Los motores cohete sólidos (SRM) se utilizan ampliamente como dispositivos de propulsión en la industria aeroespacial. La boquilla y la cámara de combustión del SRM están conectadas mediante una estructura enchufada, lo que dificulta el uso de la tecnología existente para investigar las condiciones internas del SRM durante el acoplamiento y el ensamblaje. La deformación desconocida del O-ring dentro de la ranura causada por diferentes condiciones de ensamblaje impedirá predecir con precisión la calidad del ensamblaje del motor. Algoritmos como el aprendizaje automático pueden utilizarse para ajustar los datos de simulación mecánica y crear un modelo que se pueda utilizar para hacer predicciones durante el ensamblaje. En este documento, el método de predicción utiliza los parámetros muestreados como condiciones de contorno y aplica el método de elementos finitos (FEM) para calcular las tensiones y deformaciones del O-ring bajo diferentes condiciones de ensamblaje. Los datos de simulación se ajustan utilizando el modelo de Kriging mejorado por gradiente (GEK), que es más adecuado para datos de alta dimensión que el modelo de Kriging ordinario. Se utiliza un algoritmo genético (GA) y redes generativas adversariales tabulares condicionales (CTGAN) para optimizar el modelo de predicción y mejorar su precisión a medida que se incorporan nuevos datos. El método propuesto no solo es preciso, sino también eficiente, lo que permite una reducción significativa en el tiempo de ensamblaje. El uso del modelo sustituto y FEM hace posible predecir las tensiones y deformaciones del O-ring en tiempo real, haciendo que el proceso de ensamblaje sea más fluido y eficiente. En conclusión, el método propuesto ofrece una solución prometedora a los desafíos asociados con el proceso de ensamblaje de SRM en la industria aeroespacial.