Diese Masterarbeit zielt darauf ab, die Identifizierung der Lithologie in Bohrlöchern mithilfe von Bildanalysen und einem prädiktiven maschinellen Lernmodell auf der Grundlage von Bohrlochvideos in einem Kalksteinbruch (Valdilecha, Madrid, Spanien) zu automatisieren. In zuvor ausgewählten Bohrlöchern werden Endoskopmessungen durchgeführt, und die Videoaufnahmen ermöglichen eine anschließende Bildanalyse. Farbmerkmale und Unregelmäßigkeiten helfen bei der Identifizierung von Lithologien mit niedrigem, mittlerem und hohem Tongehalt. Bildanalysetools extrahieren Schlüsselmerkmale wie RGB-Farbstatistiken, Farbanzahl und Textur, die als Input für das maschinelle Lernmodell dienen. Es werden sieben Lithologien definiert, die Kalkstein mit unterschiedlichem Tongehalt enthalten (die Kennung ist in Klammern angegeben): Kalkstein ohne Tongehalt (20), Kalkstein mit mittlerem und hohem Tongehalt (21 bzw. 22), brekziöser Kalkstein mit niedrigem, mittlerem und hohem Tongehalt (11, 12 bzw. 13) und reiner Ton (33). Aus diesen werden zwei Kombinationen gebildet, um die Leistung des Modells zu optimieren und das Ungleichgewicht der Klassen zu beseitigen: - Kombination 1: Kalkstein ohne Tongehalt (Klasse 0: 20), Kalkstein und gebrochener Kalkstein mit mittlerem und hohem Tongehalt (Klasse 1: 11,12,21 und 22) sowie gebrochener Kalkstein und reiner Ton (Klasse 2: 13 und 33). - Kombination 2: Kalkstein ohne und mit geringem Tongehalt (Klasse 0: 20 und 21), gebrochener Kalkstein mit mittlerem und hohem Tongehalt (Klasse 1: 11,12 und 22) und gebrochener Kalkstein mit hohem Tongehalt und reinem Ton (Klasse 2: 13 und 33). Das Modell des maschinellen Lernens sagt erfolgreich die Klassen 0 und 1 voraus und weist eine beträchtliche Genauigkeit, F1-Score, Präzision und Wiedererkennung für Klasse 2 auf. Schlüsselvariablen, darunter die Statistik des roten Vektors, die Anzahl der Farben, die Homogenität und der Kontrast, beeinflussen die Leistung des Modells bei der Unterscheidung von Lithologien erheblich. Es wird empfohlen, die Leistung des Modells zu verbessern, indem zusätzliche reale Daten für Minderheitsklassen, insbesondere Klasse 2, extrahiert werden, um potenzielle Herausforderungen in zukünftigen Datensätzen anzugehen. Der vielversprechende Ansatz dieser Studie automatisiert die Identifizierung der Lithologie in Bohrlöchern, spart Zeit und reduziert menschliche Fehler und Subjektivität. Der Einsatz von Bildanalyse und maschinellem Lernen kann geologischen Untersuchungen und Sprengungen zugute kommen. Die Fähigkeit des Modells, Klassen mit unterschiedlichem Tongehalt vorherzusagen, unterstreicht seine Wirksamkeit bei der Klassifizierung von Lithologien aus neuen Bohrlochdaten. Zukünftige Arbeiten sollten sich auf die Verbesserung der Bildqualität und die Sicherstellung der Robustheit des Modells bei unterschiedlichen Datensätzen konzentrieren, um die Vorhersageleistung zu optimieren.