El monitoreo y pronóstico de procesos son esenciales para garantizar la eficiencia de los procesos industriales. Aunque es posible modelar procesos utilizando enfoques fenomenológicos, estos no siempre son fáciles de aplicar y generalizar debido a la complejidad de los procesos y al alto número de parámetros desconocidos. Este trabajo tiene como objetivo presentar una arquitectura de modelado híbrido que combina un modelo fenomenológico con modelos de aprendizaje automático. La propuesta es permitir el uso de modelos fenomenológicos simplificados para explicar los principios básicos detrás de un fenómeno. A continuación, el modelo orientado a datos corrige desviaciones de las predicciones del modelo simplificado. La hipótesis de investigación consiste en mostrar los beneficios de integrar el conocimiento previo de ingeniería química en la simplificación de modelos basados en datos, mejorando su generalización y mejorando su interpretabilidad. El proceso de gasificación de biomasa de lignina con agua supercrítica se utilizó como un estudio de caso para esta metodología y la variable a observar fue la producción de hidrógeno. Los datos experimentales reales de este proceso se aumentaron utilizando la minimización de energía de Gibbs con la ecuación de estado de Peng-Robinson, generando así una base de datos más voluminosa que se consideró como datos reales del proceso. Se utilizó el modelo de gas ideal como modelo simplificado, produciendo desviaciones significativas en las predicciones (desviaciones relativas mayores al 20%). Las desviaciones (deltaH =) se utilizaron como la variable objetivo para el modelo de aprendizaje automático. Se utilizaron modelos de regresión lineal (LASSO y regresión lineal simple) para predecir deltaH y esta variable se agregó al modelo de pronóstico simplificado. Esto consistió en la predicción híbrida de la formación de hidrógeno resultante (). Entre los modelos verificados, la regresión lineal simple se ajustó mejor a los valores de deltaH (R = 0.985) y MAE menor a 0.1. Por lo tanto, la arquitectura híbrida propuesta permitió la predicción de la formación de hidrógeno durante el proceso de gasificación de biomasa de lignina, a pesar de las limitaciones termodinámicas del modelo de gas ideal. La hibridación demostró ser robusta como herramienta de monitoreo de procesos, proporcionando la abstracción de las no idealidades de los procesos industriales a través de modelos simples orientados a datos, sin perder poder predictivo. El objetivo del trabajo se cumplió, presentando una nueva posibilidad para el monitoreo de procesos industriales reales.