El modelamiento predictivo y su uso en distintos campos de la investigación ha optimizado los procesos ingenieriles en la minería y otras industrias. El objetivo de este proyecto es implementar un modelo predictivo capaz de evaluar y predecir la concentración de metano en labores mineras subterráneas de carbón, además de identificar las condiciones internas de la mina que puedan favorecer la acumulación de gas metano en los frentes de trabajo. Para este propósito, se utilizó el lenguaje de programación Python, con la finalidad de optimizar el preprocesamiento de los datos y eliminar anomalías en la data. La evaluación y mejora continua del modelo se realizó por funciones internas de programación. La arquitectura de la red neuronal procesó la información de 34 variables de entrada y predijo series temporales de 3 sensores objetivos que captaron altas concentraciones de metano. Se encontró que los modelos neuronales bidireccionales aplicados en este estudio arrojaron excelentes resultados en comparación con las redes recurrentes normales. Se comparó los valores reales con los valores obtenidos por el modelo, observando una correlación de exactitud del 99.50%. En este sentido, el modelo de predicción que mejor se adapta a la data obtenida en el interior de mina es el BILSTM.