Las redes neuronales dinámicas (DNN) son un tipo de red neuronal artificial (ANN) diseñadas para trabajar con datos secuenciales donde el contexto en el tiempo es importante. A diferencia de las redes neuronales estáticas tradicionales que procesan datos en un orden fijo, las redes neuronales dinámicas utilizan información sobre entradas pasadas, lo cual es importante si se enfatiza la dinámica de un cierto proceso. Son comúnmente utilizadas en el procesamiento del lenguaje natural, reconocimiento de voz y predicción de series temporales. En procesos industriales, su uso es interesante para la predicción de variables de proceso difíciles de medir. En un proceso de isomerización industrial, es crucial medir los atributos de calidad que afectan el número de octano de la gasolina. Los analizadores de procesos comúnmente utilizados para este propósito son costosos y están sujetos a fallas. Por lo tanto, para lograr una producción continua en caso de un mal funcionamiento, se imponen modelos matemáticos para estimar los atributos de calidad del producto como solución. En este documento, se desarrollaron modelos matemáticos utilizando redes neuronales recurrentes dinámicas (RNN), es decir, su subtipo de una arquitectura de memoria a corto y largo plazo (LSTM). Los resultados de los modelos desarrollados se compararon con los resultados de varios tipos de otros modelos basados en datos desarrollados para un proceso de isomerización, como redes neuronales artificiales de perceptrón multicapa (MLP), máquinas de vectores de soporte (SVM) y modelos polinomiales dinámicos. Los resultados obtenidos son satisfactorios, lo que sugiere una buena posibilidad de aplicación.