La integridad y seguridad de los oleoductos dependen de la detección y predicción de la corrosión por tensión (SCC) y otros defectos. En los sistemas de oleoductos de petróleo y gas, se utilizan una variedad de técnicas de monitoreo de corrosión. Los datos observados exhiben características de no linealidad, multidimensionalidad y ruido. Por lo tanto, se han utilizado ampliamente técnicas de modelado basadas en datos. Para lograr una predicción inteligente de la corrosión y mejorar el control de la corrosión, se han desarrollado enfoques basados en aprendizaje automático (ML). Algunos artículos publicados relacionados con SCC han discutido técnicas de ML y sus aplicaciones, pero ninguno de los trabajos ha demostrado la verdadera capacidad del ML para detectar o predecir SCC en oleoductos de energía, aunque menos investigadores han probado sus modelos para validarlos en entornos controlados en laboratorios, lo cual es completamente diferente de los entornos de trabajo reales en el campo. Al observar el estado actual de la investigación, los autores creen que es necesario explorar las mejores tecnologías y enfoques de modelado e identificar brechas claras; por lo tanto, se requiere una revisión crítica. El objetivo de este estudio es evaluar el estado actual de las aplicaciones del aprendizaje automático en la detección de SCC, identificar las brechas de investigación actuales e indicar direcciones futuras desde un punto de vista de investigación científica y aplicación. Esta revisión destacará las limitaciones y desafíos de emplear el aprendizaje automático para la predicción de SCC y también discutirá la importancia de incorporar conocimientos del dominio y aportes de expertos para mejorar la precisión y fiabilidad de las predicciones. Finalmente, se propone un marco para demostrar el proceso de aplicación de ML a las evaluaciones de condiciones de los oleoductos de energía.