En ingeniería de túneles, el deslizamiento de corte en las juntas causado por perturbaciones externas es un factor clave que contribuye a deslizamientos de tierra, inestabilidad de las masas rocosas circundantes y peligros relacionados. Por lo tanto, caracterizar con precisión las propiedades macromecánicas de las juntas es esencial para garantizar la seguridad en la ingeniería. Dada la influencia significativa de la morfología de las juntas rocosas en el comportamiento mecánico, este estudio emplea la dimensión fractal del espectro de frecuencia (D) y la integral de amplitud en el dominio de frecuencia (Rq) como descriptores cuantitativos de la morfología de las juntas. Utilizando técnicas de transformada de Fourier, se desarrolla un método de reconstrucción para modelar juntas con características de forma arbitrarias. El modelo numérico se calibra a través de pruebas de corte directo e impresión 3D. Un análisis sistemático de parámetros valida los índices cuantitativos seleccionados como descriptores efectivos de la morfología de las juntas. Además, se emplean múltiples algoritmos de aprendizaje automático para construir un modelo predictivo robusto. El aprendizaje automático, reconocido como un campo en rápido avance, desempeña un papel fundamental en aplicaciones de ingeniería basadas en datos debido a sus potentes capacidades analíticas. En este estudio, se evalúan seis algoritmos: Bosque Aleatorio (RF), Regresión de Vectores de Soporte (SVR), Red Neuronal BP, Red Neuronal GA-BP, Programación Genética (GP) y MCD basado en ANN, utilizando 300 muestras. El rendimiento de cada algoritmo se evalúa a través de un análisis comparativo de su precisión predictiva basada en coeficientes de correlación. Los resultados demuestran que los seis algoritmos logran un rendimiento predictivo satisfactorio. Especialmente, el algoritmo de Bosque Aleatorio (RF) sobresale en predicciones rápidas y precisas al manejar datos de entrenamiento similares, mientras que el algoritmo MCD basado en ANN ofrece resultados estables y precisos de manera consistente en diversos conjuntos de datos.