Los modelos numéricos, como los de dinámica de mult Cuerpos, se utilizan ampliamente en diversas aplicaciones de ingeniería, ya sea como parte integral del diseño preliminar de un producto o simplemente para analizar su comportamiento. Con el objetivo de aumentar la precisión y el potencial de estos modelos, se están añadiendo constantemente mecanismos complejos a los métodos de simulación existentes, lo que lleva a poderosos marcos de modelado capaces de simular la mayoría de los sistemas mecánicos. Sin embargo, este aumento en precisión y flexibilidad conlleva un gran costo computacional. Para mitigar el problema de los altos tiempos de computación, se han utilizado tradicionalmente sustitutos, como los modelos de orden reducido, como alternativas más económicas, permitiendo simulaciones mucho más rápidas a costa de introducir algún error en el proceso general. Más recientemente, los avances en Inteligencia Artificial también han permitido la introducción de modelos basados en Inteligencia Artificial en el campo de los sustitutos. Aunque aún están en desarrollo, estas metodologías basadas en Inteligencia Artificial parecen ser una alternativa potencialmente buena a los modelos de alta fidelidad/carga. Con este fin, se presenta en este trabajo un sustituto basado en Inteligencia Artificial compuesto por Redes Neuronales Artificiales como medio para predecir la respuesta de sistemas mecánicos dinámicos, con aplicación a un tren de engranajes experimental no lineal. El modelo utiliza Redes Neuronales Recurrentes para capturar con precisión la respuesta del sistema y se demuestra que produce resultados precisos, especialmente en el espacio de características. Esta metodología puede proporcionar una alternativa a los sustitutos de modelos tradicionales y encontrar aplicación en múltiples campos como la optimización de sistemas o la minería de datos.