La refinación electrolítica de cobre enfrenta hoy mayor variabilidad en la composición de los ánodos y crecientes exigencias de competitividad. Para apoyar la toma de decisiones, se desarrolló un gemelo digital basado en datos históricos de una refinería electrolítica de cobre en Chile. La base de datos incluye 20 variables de entrada y 6 de salida (2016-2022). Se preprocesó mediante interpolación lineal y normalización Min-Max, técnica que mostró menor error y mejor preservación de rangos que la estandarización. El flujo de modelado tiene dos niveles: Nivel 1, modelos por sección que predicen la composición del electrolito y los cortocircuitos; Nivel 2, modelos que estiman la calidad de los cátodos a partir de esas salidas. La arquitectura utilizada es un encoder–decoder con capas LSTM. Los hiperparámetros se ajustaron por optimización bayesiana y la validación cruzada mitigó el sobreajuste. Los modelos se entrenaron y validaron con tres ventanas: 2016-2018, 2016-2022 y 2020-2022. En todas, el desempeño fue similar para el electrolito (aproximadamente 5 % MAPE) y la calidad de cátodos aproximadamente 1 %), pero la predicción de cortocircuitos mejoró con los datos 2020-2022, bajando el error a menos de un 10 %. El análisis de sensibilidad confirmó que densidades de corriente más altas incrementan los cortocircuitos y disminuyen la eficiencia de corriente o que el enriquecimiento de Sb en los ánodos disminuye la solubilidad de As en el electrolito. Los modelos se integraron en una interfaz interactiva capaz de evaluar escenarios y mostrar su impacto sobre indicadores críticos. La validación externa corroboró su precisión y definió criterios de reentrenamiento. Se concluye que un gemelo digital basado en aprendizaje profundo es viable y útil para anticipar la calidad de cátodos y evaluar estrategias operativas, confirmando la hipótesis de la investigación.