O problema de estimar a capacidade de carga é essencial na engenharia civil, uma vez que o dimensionamento adequado das fundações é essencial para garantir a segurança e a estabilidade das estruturas. Estudos recentes vem empregando modelos em aprendizagem de máquina em problemas de fundações demonstrando significativa acurácia. O presente estudo buscou desenvolver um modelo para previsão da capacidade de carga em fundações diretas assentadas em diversos tipos de solos. Os resultados obtidos na revisão bibliográfica acerca do tema destacam a eficácia do uso de técnicas de machine learning em fundações diretas. Estudos mostraram que os modelos de aprendizado de máquina são capazes de fornecer estimativas precisas e confiáveis, superando as abordagens tradicionais baseadas em métodos empíricos. Além disso, a literatura também exploraram a influência de diferentes parâmetros geotécnicos e variáveis de entrada como: SPT, tipo de solo, cota de assentamento da sapata, presença do nível de água, entre outros, no desempenho dos modelos de machine learning. Eles mostraram que o uso de variáveis geotécnicas relevantes, como resistência ao cisalhamento do solo e características de compactação, pode melhorar significativamente a precisão dos dados de saída. O modelo criado foi calibrado com base na literatura já existente e foi determinado a partir de técnicas em Machine Learning, com o uso do algoritmo random forest, para previsão da capacidade de carga a partir da alimentação da máquina com os dados de entrada.