La falta de datos de campo de turbinas de gas, especialmente datos de motores defectuosos, y la complejidad de la incorporación de fallos en turbinas de gas en bancos de pruebas causan dificultades para representar motores sanos y defectuosos en algoritmos de diagnóstico. En su lugar, a menudo se utilizan diferentes modelos de turbinas de gas. Los modelos disponibles se dividen en dos categorías principales: basados en la física y basados en datos. Dada la importancia y necesidad de los modelos, se desarrollaron una variedad de herramientas de simulación con diferentes niveles de complejidad, fidelidad, precisión y requisitos de rendimiento informático. Los modelos basados en la física constituyen un enfoque de diagnóstico conocido como Análisis de Trayectoria de Gas (GPA). Para calcular los parámetros de fallo dentro del GPA, este documento propone emplear un modelo no lineal basado en datos y la teoría de problemas inversos. Esto simplificará drásticamente el diagnóstico de turbinas de gas. Para elegir la mejor técnica de aproximación de un modelo tan novedoso, el documento emplea polinomios y redes neuronales. Los datos necesarios se generaron en el software GasTurb para motores de turbina de eje y turbofan. Estos datos de entrada para crear un modelo no lineal basado en datos de parámetros de fallo cubren un rango total de condiciones de operación y de posibles pérdidas de rendimiento de los componentes del motor. Se evalúan múltiples configuraciones de una red de perceptrón multicapa y polinomios para encontrar las mejores configuraciones de modelos basados en datos. Luego, se comparan los mejores modelos basados en perceptrón y polinomios. La precisión alcanzada por la variación de modelo más adecuada confirma la viabilidad de modelos simples y precisos para estimar las condiciones de salud de las turbinas de gas.