El objetivo general de presente trabajo de título es modelar por medio de lógica difusa el comportamiento de barras de CuZnAl ensayadas a tracción dinámica, usando sistemas de inferencia difusa, basados en redes adaptables, implementado dentro de las herramientas de MATLAB. Para alcanzar el objetivo planteado se trabajó con dos set de datos distintos, los cuales fueron obtenidos de ensayos dinámicos a tracción realizados a dos tipos distintos de barras (laminadas y extruidas). Las barras provienen de la misma colada pero el proceso de preparación de las probetas fue distinto. Los ensayos se realizaron variando distintos parámetros que influyen en el comportamiento dinámico de las barras. Para el caso de las barras laminadas se varió la deformación máxima, diámetro de la probeta y la frecuencia de ensayo. En el caso de las barras extruidas, los parámetros que se variaron fueron: La temperatura ambiente, frecuencia de ensayo y el número de ciclos. Estos dos tipos de barras se comportaron de manera distintas en los ensayos de laboratorio, por lo que se plantearon dos modelos difusos distintos. Como son muchas las variables que influyen en un modelo difuso, se realizó un análisis de sensibilidad en donde se determinó la influencia que tienen algunas variables en la obtención de un buen modelo difuso. Identificadas las variables y parámetros que más influyen y que determinan un buen modelo difuso se pudo obtener un modelo para cada tipo de barra. El principal resultado del análisis de sensibilidad fue que la frecuencia de ensayo no influyó en la realización de un buen modelo difuso, es importante considerar datos de chequeo que sean representativos del fenómeno que se está estudiando, una buena medida es considerar datos intermedios de los datos de entrenamiento. Finalmente, la principal conclusión del trabajo de título es que para generar un buen modelo difuso que represente el comportamiento de algún fenómeno, es necesario contar con una importante cantidad de datos y que estos deben ser representativos del fenómeno estudiado. Además, la mejor forma de generar un buen modelo es únicamente con muchos ensayos de prueba y error.