Las redes neuronales de memoria a corto y largo plazo se han propuesto como un medio para crear modelos precisos a partir de grandes datos de series temporales originados en varios campos. Estos modelos pueden ser utilizados además para algoritmos de predicción, control o detección de anomalías. Sin embargo, encontrar los hiperparámetros óptimos para maximizar diferentes criterios de rendimiento sigue siendo un desafío tanto para usuarios novatos como experimentados. Los algoritmos de optimización de hiperparámetros a menudo pueden ser una tarea intensiva en recursos y que consume mucho tiempo, especialmente cuando no se comprende o se conoce el impacto de los hiperparámetros en el rendimiento de la red neuronal. Teacher forcing denota un procedimiento que implica alimentar la salida verdadera del paso de tiempo anterior como entrada al paso de tiempo actual durante el entrenamiento, mientras que durante la prueba se retroalimentan los valores predichos. Este documento presenta un examen exhaustivo del impacto de los hiperparámetros en las redes neuronales de memoria a corto y largo plazo, con y sin teacher forcing, en el rendimiento de predicción. El estudio incluye pruebas de redes neuronales de memoria a corto y largo plazo, con dos variaciones de teacher forcing, en dos modos de predicción, utilizando dos configuraciones (es decir, entrada múltiple-salida única y entrada múltiple-salida múltiple) en un conocido conjunto de datos de simulación de procesos químicos. Además, este documento demuestra la aplicabilidad de una red neuronal de memoria a corto y largo plazo con un enfoque de teacher forcing modificado en un sistema de monitoreo de estado de proceso. Se realizaron más de 100,000 experimentos con hiperparámetros variables y en múltiples modos de operación de redes neuronales, revelando el impacto directo de cada hiperparámetro probado en los procedimientos de entrenamiento y prueba.