La determinación adecuada de la presión en el fondo del pozo en un pozo de levantamiento de gas es esencial para aumentar la producción, abordar problemas operativos y utilizar la menor cantidad de gas. Los modelos mecánicos, la correlación empírica y los modelos híbridos suelen estar limitados por los requisitos de calibración, grandes cantidades de entradas o un alcance de trabajo limitado. A través de este estudio, se desarrollaron y estudiaron dieciséis modelos de aprendizaje automático (ML) bien probados, como la regresión simbólica basada en programación genética y redes neuronales, para predecir con precisión la presión de fondo de pozo (BHP) en la profundidad de perforación, utilizando un conjunto de datos de 304 pozos de levantamiento de gas. El conjunto de datos abarca una variedad de parámetros relacionados con reservorios, terminaciones y operaciones. Después de un cuidadoso preprocesamiento y análisis de características, los modelos fueron preparados y probados con validación cruzada, muestreo aleatorio y pruebas ciegas. Entre todos los enfoques, el uso del optimizador L-BFGS en la red neuronal dio las mejores predicciones, con un R2 de 0.97, bajos errores y mejor precisión que otros métodos de ML. Al utilizar el análisis SHAP, se encontró que la profundidad del punto de inyección, la profundidad del tubo y la tasa de flujo de fluidos son los principales factores determinantes. Además, el uso del modelo en 30 pozos adicionales no vistos confirmó su fiabilidad y utilidad en el mundo real. Este estudio revela que la predicción de ML para BHP es una alternativa efectiva a los modelos tradicionales y manómetros, ya que es más simple, rápida, precisa y económica.