Für zahlreiche Problemstellung in den Geo- und Ingenieurwissenschaften ist es entscheidend, eine genaue und schnelle Schätzung einerseits der Porosität einer Formation und anderseits jener Bereiche, die innerhalb von geologischen Formationen als natürliche Speicherstätten für CO2 dienen könnten, zu erhalten. Durch die Anwendung von ¿Supervised Learning Algorithm¿ könnte die Herausforderung zur schnellen und zuverlässigen Vorhersage von Porosität gelöst werden. In dieser Arbeit wird ein Arbeitsablauf erstellt, um solche Algorithmen mit den zur Verfügung stehenden Messdaten der Mount Messenger Formation (Taranaki Becken, Neuseeland) zu testen. Im Rahmen dieser Masterarbeit werden zwei Arten von ¿Supervised Learning Algorithmen¿ verwendet: ein lineares Regressionsmodell zur Abschätzung der Porosität in der Formation und ein Klassifizierungsmodell, das ein künstliches neuronales Netzwerk (KNN) verwendet, um poröse Zonen vorherzusagen. Die Eingabeparameter der Vorhersagemodelle basieren einerseits auf den Resultaten der petrophysikalischen Analyse (Multimineral-Analyse) und andererseits auf den geophysikalischen Bohrlochdaten aus fünf Bohrlöchern. Als Ausgangsparameter für das Regressionsmodell dient die mittels petrophysikalischer Methoden bestimmte Porosität, und als Ausgangsparameter des Klassifizierungsmodells dient die Interpretation von Bereichen der Mount Messenger Formation derselben fünf Bohrlöcher, klassifiziert nach möglichem Potential (kein Potenzial ¿ Potenzial). Die Ergebnisse werden anhand des Bestimmtheitsmaßes (R2) und der Genauigkeit des Testdatensets bewertet, und die Ergebnisse zeigen, dass die Kombination aus geophysikalischen Bohrlochmessungen und einer Multimineral-Analyse ein zu 99,81 % und 98,44 % genaues Modell liefert. Das Ergebnis eines guten Modells ist abhängig von der Qualität der bereitgestellten Bohrlochdaten, der Genauigkeit der Multimineral-Analyse und der Genauigkeit aller Schritte im pre-processing, die einen ausreichend guten Datensatz gewährleisten. Es ist unerlässlich, die Parameter für das Modell und das Modell entsprechend den verfügbaren Daten und dem zu erwartenden Ergebnis auszuwählen.