[pt] Na geotecnia, os parâmetros de resistência do solo são essenciais para qualquer projeto. Os ensaios de campo e laboratório são essenciais, mas ainda enfrentam muitas limitações práticas e financeiras. Além disso, métodos tradicionais, apoiados em relações empíricas ou teóricas, frequentemente não conseguem abranger a complexidade comportamental do solo. Diante disso, destaca-se a necessidade de explorar alternativas para superar essas barreiras. Neste contexto, a inteligência artificial surge como uma abordagem inovadora. Este estudo propõe um modelo preditivo para analisar a curva tensão-deslocamento em ensaios de cisalhamento direto e tensão-deformação em ensaios de cisalhamento simples (Direct Simple Shear - DSS) em areia. Após coletar e digitalizar dados de diversas fontes acadêmicas, formou-se uma base experimental robusta para treinar três algoritmos de Machine Learning (ML): Support Vector Regression (SVR), Random Forest (RF) e Feedforward Neural Network (FNN). Foram realizadas análises comparativas dos modelos, com foco particular na avaliação de métricas de desempenho e curvas dos ensaios de validação. O RF destacou-se por sua precisão e confiabilidade. Embora os modelos SVR e FNN tenham demonstrado utilidade, o RF emergiu como o mais eficaz. Este resultado reforça a viabilidade dos modelos de ML, particularmente o RF, como ferramentas valiosas para engenheiros geotécnicos e pesquisadores na previsão do comportamento de areias, mesmo com um conjunto de dados limitado. / [en] In geotechnics, soil resistance parameters are essential for any project. Field and laboratory tests are essential, but still face many practical and financial limitations. Moreover, traditional methods, relying on empirical or theoretical relationships, often fail to encompass the soil s behavioral complexity. In light of this, there is a highlighted need to explore alternatives to overcome these barriers. In this context, artificial intelligence emerges as an innovative approach. This study proposes a predictive model to analyze the stress-displacement curve in direct shear tests and stress-strain in Direct Simple Shear (DSS) in sand. After collecting and digitizing data from various academic sources, a robust experimental base was formed to train three Machine Learning (ML) algorithms: Support Vector Regression (SVR), Random Forest (RF), and Feedforward Neural Network (FNN). Comparative analyses of the models were conducted, with a particular focus on the evaluation of performance metrics and validation test curves. RF stood out for its accuracy and reliability. Although the SVR and FNN models demonstrated utility, RF emerged as the most effective. This result reinforces the viability of ML models, particularly RF, as valuable tools for geotechnical engineers and researchers in predicting the behavior of sands, even with a limited data set.