Um eine effiziente und nachhaltige Rückinjektion von Wasser in geothermische Reservoire zu gewährleisten, ist eine angemessene Vorhersage der Hydrodynamik des geothermischen Systems notwendig. Allerdings wird in der Regel ein tiefgehendes Verständnis der Eigenschaften des Reservoirs benötigt. Diese Studie untersucht den Einsatz von machine learning zur Vorhersage des Brunnenkopfdrucks von geothermischen Injektionsbohrungen, wobei nur historische Aufzeichnungen von Brunnenkopfdruck, Flüssigkeitsinjektionsraten und Temperaturen verwendet werden. Diese Datensätze werden durch verschiedene Algorithmen des machine learning (ML) genutzt, einschließlich Multiple Linearer Regression (MLR), Random Forest (RF), eXtreme Gradient Boosting (XGBoost), Support Vector Machine (SVM) sowie Artificial Neural Network (ANN) wie Multilayer Perceptron (MLP) und Long Short-Term Memory (LSTM). Wasserinjektionsdaten von vier Injektionsbohrungen wurden einer gründlichen Datenreinigung und Entfernung von Ausreißern unterzogen, um die Genauigkeit der Ergebnisse zu gewährleisten. Anschließend wurden die sechs Algorithmen hinsichtlich ihrer Leistung anhand von Metriken wie dem Bestimmtheitsmaß (R-Quadrat), dem quadratischen Mittelwertfehler (RMSE) und dem durchschnittlichen prozentualen absoluten Fehler (MAPE) validiert und getestet. Die Ergebnisse zeigen, dass LSTM die anderen getesteten Algorithmen mit einem MAPE von 8,02% übertrifft, dicht gefolgt von XGBoost mit 8,28% und MLP mit 8,55%. RF und SVM erreichten einen MAPE von 10,18% bzw. 10,48%, während die MLR, die in dieser Arbeit als Maßstab für die obere Grenze der Modelle verwendet wurde, einen MAPE von 20,56% erzielte. Es ist wichtig zu beachten, dass diese Ergebnisse abhängig von dem spezifischen Datensatz sind, der in dieser Studie verwendet wurde, sowie von der speziellen Vorverarbeitung, Merkmalsentwicklung und Hyperparameterabstimmung. Zukünftige Studien könnten in Erwägung ziehen, andere ML-Techniken oder hybride Lernmodelle einzusetzen, die wertvolle Erkenntnisse für die geothermische Optimierung bieten. Da ML im geothermischen Energiesektor immer wichtiger wird, ist eine solche Erkundung von erheblichem Interesse.