Simulação de voo é uma parte essencial para o desenvolvimento e operação de qualquer aeronave, não apenas auxiliando análises de engenharia como também sendo fundamental para treinamento de pilotos. Desse modo, uma simulação deve, na prática, ser capaz de representar fenômenos físicos em tempos razoáveis. No entanto, à medida que modelos físicos e matemáticos se tornam mais complexos, esse equilíbrio entre exatidão e custo se torna desafiador. Tais modelos intrincados podem ser observados em aeronaves flexíveis, em que acoplamentos estruturais e aerodinâmicos fazem as simulações se tornarem computacionalmente muito custosas. Uma abordagem alternativa é discutida neste trabalho, substituindo os cálculos aerodinâmicos do método vortex-lattice por um banco de dados baseado em redes neurais – uma solução de aprendizado de máquina que estima todas as relações entre os dados por si própria. Essas redes são treinadas com os dados aerodinâmicos de uma aeronave narrow-body genérica, considerando as posições, ângulos e velocidades de corpo rígido, bem como os deslocamentos elásticos representados pela superposição de modos de vibração obtidos por uma análise estrutural com o método de Rayleigh-Ritz. A forma matricial simples de dimensões muito reduzidas torna a simulação dessas redes muito mais rápida que os cálculos do método vortex-lattice. As limitações dessas técnicas são identificadas conforme mais modos de vibração são incluídos nos modelos de ordem reduzida. Uma abordagem linearizada é proposta para obter derivadas aerodinâmicas com relação às coordenadas elásticas que sejam funções não-lineares das variáveis de corpo rígido. Essas redes apresentam tempos de treinamento muito menores, porém não são capazes de reproduzir todos os efeitos não-lineares. Para retificar isso, um termo de segunda ordem também é incluído para representar as maiores interações entre modos elásticos, resultando em um modelo com a mesma quantidade de modos de vibração que o modelo original, apresentando um bom equilíbrio entre tempo de treinamento, acurácia e tempo de simulação. Ainda que esse modelo tenha sido treinado para um conjunto específico de autovetores, a técnica de projeção modal permite seu uso para diferentes configurações de massa.