Aparte de la investigación experimental, el desarrollo de modelos precisos y eficientes es considerablemente importante en el campo de los procesos de fabricación. Inicialmente, los modelos de regresión fueron significativamente populares para este propósito, pero más tarde, los modelos de computación suave demostraron ser una alternativa viable a los modelos establecidos. Sin embargo, la efectividad de los modelos de computación suave puede depender a menudo del tamaño del conjunto de datos experimental, y puede ser menor en comparación con la de los modelos de regresión para un conjunto de datos de tamaño pequeño. En el presente estudio, se pretende realizar una comparación del rendimiento de varios modelos de redes neuronales, como el Perceptrón Multicapa (MLP), la Red Neuronal de Función de Base Radial (RBF-NN) y el Sistema de Inferencia Neuro-Fuzzy Adaptativo (ANFIS) con el rendimiento de un modelo de regresión múltiple. Para el desarrollo de los modelos, se emplean datos de experimentos de perforación en una pieza de trabajo Al6082-T6 para diversas condiciones de proceso, y se evalúa el rendimiento de los modelos relacionados con la fuerza de empuje (F) y el par de corte (M) en función de varios criterios. A partir del análisis, se encontró que los modelos MLP eran superiores a los otros modelos de redes neuronales y al modelo de regresión, ya que pudieron lograr un error de predicción relativamente menor para ambos modelos de F y M.