La producción de piezas mediante prensado y posterior soldadura se utiliza comúnmente en la industria automotriz. La desventaja de este método de producción es que las imprecisiones que surgen durante el prensado afectan significativamente la dimensión final de la pieza. Sin embargo, esto se puede corregir mediante la elección de los parámetros tecnológicos de la operación siguiente: la soldadura. Parámetros diseñados adecuadamente permiten eliminar parcialmente las imprecisiones que surgen durante el prensado y, por lo tanto, aumentar la aplicabilidad general de esta tecnología. El documento se centra en la geometría del brazo superior de un automóvil producido de esta manera. Se han propuesto dos redes neuronales en las que se determinan los parámetros óptimos de soldadura en función de las dimensiones estampadas y las dimensiones finales deseadas. Se utilizó el algoritmo de retropropagación Levenberg-Marquardt y el algoritmo de retropropagación regularizada bayesiana como algoritmo de aprendizaje para las redes neuronales en redes de alimentación hacia adelante multicapa. Las salidas obtenidas de las redes neuronales se compararon con un modelo de predicción lineal basado en la metodología de diseño de experimentos. El error porcentual absoluto medio del modelo de regresión lineal en todo el conjunto de datos fue del 3 x 10%. Una red neuronal con el algoritmo de aprendizaje de retropropagación Levenberg-Marquardt tuvo un error porcentual absoluto medio del 4 x 10. De manera similar, una red neuronal con un algoritmo de aprendizaje de retropropagación regularizada bayesiana tuvo un error porcentual absoluto medio del 3 x 10%.