Con l’avvento della rivoluzione 4.0 e l’integrazione di strumenti avanzati di machine learning nell’industria di processo, emerge la necessità di modelli predittivi capaci di rappresentare accuratamente la dinamica di sistemi complessi e non lineari. Obiettivo di questa Tesi è stato valutare l’efficacia delle architetture transformer nell’identificazione e previsione della dinamica di due processi chimici di rilievo industriale: •??una colonna di separazione propano–propilene (C3 splitter); •??un forno di steam cracking dell’etano. Il lavoro si è posto come confronto diretto con il modello commerciale Honeywell PSES, basato su un approccio lineare FIR, per verificare la maggiore adattabilità dei modelli transformer applicati a scenari complessi e con dinamiche non-lineari.