虚拟工程技术近年来发展迅速，已被广泛接受用于商业产品开发。产品设计和制造组织正在从传统的多重和串行测试周期方法转向模拟，使用CAE和CAD工具解决问题并验证性能。
对于一个有效的过程，重要的是设计变量可以在短时间内完成。当所研究的系统表现出非线性行为时，这通常会导致一个挑战。本次会议将介绍一种基于神经网络(NNs)和遗传算法(ga)的新方法，该方法“让数据发挥作用”，并根据现有数据为给定设计提供最佳解决方案。这种方法的目标是为设计师提供一个工具，可以用来为给定的产品选择最优的设计。这要归功于基于可用训练数据的遗传算法实现对神经网络本身的优化。遗传算法主要以两种方式用于神经网络:优化网络架构和训练固定架构的权重。
在其他变量中，神经网络的性能严重依赖于处理元素(神经元)、架构和学习算法的选择。特别是，神经元之间的连接密度决定了它存储信息和从中学习的能力。一方面，连接数量的减少可能会使网络无法接近该功能。另一方面，密集的连接可能会导致过拟合。神经网络通常被视为一种方法来实现复杂的非线性函数使用简单的基本单位连接自适应权值。我们专注于使用GAs优化这些网络的连接结构，以减少学习时间并避免CAD/CAE循环。实际上，这种实现提供的神经网络拓扑在学习和分类新数据时，通常比随机或全连接拓扑表现得更好。
遗传算子，如突变和交叉，向初始随机连接的种群中引入多样性，修改网络的结构并测试候选解决方案。一旦训练出最有效的神经网络，就有可能调整设计参数，具有与FEA或测试数据相同的精度，但大大缩短了模拟时间:通过FEA分析临界点所需的大约一个半小时使用神经网络减少到几秒钟。MATLAB图形用户界面(GUI)作为快速设计指南，其中神经网络的训练数据来自一组自动生成的FEA分析。为了评估这种方法的有效性，展示了几个实际应用。例如，螺栓连接的最佳预紧力在几秒钟内从螺栓的几何形状、摩擦系数和施加的扭矩开始返回。
