Este estudio se centró en el diseño de la configuración de un grano estelar utilizando aprendizaje automático en el proceso de diseño óptimo. La clave para optimizar el diseño del grano está en obtener un conjunto de variables de configuración que satisfagan los requisitos. El problema de optimización consiste en un perfil de área objetivo sujeto a ciertas restricciones y una función objetivo que calcula cuantitativamente el nivel de diseño. Los diseñadores deben formular problemas de optimización adecuados para lograr un diseño óptimo. Sin embargo, dado que aún no existe un método para aliviar la influencia de la sección de astillas, el problema de optimización generalmente se resuelve en función de la experiencia, lo que consume tiempo y esfuerzo. En consecuencia, se debe desarrollar un método de diseño de grano más práctico y objetivo. En este estudio, se desarrolló un método de diseño óptimo utilizando aprendizaje automático para aumentar la conveniencia y la tasa de éxito. Se utilizó una máquina de vectores de soporte para entrenar un modelo de clasificación que predice una clase. El modelo de clasificación se utilizó para aliviar la influencia de la zona de astillas y corregir el problema de búsqueda para garantizar que existiera una solución óptima en la región que satisface los requisitos. El método propuesto fue validado a través del diseño óptimo de grano estelar utilizando el algoritmo genético. La optimización se realizó considerando los perfiles de área, y la efectividad del método propuesto se demostró mediante la precisión mejorada.