Las principales causas de los altos costos de producción y emisiones de gases de efecto invernadero en el proceso de picado de rastrojos de maíz son el alto consumo de energía y la fuerza de corte. Abordando estos problemas, este documento propone una solución que aprovecha algoritmos de aprendizaje automático para seleccionar parámetros operativos apropiados para dispositivos de picado, reduciendo así el consumo de energía y la fuerza de corte. En este estudio, la fuerza máxima de rotura del tallo (PB), el consumo de energía del picado del tallo (EC) y el momento de corte deslizante de la cuchilla de disco (SM) se establecieron como variables dependientes, y la velocidad de rotación de la cuchilla tipo Y (RSY), la relación de transmisión (TR) y el ángulo de corte deslizante (SA) se establecieron como variables independientes. Se aplicaron varias técnicas, incluyendo retropropagación (BP), una función de base radial (RBF), una red neuronal artificial (ANN), regresión de vectores de soporte y un modelo de regresión polinómica paso a paso, utilizando un enfoque de validación cruzada de 6 pliegues para determinar los modelos predictivos más efectivos. Los resultados indicaron que el modelo BP-ANN tiene el mejor rendimiento en la predicción de PB (R = 0.9860) y SM (R = 0.9561), mientras que el modelo RBF-ANN ofrece la mayor precisión en la predicción de EC (R = 0.9255) bajo los parámetros óptimos. Posteriormente, se realizó una prueba de verificación utilizando datos de entrenamiento y prueba seleccionados al azar basados en las funciones predichas seleccionadas. Los resultados demostraron que los datos R y R para PB, EC y SM son todos superiores a 0.95, lo que indica que las redes neuronales BP y RBF son capaces de predecir con precisión la relación no lineal entre las variables dependientes (EC, SM y PB) y las variables independientes (RSY, TR y SA) en aplicaciones prácticas.