El proceso de reformado seco de metano (DRM) se considera un enfoque viable para producir hidrógeno y reducir la concentración atmosférica de dióxido de carbono. En tiempos recientes, se han observado avances notables en el desarrollo de catalizadores que permiten este camino. Se han realizado numerosos experimentos para investigar el uso de catalizadores a base de níquel en el reformado seco de metano. Todos estos experimentos reportados mostraron que las variaciones en las propiedades del catalizador, a saber, el tamaño de poro, el volumen de poro y el área superficial, afectan la producción de hidrógeno en el DRM. Ninguno de los estudios anteriores ha modelado la actividad del catalizador incorporado con níquel en función de sus propiedades. En esta investigación, se predice el rendimiento de hidrógeno del DRM utilizando tres diferentes algoritmos de aprendizaje de redes neuronales artificiales como función de las propiedades físicas del catalizador a base de Ni junto con dos entradas de reacción. Las propiedades geométricas como conjunto de entrada son un enfoque diferente para desarrollar tales modelos empíricos. Los modelos que mejor se ajustan son el modelo de red neuronal artificial utilizando el algoritmo de Levenberg-Marquardt y diez neuronas ocultas, que dio un coeficiente de determinación de 0.9931 y un MSE de 7.51, y el modelo de red neuronal artificial utilizando el algoritmo de gradiente conjugado escalado y ocho neuronas en la capa oculta, que tuvo un coeficiente de determinación de 0.9951 y un MSE de 4.29. Este estudio ofrece conocimientos útiles sobre cómo mejorar los procesos de DRM.