Este estudio se centra en abordar los desafíos asociados con las mediciones de resistencia a la penetración del suelo (SPR, por sus siglas en inglés) intensivas en mano de obra, las cuales son propensas a errores debido a los niveles variables de humedad del suelo. El enfoque innovador implica el desarrollo de modelos de estimación de SPR utilizando redes neuronales artificiales (ANN, por sus siglas en inglés) para suelos con niveles óptimos de humedad determinados por cálculos de van Genuchten (WG). El muestreo y las mediciones se realizaron en 280 puntos (0-30 cm de profundidad), con 324 muestras adicionales utilizadas para probar el modelo. Considerando seis escenarios, este estudio tuvo como objetivo identificar el mejor modelo de estimación utilizando propiedades clave del suelo (arena, arcilla, limo, densidad aparente, carbono orgánico y estabilidad de agregados) en diferentes combinaciones que afectan la SPR. Los resultados de todos los escenarios de ANN demostraron un rendimiento satisfactorio en la estimación de SPR, siendo el escenario de contenido de arena y arcilla el que mostró la mayor precisión, caracterizado por un error cuadrático medio (MSE) de 0.0029 y un valor de coeficiente de determinación (R) de 0.9707. Este escenario seleccionado fue validado con diferentes datos de prueba, arrojando un MSE de 0.7891 y un valor de R de 0.67. En conclusión, este estudio sugiere que, al estandarizar los niveles de humedad a través de cálculos de WG, la estimación de SPR basada en ANN puede aplicarse de manera efectiva a suelos con contenidos específicos de arena y arcilla.