La durabilidad de las estructuras de hormigón armado (RC) está fuertemente influenciada por la carbonatación, un fenómeno regido por interacciones materiales y ambientales. Este estudio aplicó técnicas de aprendizaje automático (ML) -Random Forest (RF), Regresión de Vectores de Soporte (SVR) y Redes Neuronales Artificiales (ANNs)- para predecir la profundidad de carbonatación utilizando un conjunto de datos sintético de 20,000 instancias generadas a partir de la ecuación validada de Possan. El rendimiento de los modelos se evaluó en múltiples escenarios, identificando la resistencia a la compresión y el tiempo de exposición como las características más influyentes, mientras que la humedad relativa y las condiciones de exposición tuvieron efectos intermedios. SVR capturó consistentemente tendencias lineales y no lineales, la ANN logró los valores de R más altos pero mostró pequeñas sobreestimaciones, y RF mostró una menor adaptabilidad a las variaciones de características. Los resultados resaltan la aplicabilidad de los modelos de ML para evaluaciones de durabilidad, especialmente en condiciones complejas donde los enfoques tradicionales son limitados. Además, este estudio refuerza el valor estratégico de los conjuntos de datos sintéticos en el desarrollo de modelos predictivos cuando la recopilación de datos experimentales es consumidora de tiempo o impracticable. Las metodologías desarrolladas aquí pueden extenderse más allá de la modelización de la carbonatación a otros procesos de deterioro, apoyando estrategias basadas en datos para la planificación de mantenimiento y el diseño de resiliencia en estructuras de RC.