En este trabajo se reportan los resultados de un análisis multivariado usando redes neuronales artificiales para determinar la contribución relativa de la composición catiónica de fluidos (Na, K, Mg, Ca y Li) en la estimación de la temperatura de fondo de pozos geotérmicos. En este estudio se utilizó una base de datos de composición de 219 muestras de fluidos geotérmicos y mediciones de temperatura de fondo medidas en pozos productores de diversas partes del mundo. Se evaluaron las arquitecturas neuronales usando diferentes técnicas numéricas de entrenamiento, funciones de activación logísticas y lineales, diferentes combinaciones de las entradas, 20 neuronas como máximo en la capa oculta y la temperatura como salida. Los resultados obtenidos de este estudio mostraron que la relación log(Na/K) presentó la más alta contribución relativa (69% al 75%), mientras que las variables log(Mg/Na²) y log(Ca/Na²) mostraron una menor contribución (3-13% y 12-22%, respectivamente). Las variables log(Na/Li), log(Li/√Mg) ) y Li obtuvieron un 3%. Detalles de la metodología y los resultados de validación son reportados en este trabajo.