A estimativa da velocidade de onda cisalhante (Vs) é essencial para a caracterização geotécnica e sísmica de argilas marinhas e para o suporte a análises e projetos offshore. Este artigo avalia estratégias de previsão de Vs por meio da integração de dados de ensaios in situ (SCPT e CPTu) e de laboratório (Bender Element), com foco em aplicações práticas de engenharia geotécnica. São comparadas uma abordagem física baseada em regressão log–log e um modelo de aprendizado de máquina do tipo Random Forest. Os dados foram pré-processados e organizados em quatro cenários de modelagem, combinando diferentes bases de dados e estratégias preditivas. O desempenho foi avaliado por meio de R², RMSE e da comparação de perfis de Vs ao longo da profundidade. Os resultados indicam que o Random Forest apresentou melhor desempenho preditivo global, especialmente com dados de SCPT, enquanto o modelo log–log, embora menos preciso, forneceu relações fisicamente interpretáveis e mostrou maior robustez com a inclusão de dados de Bender Element. A análise dos perfis confirma que modelos de aprendizado de máquina reproduzem melhor as variações locais observadas em campo, enquanto o modelo físico representa adequadamente a tendência global associada ao aumento da tensão efetiva. Os resultados destacam o potencial de abordagens híbridas e a importância da escolha do método e da base de dados conforme o objetivo da aplicação.
Avenida República do Líbano, 251 - Pina, Recife - PE - CEP: 51110-160