A realização de investigações geotécnicas para a elaboração de projetos de fundação é de extrema importância para assegurar o seu bom comportamento. Uma das formas correntes de investigação do maciço é o emprego de SPT (Standard Penetration Test). Dessa forma, este artigo apresentou como objetivo criar um algoritmo que fosse capaz de prever a carga de ruptura de estacas hélices contínua apenas com resultados de ensaios de SPT. O algoritmo foi elaborado a partir de técnicas de machine learning fundamentadas no aprendizado supervisionado. Para isso, foram utilizados como dados de treino os resultados de prova de carga estáticas associados aos ensaios de SPT e como dados de teste apenas os resultados dos ensaios SPT. Para a elaboração do algoritmo foi utilizado um banco de dados com 39 (trinta e nove) provas de carga estáticas realizadas em estacas hélice contínua com suas respectivas sondagens, obtidas de obras no Distrito Federal. O algoritmo foi desenvolvido em linguagem phyton e o método utilizado foi o Random Forest. Após a compilação dos dados foi possível obter uma acurácia do modelo de 78,12%. Dessa forma, os resultados mostraram que o modelo proposto funciona, porém com ressalvas na acurácia, sendo necessária a proposição de modelos mais avançados como redes neurais e outras técnicas de deep learning para que seja possível obter resultados mais precisos.