Este estudio investigó la aplicación del aprendizaje automático para optimizar el desplazamiento de carga de bombeo de un complejo sistema de desagüe en una mina de gran profundidad, con el objetivo de reducir los costos energéticos asociados con el proceso de desagüe, que consume un promedio del 14% de la electricidad de la mina. Las prácticas tradicionales, que dependen del control humano y simulaciones, a menudo conducen a ahorros inconsistentes y pérdidas ocasionales. El estudio empleó regresión lineal multivariante (MLR) y aumento de gradiente extremo (XGBoost) en un sistema de desagüe de mina, para identificar parámetros importantes que influyen en el rendimiento del desplazamiento de carga de bombeo. Los parámetros críticos que impactan significativamente el consumo de energía del sistema de desagüe fueron identificados por el modelo de mejor rendimiento, XGBoost. La implementación de un horario de bombeo basado en los conocimientos de XGBoost resultó en un desplazamiento de carga consistente y un ahorro de costos energéticos mejorado. Estos hallazgos destacan el potencial del aprendizaje automático para comprender y optimizar sistemas complejos en minas de gran profundidad, siendo el enfoque del estudio de caso efectivo para cuantificar y validar los impactos en el mundo real. Este enfoque podría ofrecer ahorros energéticos sustanciales a través de la toma de decisiones basada en datos.