Las bombas sumergibles eléctricas (ESPs) juegan un papel fundamental en la industria del petróleo, pero su rendimiento se ve significativamente afectado por factores como la viscosidad del petróleo, las proporciones de gas-líquido y el contenido sólido. Los métodos tradicionales de predicción de rendimiento, incluidos el ajuste polinómico y la modelización mecanicista, a menudo carecen de adaptabilidad y eficiencia, requiriendo pruebas empíricas extensas. Este estudio aprovecha datos experimentales de las pruebas de flujo viscoso y gas-líquido reportadas en la literatura para evaluar varios métodos de predicción. Esta investigación proporciona un análisis comparativo de métodos tradicionales de ajuste de curvas, modelización mecanicista y siete enfoques de aprendizaje automático. Una innovación clave de este estudio es un análisis de sensibilidad en profundidad de diferentes métodos de aprendizaje automático, especialmente enfocado en los parámetros de redes neuronales, como funciones de activación y configuraciones de entrenamiento, para evaluar su impacto en la precisión de la predicción e identificar diseños óptimos de red. Además, se introduce una metodología de prueba de bombas para reducir significativamente los costos de prueba mientras se mantiene una alta precisión de predicción. Los hallazgos demuestran las ventajas del aprendizaje automático sobre los métodos tradicionales, incluyendo una mayor precisión de predicción, pautas prácticas para un ajuste eficiente de parámetros y la capacidad de abordar datos incompletos de curvas de bombas. Estas contribuciones no solo destacan el valor de integrar el aprendizaje automático en la modelización de ESP y los flujos de trabajo operativos, sino que también allanan el camino para futuros avances en marcos de modelización universales para diversas aplicaciones de ESP.