El aprendizaje federado (FL) ha ganado una atención significativa en el aprendizaje automático distribuido debido a su capacidad para proteger la privacidad de los datos mientras permite el entrenamiento de modelos a través de fuentes de datos descentralizadas. Sin embargo, los métodos tradicionales de FL enfrentan desafíos para garantizar la confianza, la seguridad y la eficiencia, particularmente en entornos heterogéneos con capacidades computacionales variables. Para abordar estos problemas, proponemos un método de aprendizaje federado confiable basado en blockchain que integra FL con tecnología de blockchain de consorcio. Este método aprovecha el registro de potencia computacional para agrupar a los participantes con recursos similares en cadenas privadas y emplea comunicación entre cadenas con una cadena de gestión central para garantizar una agregación de modelos eficiente y segura. Nuestro enfoque mejora la eficiencia de la comunicación al optimizar el proceso de actualización del modelo a través de las cadenas, y mejora la seguridad a través de la transparencia e inmutabilidad inherentes de la blockchain. El uso de contratos inteligentes para la verificación de participantes, actualizaciones de modelos y auditorías refuerza aún más la confiabilidad del sistema. Los resultados experimentales muestran mejoras significativas en la eficiencia de la comunicación, la velocidad de convergencia del modelo y la seguridad en comparación con los métodos tradicionales de aprendizaje federado. Esta solución basada en blockchain proporciona un marco robusto para crear entornos de aprendizaje federado seguros, eficientes y escalables, asegurando un intercambio de datos confiable y un entrenamiento de modelos digno de confianza.