Diese Arbeit untersucht, ob bzw. wie die Ausgangsparameter simulierter Drop-Impacts, also fluidmechanische Aufpralle eines Tropfens auf eine Oberfläche, durch machine-learning-Algorithmen allein durch die Form des Impacts erkannt werden können. Hierzu wurden drop impact testcases mittels des Strömungslösers „ALPACA“ (Adaptive Level-set Parallel Code Alpaca) simuliert. Dies ist ein Programm des Lehrstuhls für Aerodynamik und Strömungsmechanik der TUM School of Engineering and Design der technischen-Universität-München, welches auf Grundlage mathematischer Gleichungen die Bewegungen dynamischer Fluide berechnen und vorhersagen kann. Die Ausgangsparameter der testcases wurden hierbei für jede Simulation innerhalb gewählter Intervalle verändert, um einen möglichst hohen Informationsgehalt der Ergebnisse zu garantieren. Mit diesen Daten wurden durch supervised machine-learning künstliche neuronale Netze auf das Rückschließen auf vier der Anfangsparameter der Simulationen trainiert. Dabei wurden wiederum verschiedene Parameter der Netzstrukturen systematisch verändert, um deren Einfluss auf die Genauigkeit der Rückschlüsse zu messen. Anschließend wurden diese verschiedenen Genauigkeiten der Netze abhängig von deren Netzstruktur verglichen, um Fehlerquellen und um Netzparameter mit einer möglichst hohen Genauigkeit der Vorhersage zu identifizieren. Diese Untersuchungen dienen der Grundlagenforschung ohne speziellen Anwendungsfall, können jedoch als Grundlage dienen, um andere bzw. ähnliche fluidmechanische Prozesse leichter zu verstehen und zu untersuchen.