Das Ziel der vorgelegten Arbeit ist ein System für die Extraktion von Wissen aus Sensordaten von Tiefbohrungen, sowie aus deren Tagesberichten zu entwickeln. Das extrahierte Wissen bildet die Basis zur Beantwortung der Schlüsselfragen die bei allen Bemühungen zur Erhöhung der Leistung bei der Durchführung von Tiefbohrungen auftreten. Die Erhöhung der Bohrleistung bei neuen Tiefbohrungen kann nur erreicht werden indem man die Leistung bei bereits getätigten Tiefbohrungen misst. Dies erfordert eine umfangreiche Analyse der Prozesse die an der Bohrstelle erfolgt sind. Die einfache Sequenz der Arbeitsschritte zur Durchführung einer Tiefbohrung ist zwar im Vorhinein bekannt, jedoch ist deren Dauer, die exakte Reihenfolge und der genaue Zeitpunkt zur Durchführung der selben unbekannt. Bedenkt man die Menge und Komplexität der an der Bohrstelle gesammelten Sensordaten, so ist es für Bohringenieure sehr schwierig die Bohrdaten in ihrer Gesamtheit zu erfassen sowie daraus Bohrmuster und Aktivitäten zu erkennen. Das vorgelegte System verwendet maschinelle Lernverfahren um Wissen aus Tiefbohrdaten zu extrahieren. Durch dieses Wissen erhält man eine vollständige Beschreibung der an der Bohrstelle erfolgten Aktivitäten. Es beinhaltet Trends, Muster, gewöhnliche sowie außergewöhnliche Events die bei der Durchführung der Tiefbohrung aufgetreten sind. Das vorgelegte System basiert auf der Idee, dass es nicht nur eine einzelne Methode gibt um das gesamte Spektrum der vorhandenen Probleme abzudecken. Desewegen kombiniert es verschiedene maschinelle Lernverfahren und verwertet alle vorhandenen Bohrdaten um wertvolle, genaue Resultate zu erbringen. Die vorgeschlagene Vorgehensweise erfolgt in fünf Schritten. Diese sind: Darstellung von Bohrdaten, "feature space construction", Erkennung von Bohrmustern, "classifier combination", und schlussendlich die Aufschlüsselung der Bohraktivitäten. Im ersten Schritt werden Sensordaten sowie textuelle Daten gesammelt, daraus Klassifizierungsmodelle erstellt und in eine kompakte Darstellung gebracht. Im zweiten Schritt wird aus den transformierten Daten eine Gruppe aus verschiedenen "features" extrahiert. Dann wird eine Untergruppe der informativsten "features" ausgewählt, die textuelle , statistische und symbolische "features" enthält. Im dritten Schritt werden verschiedene "base classifier" trainiert wobei jeder "classifier" mit einer bestimmten Art von "features" trainiert wird. Schlussendlich werden die Ergebnisse der "base classifier" kombiniert um genauere Resultate zu erzielen, welche dann schlußendlich das Ergebnis des hier erläuterten Systems ergeben.