La mezcla de combustibles juega un papel muy importante en las refinerías de petróleo, ya que afecta directamente la calidad de los productos finales, así como la rentabilidad general de la refinería. Este proceso de mezcla implica una combinación de diversas corrientes de hidrocarburos para crear combustibles que cumplan con estándares de rendimiento específicos y se ajusten a las directrices regulatorias. Durante muchas décadas, la mayoría de las refinerías han dependido de modelos de programación lineal (LP) para desarrollar recetas para la optimización de la mezcla. Sin embargo, la mayoría de los modelos de LP normalmente no logran capturar la compleja interacción no lineal de los componentes de la mezcla con las propiedades del combustible, lo que lleva a productos fuera de especificación que pueden requerir una nueva mezcla. Este trabajo discute un estudio de caso de un método híbrido basado en inteligencia artificial (IA) para la mezcla de gasolina, basado en un algoritmo genético (GA) combinado con una red neuronal artificial (ANN). Los sistemas de mezcla basados en IA son más flexibles y permitirán a las refinerías cumplir regularmente con las especificaciones del producto y resultar en una reducción de costos debido a la disminución de las pérdidas de calidad. El proceso impulsado por IA discutido puede predecir, con mucha mejor precisión, propiedades críticas de combustión de la gasolina, como el Número de Octano de Investigación (RON), el Número de Octano de Motor (MON) y el Índice Anticombustible (AKI), en comparación con los modelos clásicos de LP, con la ventaja adicional de optimización de la relación de mezcla en tiempo real. Los resultados mostraron que el sistema de mezcla de combustible integrado con IA fue capaz de producir recetas de combustible con un error absoluto medio (MAE) de 1.4 para el AKI. El MAE obtenido está cerca de la incertidumbre experimental de 0.5 octano. También se obtuvo un alto coeficiente de determinación (R) de 0.99 cuando el sistema fue validado con un nuevo conjunto de 57 combustibles que comprenden combustibles de referencia primaria y mezclas de gasolina reales. El estudio destaca el potencial de los sistemas integrados con IA para transformar las prácticas tradicionales de mezcla de combustibles hacia operaciones de refinería sostenibles y económicamente viables.