Esta dissertação insere-se no contexto da Modelagem Matemática, com ênfase em problemas relacionados à Engenharia de Reservatórios. Em particular, foi abordado ao longo do texto a aplicação de redes neurais para a predição de importantes dados de poços de petróleo, tais como pressão de fundo de poço, vazão de óleo e água, ao longo de períodos prolongados. Para isso, foi utilizado o método conhecido como Embed to Control and Observe. Um dos principais tópicos discutidos no trabalho foi referente a sensibilidade dos hiperparâmetros das redes neurais, que são definidos durante o processo de treinamento. Em especial, houve uma investigação sobre como a variação desses hiperparâmetros impacta na acurácia das predições. Notou-se que os pesos aplicados às funções custo (transição, transição de saída, vazão de água, saturação nos gridblock produtores), o número de batch size, da seed e da versão de Python impactaram significativamente na acurácia das predições.