La integración de materiales sostenibles como la ceniza volante, la escoria de alto horno, los agregados reciclados y el agua de mar en mezclas de concreto ofrece un potencial significativo para reducir el impacto ambiental de la construcción. Sin embargo, los métodos experimentales tradicionales para determinar la resistencia a la compresión de estas mezclas de concreto son lentos y requieren muchos recursos. Este estudio aprovecha las Redes Neuronales Artificiales (ANN) y el Aprendizaje Automático (ML) para desarrollar un modelo predictivo de la resistencia a la compresión del concreto sostenible, utilizando un conjunto de datos de 768 muestras de mezclas de concreto. Las variables de entrada incluyen la edad del concreto, así como la composición del concreto, que incluye los contenidos de cemento, agua, agregados finos y gruesos, agua de mar, ceniza volante, escoria de alto horno y superplastificante, mientras que la salida es la resistencia a la compresión. El modelo desarrollado captura las relaciones no lineales entre estas variables para predecir la resistencia a la compresión de manera eficiente. El mejor modelo de ANN logró una pérdida de prueba de 0.051, demostrando su capacidad para predecir con precisión la resistencia a la compresión y reducir la dependencia de los métodos de prueba tradicionales. Además, los resultados del modelo se compararon con los de algoritmos alternativos para garantizar su validez. Estos hallazgos destacan el potencial del aprendizaje automático en el avance de prácticas de construcción sostenibles. Una dirección de investigación futura relevante es analizar la importancia de las características en los modelos de aprendizaje automático para identificar variables clave y guiar una optimización y toma de decisiones más efectivas, además de extender su aplicación a otras propiedades de materiales y mezclas de concreto avanzadas.