Die frühzeitige Erkennung des Auftretens von Steckrohren in Echtzeit führt zu einer Reduzierung der Ausfallzeiten und kostspieligen Korrekturmaßnahmen. Daher wurden in den letzten Jahrzehnten intensive Anstrengungen unternommen, um Methoden zur Identifizierung der festsitzenden und frühen Symptome zu entwickeln. Eine dieser Methoden ist die Drehmoment-und Schleppmodellierung (T&D). Trotz zahlreicher Vorteile ist die modellierungsbasierte Methode heutzutage nicht mehr üblich,da sie Echtzeit-Merge-und Kontextdaten heterogener Frequenz und Qualität sowie Neukalibrierung erfordert. Der alternative Ansatz besteht darin, datengesteuerte Algorithmen anzuwenden, um Drehmoment-und Schleppprobleme in Echtzeit zu lösen. Dieser Ansatz kann als robuster als der erste beurteilt werden, da Bohrdaten in Echtzeit verwendet werden können. Außerdem begrenzt der datengetriebene Algorithmus die Anzahl der Eingabeparameter nicht. Aus dieser Perspektive schlägt diese Arbeit ein Modell vor, das auf einem maschinellen Lernkonzept basiert, das sich darauf konzentriert, die frühen Anzeichen eines drohenden feststeckenden Rohrs in Echtzeit zu erkennen, indem die relevanten Oberflächenbohrparameter in Echtzeit überwacht werden. Die neu vorgeschlagene Methode verwendet lineare Regressionsalgorithmen für maschinelles Lernen, um mehrere Parameter wie Standrohrdruck, Hakenlast und Oberflächendrehmoment vorherzusagen. Das Modell kann aus den gewonnenen Daten trainieren und seine Leistung automatisch anpassen. Die vorhergesagten Parameter helfen dem Modell, das Verhalten von Echtzeitdaten zu bewerten. Dieser Vergleich führt zu einer Tabelle mit Warnstufen für jeden vorhergesagten Parameter. Die Warnstufen-Tabelle ermöglicht es dem Modell, die Wahrscheinlichkeit zu berechnen und einen Alarm zu erzeugen, wenn die Wahrscheinlichkeit die vorläufig festgelegten Grenzen überschreitet. Infolgedessen eignet sich das Modell, um Bohroperationsdaten in Echtzeit als Eingabe zu verwenden, die Wahrscheinlichkeit eines festsitzenden Rohrs zu berechnen und den Bohrer zu benachrichtigen, wenn das Risiko eines festsitzenden Rohrs außerhalb des Schwellenwerts liegt und als gefährlich erkannt werden kann. Der erste Teil der Arbeit gibt einen Überblick über das Problem, die aktuellen Herausforderungen und Ziele der Arbeit. Die wichtigsten maschinellen Lernalgorithmen und datenbasierten Ansätze Anwendung für die frühe Stuck Pipe Sign Detection sind im zweiten Teil der Arbeit bezeichnet. Schließlich behandelt der dritte Teil der Arbeit die Methodik des vorgeschlagenen Ansatzes im Detail. Hier werden auch zwei Fallstudien zur Umsetzung des Ansatzes anhand von Echtzeitdaten vorgestellt. Abschließend werden die Ergebnisse der Arbeit vorgestellt und zusammengefasst. Die Merkmale und Mängel des vorgeschlagenen Ansatzes werden ebenfalls diskutiert. Das resultierende Modell beweist seine Fähigkeit, eine Echtzeitdatenüberwachung zu implementieren, um kostspielige und zeitaufwändige Vorfälle mit feststeckenden Leitungen zu vermeiden.