La presión de fuga (LOP) es un parámetro clave para determinar el peso permitido del lodo de perforación en un pozo y el estrés horizontal in situ. La prueba de LOP se realiza in situ y es utilizada frecuentemente por la industria petrolera. Si la presión del pozo excede el LOP, puede ocurrir inestabilidad en el pozo, con fracturación hidráulica y grandes pérdidas de lodo en la formación. Se requiere una predicción confiable del LOP para garantizar operaciones de perforación seguras y económicas. La predicción del LOP es un desafío porque se ve afectada por la compleja historia de carga geológica anterior, y los valores de LOP y sus mediciones pueden variar significativamente geoespacialmente. Este artículo investiga la capacidad de los algoritmos de aprendizaje automático para predecir la presión de fuga en función de la información geoespacial de las mediciones de LOP. Se recopilaron aproximadamente 3000 datos de pruebas de LOP de 1800 pozos de exploración en alta mar en Noruega. Se compararon tres algoritmos de aprendizaje automático (la red neuronal profunda (DNN), el bosque aleatorio (RF) y el algoritmo de máquina de soporte vectorial (SVM)) optimizados por tres métodos de búsqueda de hiperparámetros (la búsqueda en cuadrícula, la búsqueda aleatoria y la búsqueda bayesiana) con análisis de regresión multivariante. El algoritmo de búsqueda bayesiana necesitó menos iteraciones que los algoritmos de búsqueda en cuadrícula para encontrar una combinación óptima de hiperparámetros. Los tres algoritmos de aprendizaje automático mostraron un mejor rendimiento que la regresión lineal multivariante cuando las características de las entradas geoespaciales fueron adecuadamente escaladas. El algoritmo RF dio los resultados más prometedores independientemente de la escala de los datos. Si los datos no estaban escalados, los algoritmos DNN y SVM, incluso con parámetros optimizados, no proporcionaron puntuaciones de prueba significativamente mejoradas en comparación con el análisis de regresión multivariante. Los análisis también mostraron que cuando el número de puntos de datos en un entorno geográfico es mucho menor que el de otras áreas geográficas, la precisión de la predicción se reduce significativamente.