La estimación precisa de la longitud de perforación es muy vital para mejorar el flujo de fluidos así como la gestión de cargas. Los métodos tradicionales, incluidos los correlatos empíricos, los modelos analíticos y las pruebas de superficie API 19B, sufren de limitaciones significativas en su alcance, requieren recalibraciones frecuentes y no logran capturar la compleja física que rige la penetración de cargas moldeadas. Este estudio desarrolla y valida modelos de aprendizaje automático para la predicción de la longitud de perforación utilizando un conjunto de datos completo de 1648 pruebas estandarizadas API 19B que abarcan diversas configuraciones de armas, propiedades explosivas y parámetros de finalización. El conjunto de datos se dividió en 1318 pruebas para el entrenamiento del modelo y la optimización de hiperparámetros, reservando 330 pruebas independientes para la validación ciega. Se evaluaron sistemáticamente diez algoritmos de regresión, siendo XGBoost el que demostró un rendimiento superior, logrando un coeficiente R2 de 0.956 en la validación ciega. El análisis de importancia de características reveló que el peso del explosivo es el predictor dominante, seguido por la clasificación de temperatura. La aplicación de modelos de aprendizaje automático ofrece una forma de estimación precisa, más fácil, instantánea durante la planificación y el diseño de flujos de trabajo, y más económica en comparación con los métodos tradicionales.