Predecir con precisión el tiempo de reingreso posterior a la explosión puede mejorar la productividad y reducir significativamente los accidentes. Las fórmulas empíricas para la predicción del tiempo son prácticas de implementar, pero carecen de precisión. En este estudio, se propuso un método novedoso basado en la red neuronal de retropropagación (BPNN) para abordar las desventajas. Se construyó un modelo numérico y se registraron 300 puntos de datos de muestra, teniendo en cuenta el volumen de aire fresco, el límite de exposición ocupacional, el volumen de gas tóxico por kg de explosivos y la longitud de la carretera. Luego se desarrolló el modelo BPNN con seis neuronas en una capa oculta y se discutió el rendimiento de la predicción en términos de cuatro indicadores, a saber, el error cuadrático medio (RMSE), el coeficiente de determinación (R), el error absoluto medio (MAE) y la suma de errores al cuadrado (SSE). Además, se introdujo y calibró una fórmula empírica representativa para la comparación. Los resultados obtenidos mostraron que el modelo BPNN tenía un rendimiento más notable, con un RMSE de 21.45 (R: 0.99, MAE: 10.78 y SSE: 40934), en comparación con la fórmula empírica, que tenía un RMSE de 76.89 (R: 0.90, MAE: 42.06 y SSE: 526147). Por lo tanto, el modelo BPNN es un método superior para predecir el tiempo de reingreso posterior a la explosión. Para una mejor aplicación práctica, se integró en el software.