Un papel clave de la optimización de perforación es reducir el costo y el tiempo no productivo (NPT) de las operaciones de perforación. La tasa de penetración (ROP) afecta directamente el costo total y el costo por pie de las operaciones de perforación y podría llevar a ahorros o gastos significativos. Tradicionalmente, se utiliza un modelado empírico de ROP para predecir la respuesta de la broca o estimar la ROP utilizando datos de offset cercanos. Debido a la complejidad y no linealidad de la ROP, el modelado basado en datos, como el aprendizaje automático (ML), se volvió más atractivo. El objetivo de este documento es desarrollar un modelo de red neuronal artificial (ANN) basado en datos de ROP utilizando datos de perforación y formación recopilados de tres pozos cercanos. Además, se llevó a cabo una optimización de perforación y se comparó con modelos empíricos de ROP tradicionales. Se discuten las ventajas y desventajas de ambos métodos, y se destaca la dirección del modelado basado en datos en el futuro. El modelo ANN basado en datos demostró un rendimiento sólido en comparación con los datos de campo. El modelo ANN mostró un RMSE y R de 3.89 m/h y 0.93 para los datos de entrenamiento y un RMSE y R de 4.16 m/h y 0.92 para el conjunto de datos de prueba. El análisis de sensibilidad mostró que el modelo ANN predijo una ROP más alta que los modelos empíricos en el intervalo seleccionado. Debido a los datos limitados de desgaste de la broca en comparación con los parámetros operacionales, se cree que el modelado empírico y basado en datos simultáneamente acoplado es la dirección futura para la optimización de perforación basada en datos.