Die Vorhersage von Bohrstrangdrehmoment und reibung ist notwendig um die wahre Belastung des Bohrstranges feststellen zu können. Abweichungen von erwarteten Hakenlasten erlauben Rückschlüsse auf den Bohrlochszustand. Die normalerweise verwendeten analytischen Methoden erfordern das Festlegen eines Reibungsfaktors. Dieser Pseudoreibungsfaktor kann iterativ auf Basis der gemessenen Hakenlast ermittelt werden. Die Umwandlung von Übertagemessungen auf Bohrlochsbedingungen würde z.B. die Meißelbelastung auf Grund der Zugbelastungskurve der Bohrstranges erlauben. Die analytische Simulation, mit einer großen Zahl an Eingabeparametern, die typischerweise während des Bohrens nicht zur Verfügung stehen, und einer Reihe von Unbekannten, liefert ungenaue Ergebnisse. Im Rahmen dieser Arbeit wurden Neuronale Netzwerk, als Alternative, getestet. Diese Netzwerke wurden in Bohrprozesssequenzen mit sauberem Bohrloch trainiert. Das Ergebnis ist die Vorhersage von Drehmoment und Hakenlast über die Zeit. Abweichungen von Messung und Model können dann als abnormale Bohrlochsbedingungen interpretiert werden. Die Berechnungen zeigen gute Ergebnisse. Der Schlüssel zu guten Ergebnissen sind die Auswahl des Trainingdatensatzes und die Entwicklung von Kennzahlen die die Bohrungsgeometrie beschreiben. Die Simulationen sind effizient und können in Echtzeit auf Bohranlagen eingesetzt werden.