El objetivo de este trabajo es evaluar y comparar la capacidad predictiva del modelo termodinámico UNIFAC Dortmund y un modelo de Machine Learning para describir los equilibrios líquido-líquido (LLE) en sistemas relacionados con la producción de biodiésel. La necesidad de reducir las emisiones de gases de efecto invernadero ha impulsado la búsqueda de alternativas a los combustibles fósiles, destacando el biodiésel. Sin embargo, la producción de biodiésel enfrenta desafíos debido a la formación de mezclas heterogéneas, lo que dificulta su transformación y afecta su competitividad en el mercado. El modelar de manera precisa y robusta de los LLE es clave para mejorar la eficiencia en la producción de biodiésel, haciéndolo así más competitivo en el mercado y fomentando su adopción. Aunque este problema ha sido explorado con anterioridad, se han encontrado limitaciones en la capacidad de los modelos termodinámicos de generalizar a un amplio rango de sistemas y condiciones de operación relacionadas con la producción de biodiesel. Alternativamente, los modelos de Machine Learning han demostrado ser herramientas prometedoras, aunque también dependen de bases de datos robustas. Esta investigación busca determinar cuál de estas herramientas, ofrece mejores predicciones y una mayor generalización para distintos sistemas de producción de biodiésel. Para ello, se actualizará una base de datos de LLE, se optimizarán los parámetros de interacción de grupos de UNIFAC Dortmund mediante algoritmos genéticos y se desarrollará un modelo de Machine Learning para comparar su desempeño. A través de este análisis, se espera contribuir al desarrollo de metodologías más precisas para el modelado termodinámicos de los LLE involucrados en los procesos de la producción de biodiésel, facilitando su adopción como una alternativa sostenible.