Obtener un modelo dinámico del manipulador robótico es una tarea compleja. Con la creciente aplicación de enfoques de aprendizaje automático (ML) en la robótica moderna, surge la pregunta de utilizar ML para el modelado dinámico. Sin embargo, debido a las grandes cantidades de datos necesarios para este enfoque, la recopilación de datos puede ser intensiva en tiempo y recursos. Por esta razón, este artículo tiene como objetivo investigar la posibilidad de crear conjuntos de datos sintéticos utilizando modelos dinámicos preexistentes para probar las posibilidades de ambas aplicaciones de dichos conjuntos de datos sintéticos, así como el modelado de la dinámica de un manipulador industrial utilizando ML. Los autores generan el conjunto de datos que consta de 20,000 puntos de datos y entrenan siete redes neuronales artificiales de perceptrón multicapa (MLP) separadas, una para cada articulación del manipulador y una para el torque total, utilizando la búsqueda aleatoria (RS) para ajuste de hiperparámetros. Se entrena un MLP adicional para la torsión total del manipulador completo utilizando el mismo enfoque. Cada modelo se evalúa utilizando el coeficiente de determinación () y el error porcentual absoluto medio (MAPE), con una validación cruzada de 10 pliegues aplicada. Con esta configuración, todos los modelos de torque de articulación individual lograron puntuaciones superiores a 0.9, con los modelos de las primeras cuatro articulaciones logrando puntuaciones por encima de 0.95. Además, todos los modelos de cada articulación individual logran un MAPE inferior al 2%. El modelo para el torque total de todas las articulaciones del manipulador robótico logra puntuaciones de regresión más débiles, con una puntuación de 0.89 y un MAPE ligeramente superior al 2%. Los resultados muestran que los modelos de torsión de cada articulación individual, y del manipulador completo, pueden regresarse utilizando el método descrito, con una precisión satisfactoria.