakturleistung entwickelt. Das Tool basiert auf einem datengesteuerten Ansatz, der bei der Interpretation von Echtzeitdaten hilft. Vorgeschlagene Algorithmen klassifizieren automatisch jeden Zeitstempel des Behandlungsplans und weisen das Bühnenetikett zu. Support Vector Machine und Feed Forward neuronales Netzwerke werden verwendet, um die Operationsphase zu klassifizieren. Diese Modelle werden auf den auf mehreren Bohrlöchern aufgezeichneten Datensätzen trainiert und ausgewertet. Diese Arbeit zielt darauf ab, die Metriken festzulegen, die basierend auf dem Hydraulic Fracturing Job Monitoring generiert werden könnten, und wertvolles Feedback zur Arbeitseffizienz zu geben. Definierte Metriken und ein datengesteuerter Ansatz helfen dabei, historische Daten zu verstehen und zu messen, die ein wertvoller Input für weitere Designs und die Identifizierung potenzieller Einsparungen bei im Betrieb verwendeten Materialien sein könnten.