Ungeplante und unerwartete Ereignisse während des Bohrens eines Bohrlochs führen nicht nur zu einem massiven Ressourcenverlust, indem die Menge an unproduktiver Zeit erhöht wird, sondern verursachen auch die Notwendigkeit, ein Bohrloch zu verschließen und eine Nebenbohrung aufgrund unvorhergesehener Ereignisse zu starten, die neben ökologischen Auswirkungen die wirtschaftliche Risiken für das ursprünglich geplante Projekt erhöht. Daher kann das Erkennen der unerwünschten Bohrprobleme im Bohrloch in den früheren Stadien dazu beitragen, die oben genannten Probleme zu vermeiden. Verschiedene Oberflächenbohrparameter können verwendet werden, um die Bohrlochprobleme in Echtzeit vorherzusagen. Trotzdem werden Drehmoment und Standrohrdruck als die kritischsten und nützlichsten Parameter angesehen. Daher wurden im letzten Jahrzehnt mehrere Methoden veröffentlicht, bei denen die beiden angegebenen Oberflächenparameter zur Erkennung der Bohrprobleme im Bohrloch verwendet wurden. Diese Verfahren weisen jedoch Mängel auf, die hauptsächlich auf Verzögerungen bei der Übertragung der erforderlichen Informationen, auf Ungenauigkeiten im Zusammenhang mit den verwendeten Daten, auf menschliches Versagen durch möglicherweise unvollständige Datensätze (aufgrund von Sensorfehlern) sowie auf menschliches Versagen bei der Interpretation der Daten zurückzuführen sind. Somit wird die Verknüpfung der sequentiellen Mustererkennung für eine mögliche Bestimmung des Bohrereignisses beeinflusst. Folglich kann das Erkennen von Anomalien von Bohrparametern in Echtzeit aufgrund eines einzigen Ansatzes, z. B. datengesteuert oder modellgesteuert, zu einer übermäßigen Erhöhung der unproduktiven Zeit führen, wenn Fehlalarme generiert werden. Die Integration eines stochastischen Modells in ein datengesteuertes Modell verringert somit die damit verbundenen Ungenauigkeiten und macht das Vorhersagemodell effektiver. Aus dieser Perspektive besteht das ultimative Ziel dieser Arbeit darin, ein Hybridmodell zu entwickeln, das eine erhöhte Genauigkeit bei der Erkennung abnormalen Verhaltens gemessener Bohrparameter wie Standrohrdruck und Drehmoment bietet. Eine eigenständige Anwendung basierend auf einem Hybridmodell wurde während der Arbeit durch die Implementierung statistischer Berechnungen basierend auf tatsächlichen und vorhergesagten Datenkanälen entwickelt. Infolgedessen werden Unsicherheitsfenster erstellt und mit den tatsächlichen Datenpunkten verglichen, um abnormales Bohrverhalten zu erkennen und Alarme auszulösen, um den Benutzer zu warnen. Um die Mängel des entwickelten Workflows, des entwickelten Hybridmodells, zu bewerten und zu analysieren, wurde eine Fallstudie durchgeführt. Die endgültigen Ergebnisse der Fallstudie zeigen, dass der Workflow zuverlässig und einfach zu verwenden ist.