Este estudio aborda la integración del aprendizaje automático (ML) con sistemas de control supervisado y adquisición de datos (SCADA) para mejorar el mantenimiento predictivo y la eficiencia operativa en el monitoreo de pozos de petróleo. Investigamos la aplicabilidad de modelos avanzados de ML, incluyendo Memoria a Largo y Corto Plazo (LSTM), LSTM Bidireccional (BiLSTM) y LSTM de Momentum (MLSTM), en un conjunto de datos de 21,644 registros operativos. Estos modelos fueron entrenados para predecir un parámetro operativo crítico, la Tasa de Flujo, que es esencial para la integridad y eficiencia operativa. Nuestros resultados demuestran mejoras sustanciales en la precisión predictiva: el modelo LSTM logró un puntaje R de 0.9720, el modelo BiLSTM alcanzó 0.9725 y el modelo MLSTM llegó a 0.9726, todos con errores absolutos medios (MAEs) excepcionalmente bajos alrededor de 0.0090 para LSTM y 0.0089 para BiLSTM y MLSTM. Estos altos valores de R indican que nuestros modelos pueden explicar más del 97% de la varianza en el conjunto de datos, reflejando una precisión predictiva significativa. Tal rendimiento subraya el potencial de integrar ML con sistemas SCADA para aplicaciones en tiempo real en la industria del petróleo y gas. Este estudio cuantifica los beneficios de la integración de ML y sienta las bases para futuros avances en sistemas de monitoreo autónomo de pozos.