Статья посвящена разработке и интеграции архитектуры Gated Recurrent Unit (GRU) в пакет нейросетевой аппроксимации дифференциальных уравнений DEGANN. В работе описаны особенности реализации GRU-модели, её интеграция с существующей инфраструктурой DEGANN, а также проведено экспериментальное сравнение эффективности архитектур GRU и многослойного перцептрона (MLP), в рамках данного пакета. Экспериментальные результаты демонстрируют, что GRU обеспечивает более высокое качество аппроксимации сложных нелинейных зависимостей за счет лучшей обработки последовательных зависимостей, что подтверждается более быстрой сходимостью и высокой точностью предсказаний. Проведенный эксперимент указывает на перспективность использования рекуррентных нейронных сетей для решения задач дифференциальных уравнений в рамках пакета DEGANN.