El estallido inducido por explosiones de aire representa un problema ambiental y operativo significativo para la minería a cielo abierto, afectando la seguridad, el cumplimiento normativo y el bienestar de las comunidades circundantes. A pesar de los avances en los métodos de aprendizaje automático para predecir el estallido de aire, los estudios actuales descuidan características geomecánicas esenciales, específicamente la resistencia del macizo rocoso (RMS), que es vital para la transmisión de energía y la atenuación de ondas de presión. Este artículo presenta un algoritmo de búsqueda capuchino optimizado para un perceptrón multicapa (CapSA-MLP) que incorpora RMS, profundidad del agujero (HD), carga máxima por retraso (MCPD), distancia de monitoreo (D), masa explosiva total (TEM) y número de agujeros (NH). Se utilizaron conjuntos de datos de explosiones de una cantera de granito para entrenar y probar el modelo en comparación con enfoques de referencia, como la red neuronal artificial optimizada por enjambre de partículas (PSO-ANN), el análisis de regresión multivariada (MVRA) y la ecuación de la Oficina de Minas de los Estados Unidos (USBM). CapSA-MLP superó a PSO-ANN (RMSE = 1.120, R = 0.904 en comparación con RMSE = 1.284, R = 0.846), mientras que MVRA y USBM mostraron menor precisión. El análisis de sensibilidad indicó que RMS es el principal factor de entrada. Este estudio es el primero en utilizar CapSA-MLP con RMS para la predicción de estallidos de aire. Los hallazgos ilustran la importancia de la optimización metaheurística en el desarrollo de modelos adaptables y generalizables para varios tipos de roca, mejorando así el diseño de explosiones y la gestión ambiental en las actividades mineras.