Los parámetros de perforación están intrínsecamente relacionados con las interacciones mecánicas entre el dispositivo de perforación y el regolito lunar, afectando significativamente las características de muestreo. Lograr una alta eficiencia de extracción requiere una comprensión profunda de cómo estos parámetros influyen en la tasa de extracción. Si bien los experimentos pueden caracterizar el rendimiento de extracción, son lentos y costosos debido a la necesidad de numerosas pruebas repetitivas. Para abordar esto, este documento integra experimentos con aprendizaje automático para desarrollar un modelo sustituto que reemplace los resultados experimentales, permitiendo la extrapolación e interpolación para analizar las sensibilidades de los parámetros de perforación. Específicamente, se diseñan experimentos ortogonales de Taguchi para reunir un conjunto de muestras representativas, y se emplea una red neuronal bayesiana (BNN) para crear un modelo predictivo que pueda cuantificar la incertidumbre. Luego, se aplica el aprendizaje activo para enfocar el muestreo adicional en regiones inciertas, refinando el modelo de manera iterativa para lograr una aproximación precisa de los resultados experimentales. Este enfoque reduce el número de experimentos necesarios para desarrollar un modelo sustituto de alta fidelidad. Los resultados de validación demuestran una fuerte precisión de extrapolación y generalización, con un de 0.89 y un de 5.74% en el conjunto de prueba independiente. Basado en este modelo, este documento analiza la influencia de los parámetros de perforación en el rendimiento del muestreo, proporcionando información para optimizar los parámetros de perforación y maximizar la eficiencia de extracción.