Este documento tiene como objetivo realizar un estudio comparativo para investigar la capacidad predictiva de los modelos de aprendizaje automático (ML) utilizados para estimar la resistencia a la compresión del hormigón autocompactante (SCC). Se emplean siete modelos de ML prominentes, incluyendo la regresión de redes neuronales profundas (DNNR), la máquina de refuerzo extremo de gradientes (XGBoost), la máquina de refuerzo de gradientes (GBM), la máquina de refuerzo adaptativo (AdaBoost), la regresión de vectores de soporte (SVR), la red neuronal artificial de Levenberg-Marquardt (LM-ANN) y la programación genética (GP). Se utilizan cuatro conjuntos de datos experimentales compilados en estudios previos para construir los métodos basados en ML. Las capacidades de generalización de los modelos son evaluadas de manera confiable mediante 20 ejecuciones independientes. Los resultados experimentales señalan la superioridad de la DNNR, que ha sobresalido sobre otros modelos en tres de los cuatro conjuntos de datos. El XGBoost es el segundo mejor modelo, que ha obtenido el primer puesto en un conjunto de datos. Los resultados señalan el gran potencial de los enfoques de ML utilizados en modelar la resistencia a la compresión del SCC. En más detalles, el coeficiente de determinación () supera 0.8 y el error porcentual absoluto medio (MAPE) siempre está por debajo del 15% para todos los conjuntos de datos. Los mejores resultados de y MAPE son 0.93 y 7.2%, respectivamente.