Trong thiết kế kết cấu sàn phẳng, vấn đề thiết kế chống phá hoại chọc thủng giữa cột và sàn luôn được quan tâm đặc biệt vì đây là kiểu phá hoại giòn nguy hiểm cho công trình. Vì vậy, điều quan trọng là phải dự đoán chính xác sức kháng chọc thủng của sàn phẳng BTCT. Nhiều phương trình thực nghiệm và các mã thiết kế đã được đề xuất để xác định sức kháng chọc thủng của sàn phẳng. Tuy nhiên, độ chính xác của các phương trình này bị hạn chế do phải sử dụng một số giả thiết nhất định. Do đó, với một cách tiếp cận mới, nghiên cứu này nghiên cứu ứng dụng của mô hình máy học dựa trên thuật toán Gradient tăng cường để dự đoán sức kháng chọc thủng của sàn phẳng BTCT. Bộ cơ sở dữ liệu gồm 380 kết quả thí nghiệm thu thập được từ các tài liệu có sẵn đã được sử dụng cho quá trình huấn luyện và kiểm chứng mô hình học máy đề xuất. Hiệu suất của mô hình máy học được đánh giá bằng cách sử dụng căn của sai số toán phương trung bình (RMSE), sai số tuyệt đối trung bình (MAE), và hệ số xác định (R2). Kết quả cho thấy mô hình đề xuất có khả năng dự đoán tốt sức kháng chống chọc thủng của sàn phẳng BTCT., Tóm tắt tiếng anh, The problem of anti-puncture design between columns and slab is always of significant concern in the design of flat slab buildings, as this is a serious brittle failure type. As a result, it is critical to precisely estimate the punching shear strength of a reinforced concrete flat slab. Numerous empirical formulae and design codes for determining the punching shear strength of flat slabs have been proposed. However, due to the inclusion of certain assumptions, the precision of these equations is restricted. Thus, this work studies the application of a machine learning model based on the gradient boosting technique to estimate the punching shear strength of flat slabs. A database comprising 380 experimental results extracted from the literature was employed to train and test the proposed machine learning model. The performance of the machine learning model was evaluated using root mean square error (RMSE), mean absolute error (MAE), and coefficient of determination (R2). The results demonstrate that the suggested model can accurately forecast the punching shear strength of flat slabs.