Este estudio emplea un método de aprendizaje supervisado para predecir la tasa de penetración de la máquina perforadora de túneles (TBM) con alta precisión. A este respecto, el modelo de aumento de gradiente extremo (XGBoost) se optimiza en base a dos algoritmos de inteligencia de enjambre, es decir, el algoritmo de búsqueda de gorriones (SSA) y el algoritmo de optimización de ballenas (WOA). Se desarrollan también tres otros modelos de aprendizaje automático, incluidos los modelos de bosque aleatorio (RF), máquina de vectores de soporte (SVM) y red neuronal artificial (ANN), como la desventaja. Se utilizó una base de datos creada en Shenzhen (China), que consta de 503 entradas y presenta 10 variables de entrada y 1 variable de salida, para entrenar y probar los modelos de predicción. Los resultados del desarrollo del modelo indican que el uso de SSA y WOA tiene el potencial de mejorar el rendimiento del modelo XGBoost en la predicción del rendimiento del TBM. Los resultados de la evaluación del rendimiento muestran que el modelo propuesto WOA-XGBoost ha logrado el rendimiento más satisfactorio al resultar en la precisión de predicción más confiable de los cuatro índices de rendimiento. Esta investigación sirve como una ilustración convincente de cómo enfoques combinados, como los métodos de aprendizaje supervisado y los algoritmos de inteligencia de enjambre, pueden mejorar el rendimiento de predicción de TBM y pueden proporcionar una referencia al resolver otros problemas de ingeniería relacionados.