La predicción precisa de la calidad de la masa rocosa frente a la cara del túnel es crucial para optimizar las estrategias de construcción de túneles, mejorar la seguridad y reducir los riesgos geológicos. Este estudio desarrolló tres modelos híbridos utilizando un bosque aleatorio (RF) optimizado por optimización de polilla-flama (MFO), optimizador de lobo gris (GWO) y algoritmos de optimización bayesiana (BO) para clasificar la roca circundante en tiempo real durante las operaciones de la máquina de perforación de túneles (TBM). Un conjunto de datos con 544 muestras de perforación de TBM incluyó parámetros clave como la fuerza de empuje por cortador (TFC), revoluciones por minuto (RPM), tasa de penetración (PR), tasa de avance (AR), penetración por revolución (PRev) y el índice de penetración de campo (FPI), con clasificación de roca basada en el método de Clasificación de Masa Rocosa (RMR). Para abordar el desequilibrio de clases, se aplicó la Técnica de Sobremuestreo de Minorías Sintéticas en la Frontera. Las evaluaciones de rendimiento revelaron el rendimiento superior del modelo MFO-RF, con precisiones de entrenamiento y prueba de 0.992 y 0.927, respectivamente, y los principales predictores identificados como PR, AR y RPM. Una validación adicional utilizando 91 conjuntos de datos confirmó la fiabilidad del modelo MFO-RF en datos no vistos, logrando una precisión de 0.879. También se desarrolló una interfaz gráfica de usuario, lo que permite a los ingenieros de campo y técnicos hacer predicciones instantáneas y fiables de clasificación de roca, apoyando en gran medida la construcción segura de túneles y la eficiencia operativa. Estos modelos contribuyen con herramientas valiosas para la toma de decisiones en tiempo real y basadas en datos en proyectos de túneles.