El análisis de perforación en tiempo real requiere conocimiento de la litología en la broca. Sin embargo, los sensores de registro mientras se perfora (LWD) en el ensamblaje de fondo de pozo (BHA) suelen estar posicionados de 2 a 50 m (7 a 164 pies) por encima de la broca (llamado desplazamiento del sensor), lo que provoca un retraso en el análisis de perforación en tiempo real. La solución actual de la industria para superar este retraso implica detener la perforación para realizar una circulación de fondo hacia arriba para la evaluación de recortes, un proceso que es tanto lento como costoso. Para abordar este problema, nuestro estudio evalúa tres metodologías para la predicción de litología en tiempo real en la broca utilizando parámetros de perforación y petrofísicos. El primer método emplea un enfoque petrofísico, que implica el uso de la densidad aparente y la porosidad de neutrones predicha en la broca. El segundo método combina aprendizaje automático (ML) no supervisado y supervisado para la predicción. El tercer método emplea algoritmos de clasificación en datos de litología etiquetados manualmente de informes de registro de lodo, un enfoque novedoso utilizado en este trabajo. Nuestros resultados muestran diferentes grados de éxito: el método de gráfico cruzado de densidad aparente versus porosidad de neutrones logró una precisión del 58% con datos de prueba de pozo ciego; el enfoque de ML mejoró la precisión al 66%; y la clasificación de Random Forest (RF) con etiquetado manual aumentó significativamente la precisión al 86%. Este análisis comparativo de tres metodologías diferentes para la predicción de litología no ha sido explorado previamente en la literatura. Si bien los métodos de agrupamiento y clasificación se han considerado los más efectivos, nuestro estudio demuestra que no siempre producen el mejor resultado. Estos hallazgos demuestran que los modelos de ML, particularmente el enfoque de etiquetado manual, superan sustancialmente al método petrofísico. Este nuevo algoritmo, diseñado para aplicaciones en tiempo real, utiliza parámetros de entrada seleccionados para minimizar eficazmente los problemas asociados con el desplazamiento del sensor de las herramientas LWD. Se adapta rápidamente a los cambios, ofreciendo una interpretación más rápida y rentable de la litología. Esto elimina la necesidad de una circulación de fondo hacia arriba que consume tiempo para evaluar los recortes. En última instancia, este enfoque mejora la eficiencia de perforación y mejora significativamente la precisión de la predicción de litología, especialmente en la identificación de capas geológicas intercaladas.