La gasificación de biomasa, una tecnología clave de conversión de residuos en energía, es un proceso termoquímico complejo con muchas variables de entrada que influyen en el rendimiento y la calidad del gas de síntesis. En este estudio, se desarrollan modelos de aprendizaje automático impulsados por datos para capturar las relaciones no lineales entre las propiedades de la materia prima, las condiciones de operación y la composición del gas de síntesis, con el fin de optimizar el rendimiento del proceso. Se entrenaron Random Forest (RF), CatBoost (Aumento Categórico) y una Red Neuronal Artificial (ANN) para predecir los principales resultados del gas de síntesis (composición del gas de síntesis y rendimiento del gas de síntesis) a partir de las entradas del proceso. El modelo de mejor rendimiento (ANN) se integró en un marco de optimización multiobjetivo utilizando el conjunto de herramientas de Optimización y Aprendizaje Automático de código abierto (OMLT) en Pyomo. Se formuló un problema de optimización con dos objetivos: maximizar la relación de hidrógeno a monóxido de carbono (H/CO) y maximizar el rendimiento del gas de síntesis simultáneamente, sujeto a restricciones operativas. El compromiso entre estos objetivos en competencia se resolvió generando una frontera de Pareto, que identifica puntos de operación óptimos para diferentes ponderaciones de prioridad de calidad frente a cantidad del gas de síntesis. Para interpretar los modelos de aprendizaje automático y validar el conocimiento del dominio, se aplicaron Explicaciones Aditivas de Shapley (SHAP), revelando que parámetros como la relación de equivalencia, la relación de vapor a biomasa, el valor calorífico inferior de la materia prima y el contenido de carbono fijo influyen significativamente en los resultados del gas de síntesis. Nuestros resultados destacan un claro compromiso entre maximizar el contenido de hidrógeno y el rendimiento total del gas y señalan las condiciones óptimas para equilibrar este compromiso. Este enfoque integrado, que combina predicciones avanzadas de aprendizaje automático, explicabilidad y rigurosa optimización multiobjetivo, es novedoso para la gasificación de biomasa y proporciona información práctica para mejorar la eficiencia de producción de gas de síntesis, demostrando el valor de la optimización impulsada por datos en procesos sostenibles de conversión de residuos en energía.