La cuarta revolución industrial ha transformado la industria, con la tecnología de la información desempeñando un papel crucial en este cambio. La creciente digitalización de los sistemas industriales exige métodos de detección y control eficientes, dando lugar a sensores suaves que tienen el potencial de reemplazar a los sensores físicos tradicionales para reducir costos y mejorar la eficiencia. Este estudio explora la implementación de un modelo de sensor suave basado en una red neuronal artificial (ANN) en un sistema de suministro de agua para predecir las tasas de flujo dentro del sistema. El sensor suave se centra en un modelo de red neuronal artificial de memoria a largo y corto plazo (LSTM) utilizando Monte Carlo dropout para reducir la incertidumbre y mejorar el rendimiento de la estimación. Con base en los resultados de este trabajo, se concluye que el sensor suave propuesto (con Monte Carlo dropout) puede predecir las tasas de flujo con mayor precisión, contribuyendo a la reducción de pérdidas de agua, así como a ahorros de costos. Este enfoque ofrece una solución valiosa para minimizar las pérdidas de agua y garantizar el uso eficiente de este recurso vital. En cuanto al uso de sensores suaves basados en redes neuronales LSTM con una cuidadosa elección de los parámetros de Monte Carlo dropout, en comparación con el modelo de perceptrón multicapa, el modelo LSTM con Monte Carlo dropout mostró un mejor error absoluto medio, error cuadrático medio y coeficiente de determinación: 0.2450, 0.3121 y 0.996437 frente a 0.2556, 0.3522 y 0.9954. Además, esta elección de parámetros de Monte Carlo dropout nos permitió lograr un modelo de red LSTM capaz de reducir la incertidumbre a 1.8290, manteniendo también los métricas de error en niveles bajos.