Un electrolizador de membrana de intercambio de protones (PEM) se alimenta con agua y se potencia con energía eléctrica para producir hidrógeno electroquímicamente a bajas temperaturas de operación y emite oxígeno como subproducto. Debido a la compleja naturaleza del rendimiento de los electrolizadores PEM, la aplicación de una red neuronal artificial (ANN) es capaz de predecir sus características dinámicas. Un puñado de estudios ha examinado y explorado la ANN en la predicción de las características transitorias de los electrolizadores PEM. Esta investigación explora la estimación del comportamiento transitorio de un conjunto de electrolizadores PEM bajo diversas condiciones operativas. Las variables de entrada en este estudio incluyen la corriente del conjunto, la presión de oxígeno, la presión de hidrógeno y la temperatura del conjunto. Los modelos de ANN que utilizan tres algoritmos de aprendizaje diferentes y estructuras de retraso temporal estimaron la tasa de flujo másico de hidrógeno, que tuvo un comportamiento transitorio de 0 a 1 kg/h, y pronosticaron mejor con un mayor número (>5) de neuronas en la capa oculta. Se registró un coeficiente de determinación de 0.84 y un error cuadrático medio de menos de 0.005. El modelo que mejor se ajustó para predecir el comportamiento dinámico de la tasa de flujo másico de hidrógeno fue un modelo de ANN que utilizó el algoritmo de Levenberg-Marquardt con 40 neuronas, que tuvo un coeficiente de determinación de 0.90 y un error cuadrático medio de 0.00337. En conclusión, se desarrollaron modelos óptimamente ajustados de flujo de hidrógeno de electrolizadores PEM utilizando redes neuronales artificiales. Tales modelos son útiles para establecer un sistema de control de flujo ágil para el sistema de electrolizadores que ayude a disminuir el consumo de energía y aumentar la eficiencia en la generación de hidrógeno.