En este trabajo, construimos un modelo sustituto utilizando redes neuronales artificiales (ANN) para predecir el comportamiento en estado estacionario de un avión de combate no tripulado. Empleamos diversas estrategias para mejorar la precisión del modelo, incluyendo la consideración de tolerancias de diseño, la creación de modelos sustitutos independientes para los diferentes regímenes de flujo y la codificación de características de entrada no numéricas. También exploramos modelos alternativos de aprendizaje automático, aunque demostraron tener una menor fiabilidad que las ANN. Se consideran dos escenarios para la variable objetivo: uno que se centra únicamente en predecir el coeficiente del momento de cabeceo y el otro que incorpora también el coeficiente del momento de alabeo. Investigamos diferentes métodos para manejar múltiples objetivos, encontrando que construir un solo modelo con múltiples salidas supera consistentemente el desarrollo de modelos separados para cada variable objetivo. En general, la ANN proporciona predicciones que muestran una excelente concordancia con los datos experimentales, demostrando su efectividad y fiabilidad en la modelización aerodinámica.