En la última década, las redes neuronales artificiales (ANNs) se han utilizado ampliamente para abordar muchos problemas. A pesar de sus potentes capacidades para resolver problemas, las ANNs son susceptibles a un riesgo significativo de estancamiento en mínimos locales debido al uso de algoritmos de retropropagación basados en descenso de gradiente (GD) para la búsqueda de soluciones óptimas. En este documento, presentamos una versión mejorada del algoritmo de búsqueda reptil (IRSA), que opera en conjunto con una ANN para mitigar estas limitaciones. Al sustituir GD con IRSA dentro de una ANN, la red adquiere la capacidad de escapar de mínimos locales, lo que conduce a una mejora en los resultados de predicción. Para demostrar la eficacia de IRSA en mejorar el rendimiento de ANN, se utiliza un modelo numérico del Puente Nam O. Este modelo se actualiza para reflejar de cerca las condiciones estructurales reales. En consecuencia, se desarrollan escenarios de daño para daños de un solo elemento y daños de múltiples elementos dentro de la estructura del puente. Los resultados confirman que ANNIRSA ofrece una mayor precisión que las ANNs tradicionales y las ANNRSAs en la predicción de daños estructurales.