Predecir con precisión el estrés en tuberías de alcantarillado de gran diámetro es fundamental para garantizar su fiabilidad estructural y seguridad. Para cumplir con los requisitos de seguridad de las tuberías de concreto de gran diámetro, proponemos un modelo híbrido que integra Redes Kolmogorov-Arnold (KAN) con redes neuronales de Memoria a Largo y Corto Plazo (LSTM). El modelo se entrena y valida utilizando datos reales de monitoreo de tuberías, asegurando que capture con precisión tanto las dependencias temporales como los patrones de estrés no lineales inherentes a dichos sistemas. Al modificar la capa completamente conectada del modelo LSTM original, desarrollamos un nuevo modelo LSTM-KAN y evaluamos su rendimiento a través de un análisis predictivo exhaustivo. Las comparaciones con un modelo LSTM tradicional revelan que el modelo LSTM-KAN, en el que la capa completamente conectada es reemplazada por una capa KAN, logra una pérdida significativamente menor y una mayor precisión con menos iteraciones de entrenamiento. Específicamente, el modelo propuesto alcanza un error absoluto medio (MAE) de 0.033, un error cuadrático medio (RMSE) de 0.035 y un coeficiente de determinación (R2) de 0.92, subrayando su superior precisión y eficiencia, y puede ser utilizado para la predicción a largo plazo del estrés en tuberías de gran diámetro. Además, la integración de KAN mejora significativamente la capacidad de modelado no lineal del LSTM convencional, permitiendo que el modelo híbrido capture eficazmente variaciones complejas de estrés bajo condiciones de operación variables. Este trabajo no solo proporciona un apoyo técnico novedoso para la aplicación del aprendizaje profundo en la predicción del estrés en tuberías, sino que también ofrece un marco robusto adaptable a otras aplicaciones de monitoreo de salud estructural.