Die Geschwindigkeit eines Bohrvorgangs wird maßgeblich von den Eigenschaften der durchdrungenen Formation beeinflusst. Bohrpläne basieren meist auf früheren Felderfahrungen (sofern vorhanden) und den zu erwartenden geologischen Gegebenheiten. Doch weil geologische Informationen selten zu 100 % genau sind, könnten unerwartete Formationen immer noch Probleme verursachen, daher könnte ein Werkzeug, das Informationen über aktuelle geologische Gegebenheiten liefern kann, von großem Nutzen sein. Studien zeigen, dass es einen Zusammenhang zwischen Bohrparametern und Formationseigenschaften gibt. In dieser Diplomarbeit wird eine Untersuchung zur Relation zwischen Bohr- und geologischen Daten bestehender Bohrungen in Österreich durchgeführt. Statistische Methoden werden auf tiefen- (und zeit-) basierten Bohrdaten implementiert, um gut definierte Gruppen zu erstellen, die einem bestimmten Formationstyp zugeordnet werden können. Die Vorbereitung des Eingabedatensatzes für den maschinellen Lernalgorithmus ist eine entscheidende Aufgabe einer solchen Arbeit. Verschiedene Arten der Filterung, Harmonisierung zusätzlicher Datensätze und verschiedene Plotting-Techniken werden in der Arbeit vorgestellt. Das Ziel dieser Arbeit ist es, den Zusammenhang zwischen Bohr- und Formationsparametern zu evaluieren und dann einen Algorithmus zu entwickeln, der die geologischen Gegebenheiten basierend auf Bohrdaten unter Verwendung von maschinellem Lernen bestimmen kann.