Diante da crise ambiental dos dias atuais, desenvolver tecnologias de menor impacto negativo e promover ações de eficiência energética tornam-se imprescindíveis para conciliar produtividade e redução de emissões. Neste contexto, aprofundar-se no estudo de motores de combustão interna modelando seu funcionamento se apresenta como uma ferramenta bastante interessante, seja por ensaios em bancada ou modelagens. O presente trabalho buscou desenvolver modelos usando diferentes arquiteturas de Redes Neurais Artificiais (RNAs) para obter parâmetros de performance de Motores de Combustão Interna movidos a gás natural e a misturas de diesel – biodiesel – etanol. Para o primeiro caso, foram coletados dados de 5 motores visando a avaliação da eficiência térmica, consumo específico, temperatura de exaustão, e para o segundo a base de dados contempla um motor, sobre o qual foram avaliados, em acréscimo aos parâmetros mencionados, os coeficientes de compressão e expansão da politrópica, o consumo específico de etanol, a taxa máxima de liberação de calor e a pressão máxima. Para as redes que apresentaram melhores resultados, foram construídas superfícies de resposta a fim de analisar os modelos sobre a perspectiva do fenômeno que representam. Foi possível obter modelos com boa representatividade dos parâmetros mencionados (obtendo valores de R2 acima de 70 por cento para dados de treino e teste), exceto para os dois coeficientes da politrópica. Neste caso, embora os erros fossem relativamente satisfatórios, as superfícies de resposta atingiram extremos que não condizem com a teoria relacionada. Por outro lado, foi possível construir um modelo para a eficiência térmica a partir do consumo e abertura da válvula, com R2 de 99 por cento para treino e teste. Isto se explica pelo fato de que a primeira variável de entrada é parte da equação que calcula o parâmetro em questão, e a segunda está ligada à relação ar-combustível da mistura.