A exploração de regiões complexas (pré-sal, formações rochosas depletadas, reservatórios carbonáticos) exigem técnicas de perfuração não convencionais como Pressurized Mud Cap Drilling (PMCD). Nesses cenários ocorrem frequentemente distúrbios de kick e perda de total de circulação. Dessa forma, é essencial o desenvolvimento de modelos matemáticos eficientes para prever pressões no poço, garantindo segurança no operacional, isto é, que a perfuração seja conduzida dentro da janela operacional: acima da pressão de poros e abaixo da pressão de fratura. Neste sentido, para descrever a técnica PMCD, o modelo matemático deve prever adequadamente as etapas de migração de gás e a operação de bullheading (bombeamento de fluido de sacrifício em contra corrente, sem retorno à superfície, forçando o gás e cascalho a retornarem para a formação). O presente trabalho de dissertação de mestrado desenvolveu modelos baseados em machine learning a partir de dados da unidade experimental do LEF/DEQ/IT/UFRRJ e de dados da literatura de poços reais. As métricas de avaliação estatísticas dos modelos (R², RMSE, MSE, SSE) e as simulações dinâmicas revelaram boa capacidade preditiva quando informação transiente é empregada.