Este artigo explora a aplicação de técnicas de aprendizado de máquina — especificamente, Random Forest (RF), Support Vector Regression (SVR) e Feedforward Neural Networks (FNN) — para estimar curvas de tensão deslocamento em ensaios de cisalhamento direto, um aspecto crítico em
análises e projetos geotécnicos. A investigação centra-se na capacidade desses modelos de capturar a complexidade do comportamento do solo, como ferramenta alternativa complementar às análises geotécnicas, se opondo às limitações de métodos tradicionais baseados em correlações empíricas e teóricas. A pesquisa iniciou-se com uma seleção de 7 trabalhos acadêmicos que forneceram gráficos de tensão-deslocamento, do total de 205 ensaios, que foram digitalizados e formaram a base experimental que irá alimentar e treinar os algoritmos de Inteligência Artificial (IA) propostos. Os modelos foram avaliados utilizando métricas de desempenho como o Mean Absolute Error (MAE), a Root Mean-Square Error (RMSE) e o coeficiente de determinação (R²), com o RF demonstrando superioridade em precisão e generalização. Além disso, a validação das previsões demonstrou potencial conservadorismo das estimativas, essencial para a segurança em projetos geotécnicos. Os resultados reafirmam o potencial das técnicas de aprendizado de máquina como ferramentas auxiliares valiosas para a engenharia geotécnica, mesmo com conjuntos de dados limitados. Este estudo sublinha a importância e a viabilidade de integrar abordagens computacionais avançadas na prática geotécnica.