Los desastres tienen diferentes formas, y uno de ellos son los deslizamientos de tierra repentinos, los cuales pueden poner en riesgo la seguridad de los usuarios de carreteras y resultar en daños económicos cruciales. Junto con el riesgo de pérdidas humanas, cada día que una carretera falla causa altos gastos a los ciudadanos, y reparar una carretera fallida es un proceso que consume tiempo y dinero. Por lo tanto, el correcto funcionamiento de las carreteras puede ser categorizado como un factor de confiabilidad de alta prioridad para las ciudades. Al detectar los factores de falla de los taludes de terraplenes de las carreteras, monitorearlos en tiempo real y predecirlos, los gerentes pueden realizar operaciones preventivas, preservativas y correctivas que llevarían a continuar la función de las carreteras intraciudad e interciudad. El suelo arcilloso expansivo causa muchos problemas de infraestructura en todo Estados Unidos, y gran parte de los terraplenes y taludes de relleno de las carreteras de Mississippi están construidos con este suelo arcilloso, también conocido como Suelo Arcilloso de Cambio de Alto Volumen (HVCCS). Los deslizamientos de tierra en los terraplenes de carreteras son causados por cambios recurrentes de volumen debido a variaciones estacionales de humedad (ciclos húmedos-secos), y el contenido de humedad del HVCCS impacta la resistencia al corte del suelo en una zona no saturada. La Succión Matricial del Suelo (SMS) es otra indicación de la resistencia al corte del suelo, un elemento esencial a considerar. El aprendizaje automático desarrolla modelos de alta precisión para predecir el SMS. El trabajo actual tiene como objetivo desarrollar modelos inteligentes híbridos para predecir el SMS de HVCCS (conocido como arcilla Yazoo) basados en datos de instrumentación de campo. Para lograr este objetivo, seis Taludes de Carretera (HWS) en Jackson Metroplex, Mississippi, fueron extensamente instrumentados para rastrear cambios con el tiempo, y los datos de campo fueron analizados y generados para ser utilizados en los modelos propuestos. Se utilizó la Red Neuronal Artificial (ANN) con un algoritmo de entrenamiento de Regularización Bayesiana Backpropagation (BR-BP), y se desarrollaron dos sistemas inteligentes, Optimización de Enjambre de Partículas (PSO) y Algoritmo de Optimización de Mariposa (BOA) para optimizar el algoritmo ANN-BR para predecir el SMS de HWS utilizando 13,690 puntos de datos para cada variable. También se calcularon varios índices de rendimiento, como el coeficiente de determinación (R), Error Cuadrático Medio (MSE), Variación Explicada (VAF) y Característica de Error de Regresión (REC), para analizar la precisión de los modelos en los resultados de predicción. Basándose en los resultados del análisis, el PSO-ANN superó al BOA-ANN, y ambos tuvieron un rendimiento mucho mejor que ANN-BR. Además, la lluvia tuvo el mayor impacto en el SMS entre todas las demás variables y debe ser monitoreada cuidadosamente para la predicción de deslizamientos de tierra en HWS. Los modelos híbridos propuestos pueden ser utilizados para la predicción de SMS en taludes similares.