Predecir con precisión la eficiencia de perforación de la perforación rotativa es clave para lograr una construcción inteligente. Los tipos actuales de análisis de principios (basados en métodos experimentales interactivos tradicionales) y de predicción de eficiencia (basados en modelos de simulación) no pueden satisfacer los requisitos necesarios para las predicciones de eficiencia de perforación de plataformas de perforación rotativa que sean eficientes, en tiempo real y precisas. Por lo tanto, adoptamos un método basado en el aprendizaje automático para predecir la eficiencia de perforación. El extremadamente complejo proceso de fragmentación de rocas en condiciones de perforación también presenta desafíos para predecir la eficiencia de perforación. Por lo tanto, este artículo realizó una combinación de análisis de mecanismos y de datos para llevar a cabo un análisis de correlación y aclarar los parámetros característicos de perforación que están altamente correlacionados con la eficiencia de perforación, y luego los utilizó como entradas para modelos de aprendizaje automático. Proponemos un modelo de predicción de eficiencia de perforación de plataformas de perforación rotativa basado en la red neuronal GA-BP para construir un modelo de predicción de eficiencia de perforación preciso y eficiente. En comparación con las redes neuronales BP tradicionales, utiliza la capacidad de optimización global de un algoritmo genético para obtener los pesos y umbrales iniciales de una red neuronal BP con el fin de evitar el defecto de las redes neuronales BP ordinarias, es decir, que fácilmente caen en soluciones óptimas locales durante el proceso de entrenamiento. La precisión promedio de predicción de la red neuronal GA-BP es del 93.6%, lo que es un 3.1% más alto que la red neuronal BP tradicional.