El drenaje subsuperficial ha sido ampliamente aceptado para mitigar el riesgo de deslizamientos de tierra en áreas propensas a inundaciones. Específicamente, el uso de pozos de drenaje con sistemas de bombeo ha sido reconocido como una solución efectiva a corto plazo para reducir el nivel freático. Sin embargo, este método no ha sido bien considerado para fines a largo plazo debido a los potencialmente altos costos laborales. Este estudio tiene como objetivo investigar la idea de un sistema de bombeo autónomo para el drenaje subsuperficial aprovechando soluciones convencionales de ingeniería geotécnica y una técnica de aprendizaje profundo - Memoria a Largo y Corto Plazo (LSTM) - para establecer un sistema ciberfísico geotécnico para la prevención de deslizamientos de tierra inducidos por la lluvia. Para este propósito, se consideró una pendiente de suelo típica equipada con tres bombas en una simulación por computadora. Se generaron cuarenta y ocho casos de eventos de lluvia con una amplia variedad en duración, profundidades totales de lluvia y diferentes patrones de lluvia. Para cada evento de lluvia, se realizó un análisis de filtración transitoria utilizando un nuevo código propuesto en Python para obtener los datos de caudal correspondientes de las bombas. Se asignó una política de bombeo de agua para mantener el nivel freático en un nivel deseado a las bombas para generar los datos. El LSTM toma los datos del evento de lluvia como entrada y predice el caudal requerido de la bomba. Los resultados del modelo entrenado fueron validados utilizando métricas de evaluación de error cuadrático medio (RMSE), error absoluto medio (MAE) y R. Los puntajes R de 0.958, 0.962 y 0.954 para los caudales predichos de las tres bombas mostraron una alta precisión en las predicciones utilizando el modelo LSTM entrenado. Este estudio tiene la intención de dar un paso pionero hacia la consecución de un sistema de bombeo autónomo y la reducción de los costos operativos en el control de geosistemas.