Los valores de calentamiento superior (HHV) son un parámetro muy útil para evaluar el diseño y la operación a gran escala de sistemas de energía impulsados por biomasa. El HHV se mide convencionalmente de manera experimental con un calorímetro de bomba de oxígeno adiabático. Este procedimiento suele ser largo y costoso. Además, el acceso limitado a las instalaciones requeridas es el principal obstáculo para los investigadores. Se han propuesto inicialmente modelos empíricos lineales y no lineales para abordar estas preocupaciones. Sin embargo, la mayoría de los modelos mostraron discrepancias con los resultados experimentales. También se han adoptado métodos de aprendizaje automático (ML) basados en datos para las predicciones de HHV debido a su idoneidad para problemas no lineales. Sin embargo, la mayoría de las correlaciones de ML se basan en análisis proximales o finales. Además, los modelos son aplicables solo a la biomasa originaria o a un tipo específico. Para abordar estas deficiencias, se emplearon un total de 227 conjuntos de datos de biomasa basados en cuatro clases de biomasa, incluyendo residuos agrícolas, desechos industriales, cultivos energéticos y biomasa leñosa, para desarrollar y verificar tres modelos de ML diferentes, a saber, red neuronal artificial (ANN), árbol de decisión (DT) y bosque aleatorio (RF). El modelo incorpora datos de análisis proximal y final y biomasa como características de entrada. El modelo RF se identifica como el más confiable debido a su menor error absoluto medio (MAE) de 1.01 y error cuadrático medio (MSE) de 1.87. Los hallazgos del estudio pueden utilizarse para predecir el HHV con precisión sin realizar experimentos.