Las estructuras de defensa costera juegan un papel crucial en la mitigación de los impactos de las olas; sin embargo, los diseños de rompeolas existentes a menudo enfrentan desafíos para equilibrar la reflexión de las olas, la disipación de energía y la estabilidad estructural. Este estudio aprovecha el aprendizaje automático (ML) para predecir las dimensiones óptimas en 2D de los rompeolas rectangulares en dos configuraciones: sumergidos en el fondo de un tanque de olas y posicionados en la superficie libre. Además, el objetivo es lograr una reflexión controlada de las olas que permita un determinado ascenso de ola y una disipación de energía optimizada, asegurando la estabilidad marítima. Así, utilizamos una ecuación analítica que modela el coeficiente de reflexión frente a la profundidad relativa del agua (KH), para diferentes relaciones de inmersión del obstáculo (h/H) y longitud relativa (l/H). Se generaron dos conjuntos de datos de 32,000 puntos de datos para rompeolas sumergidos y en superficie libre, con 10,000 puntos de datos adicionales para validación, totalizando 42,000 puntos de datos por caso. Se aplicaron y evaluaron cinco algoritmos de ML: Random Forest, Regresión de Vectores de Soporte, Red Neuronal Artificial, Árbol de Decisión y Proceso Gaussiano. Los resultados demostraron que Random Forest y Árbol de Decisión equilibraron la precisión con la eficiencia computacional, mientras que el Proceso Gaussiano coincidió estrechamente con los resultados analíticos pero demandó mayores recursos computacionales. Estos hallazgos apoyan al ML como una herramienta poderosa para optimizar el diseño de rompeolas, complementando los métodos tradicionales y contribuyendo a sistemas de defensa costera más sostenibles y resilientes.