El manejo y tratamiento de los residuos sólidos municipales (RSM) es un problema de carácter crítico, especialmente, en los países en crecimiento. El aumento de la población, la urbanización, el progreso económico e industrial traen consigo un incremento en la generación de los RSM y en la complejidad de su tratamiento (Hettiarachchi et al., 2018; Shah et al., 2021; Srivastava et al., 2015). Debido a los altos volúmenes de producción y la escasez de rellenos sanitarios en las ciudades, los RSM se han convertido en desechos difíciles de manejar para las entidades competentes. Por esta razón, existe un creciente interés en el estudio del fenómeno de combustión en las calderas de parrilla móvil, una de las técnicas más empleadas para el manejo de los RSM. En particular existen dos aspectos de gran interés en este tipo de calderas: la disminución de las emisiones y el manejo de la eficiencia energética. Para realizar la caracterización de estos dos parámetros en diferentes condiciones de operación es necesario realizar un gran número de pruebas paramétricas (Ross-Veitía et al., 2024). Sin embargo, la exploración de múltiples condiciones de operación y composición de combustible puede resulta prohibitivo en términos de tiempo, costo computacional e inversión económica. Por estos motivos, es importante desarrollar metodologías que permitan evaluar rápidamente condiciones de diseño y operación y anticipar respuestas del sistema, puntualmente, para predecir la eficiencia térmica y las emisiones de óxidos de nitrógenos (NOx) este tipo de incineradores. Desde una perspectiva de análisis computacional del fenómeno, se destacan aportes en el campo de los métodos numéricos, como el acople entre modelos Lagrangiano-Euleriano, por ejemplo, el Discrete Element Method (DEM) y Computational Fluid Dynamics (CFD) (Wissing et al., 2017), o el enfoque Euleriano-Euleriano que solo emplea CFD (Rückert et al., 2021). También se han desarrollado mejores modelos termoquímicos que describen las complejas reacciones que se llevan a cabo en la parrilla (Jiang et al., 2020; Lai and Law, 2019; Yang et al., 2022). Distintas investigaciones han explorado el potencial uso de algoritmos de «aprendizaje automático» en el campo de la combustión (Ihme et al., 2022), en específico el uso de estrategias que pueden ser catalogadas como estrategias de «aprendizaje supervisado». Esto se debe a que los métodos agrupados por dicha subcategoría permiten la construcción de modelos o hipótesis cuyo propósito es el de predecir respuestas del sistema a partir datos de entrada cuya obtención se hace a través de un conjunto de datos etiquetados de origen experimental o computacional, también conocidos como «datos de entrenamiento» (Ross-Veitía et al., 2024). Esta estrategia es especialmente ventajosa, dado que, en la actualidad, existen grandes volúmenes de datos al igual que medios disponibles para generarlos (Ihme et al., 2022). De este modo, es posible generar modelos ligeros que puedan anticipar respuestas del sistema usando métodos de aprendizaje supervisado, con la ventaja adicional de que la materia prima para su entrenamiento es relativamente fácil de generar o adquirir. Dado lo anterior, con el fin de llenar los vacíos metodológicos identificados, el presente proyecto propone una estrategia sistemática que permita aprovechar los datos generados por simulaciones computacionales CFD de baja, media y alta fidelidad para el entrenamiento de modelos de regresión. El propósito de este modelo es el de predecir la eficiencia térmica y la proporción de óxidos de nitrógeno en una caldera de parrilla móvil incineradora de residuos sólidos municipales, la cual funcione en estado pseudo-estacionario a diferentes condiciones de operación, y así brindar una herramienta para uso en procesos de evaluación y diseño de sistemas de manejo de Residuos Sólidos Municipales basados en procesos que combustión.