La fabricación por deposición de filamento fundido (FFF), un proceso de fabricación aditiva, es una tecnología emergente con problemas en la incertidumbre de las propiedades mecánicas y la calidad de las piezas impresas. La consideración de todos los efectos principales e interacciones al cambiar los parámetros de impresión no es factible de manera eficiente, debido a las dependencias estocásticas existentes. Para abordar este problema, se desarrolla un método de aprendizaje automático para aumentar la fiabilidad optimizando los parámetros de entrada y prediciendo las respuestas del sistema. Se propone una estructura de redes neuronales artificiales (ANN) que predice una respuesta del sistema basada en parámetros de entrada y observaciones del sistema y sistemas similares. De esta manera, se pueden determinar parámetros de entrada significativos para un sistema fiable. La estructura de la ANN es parte del aprendizaje automático informado por la física y se preentrena con conocimiento del dominio (DK) para requerir menos observaciones para un entrenamiento completo. Esto incluye conocimiento teórico de sistemas idealizados y datos medidos. Se pueden hacer nuevas predicciones para una respuesta del sistema sin necesidad de reentrenar, sino utilizando más observaciones del sistema predicho. Por lo tanto, las predicciones están disponibles en tiempo real, lo que es una condición previa para su uso en entornos industriales. Finalmente, se discute y evalúa la aplicación del método desarrollado para la adhesión de la cama de impresión en FFF y el aumento de la fiabilidad del sistema.