Die Öl- und Gasindustrie steht, wie viele andere auch, vor den Herausforderungen der Energiewende und erfordert eine Optimierung der Abläufe innerhalb definierter Grenzen. Im Hinblick auf geoenergiebezogene Explorationsaktivitäten ist dies mit einem kostengünstigen und sicheren Bohrvorgang verbunden. In diesem Zusammenhang ist es von entscheidender Bedeutung, das Auftreten unerwünschter Bohrlochprobleme zu minimieren, die zu Verzögerungen oder unproduktiver Zeit führen. Einer der wesentlichen Schlüssel zum Erreichen dieses Ziels ist die frühzeitige Erkennung von anomalem Verhalten im Bohrloch durch eine kontinuierliche Überwachung der an der Oberfläche gemessenen Bohrparameter. Das Hydrauliksystem spielt zusammen mit anderen wichtigen Oberflächenparametern eine entscheidende Rolle für erfolgreiche Bohrarbeiten. Es ermöglicht nicht nur die Zirkulation von Bohrflüssigkeiten, die Bohrlochreinigung und das Kühlen des Bohrkopfes, sondern liefert auch wertvolle Einblicke über den aktuellen Bohrlochzustand. Eine genaue Modellierung und Überwachung des an der Oberfläche gemessenen Standrohrdrucks kann als zuverlässiger Indikator für mögliches anomales Verhalten im Bohrloch dienen. Der herkömmliche physikbasierte Ansatz zur Modellierung des Standrohrdrucks stößt jedoch bei der genauen Darstellung der dynamischen und komplexen Natur der Bohrlochbedingungen an Grenzen. In Bezug auf dieses Problem besteht das Ziel dieser Arbeit darin, ein datengesteuertes Modell zu entwickeln, das auf einem maschinellen Lernkonzept basiert, um den Standrohrdruck mit nur drei kontrollierbaren Oberflächenparametern als Eingabe für das Modell vorherzusagen und dennoch robuste Schätzungen der Zielvariablen bereitzustellen. Die Modelle werden mit störungsfreien Bohrdaten trainiert, die es dem Modell ermöglichen sollen, den normalen Trend darzustellen und somit Mittel zur Analyse und Trenderkennung durch Vergleich des tatsächlichen Werts mit den modellierten Werten bereitzustellen. Zusammenfassend lässt sich sagen, dass die angewandte Methode und der Algorithmus akzeptable Schätzungen der Zielvariablen unter Verwendung der minimal erforderlichen Datenpunkte aus demselben Bohrloch liefern können. Jedoch kann eine Optimierung des angewandten Ansatzes möglicherweise zu besseren Ergebnissen führen. Das bereitgestellte Konfidenzintervall bietet einen Bereich möglicher Werte für die Zielvariable und kann daher für die Analyse und Echtzeitüberwachung nützlich sein. Das vorhergesagte Konfidenzintervall kann jedoch nicht direkt als sicheres Betriebsfenster interpretiert werden.