A máquina de perfuração de rocha, ou tuneladora (TBM), é uma máquina de engenharia para escavação de túneis subterrâneos em ambientes geológicos complexos. A previsão do desempenho do TBM é um fator essencial para o planejamento, estimativa de custos e para garantir o sucesso da excavação de túneis. A estimativa de parâmetros operacionais assim como as propriedades da rocha e as características do maciço rochoso, são fundamentais para definir a condição ideal de operação de uma tuneladora. A taxa de penetração tem sido definida na literatura como a principal medida do desempenho do TBM e é usada para avaliar a viabilidade de usar uma tuneladora em uma determinada condição de solo e prever a taxa de avanço. Incorporar os efeitos do tipo de rocha em modelos de previsão de desempenho pode melhorar a precisão das estimativas. Por esse motivo, vários tipos de modelos, teóricos e empíricos tem sido propostos na literatura. Contudo, a estimativa precisa do desempenho da máquina ainda pode ser um desafio, principalmente em condições geológicas complexas, uma vez que diferentes tipos de rochas respondem de forma diferente a forças de corte do TBM. Nesse sentido, o objetivo deste trabalho é apresentar abordagens mais modernas baseadas em aprendizado de máquina com o intuito de encontrar modelos preditivos mais precisos da taxa de penetração do TBM.