El comportamiento real de las uniones en T soldadas en estructuras tubulares depende fuertemente de la topología de la unión a nivel de la junta. En el análisis de elementos finitos, se suelen emplear elementos tipo viga debido a su simplicidad y bajo costo computacional, aunque no pueden reproducir las topologías y características de las uniones. Para ajustar su comportamiento a una situación más realista, se pueden introducir elementos elásticos a nivel de la junta, cuyas características deben ser determinadas a través de validaciones costosas. Este documento estudia la optimización e implementación de los datos de validación, a través de la creación de un modelo de sustitución óptimo basado en redes neuronales, lo que conduce a un modelo que predice la rigidez de los elementos elásticos, introducidos a nivel de la junta basándose en datos disponibles. El documento se centra en cómo se debe elegir la red neuronal, cuando los datos de entrenamiento son muy limitados y, más importante aún, cuáles de los datos disponibles deben usarse para el entrenamiento y cuáles para la verificación. La metodología utilizada se basa en un análisis de Monte Carlo que permite un estudio exhaustivo tanto de los parámetros de la red como de la distribución y elección de los datos limitados en el conjunto de entrenamiento para optimizar su rendimiento. Los resultados obtenidos indican que el uso de redes neuronales sin una metodología cuidadosa en este tipo de problemas podría llevar a resultados inexactos. También se muestra que una elección consciente de los datos de entrenamiento, entre los datos disponibles en el problema de elección de parámetros elásticos para uniones en T en elementos finitos, es fundamental para lograr modelos de sustitución funcionales.