La aleación de soldadura 617 con otros metales y aleaciones ha estado recibiendo una atención significativa en los últimos años. Se considera como el punto de referencia para el desarrollo de estructuras híbridas económicas que se utilizarán en diferentes aplicaciones de ingeniería. Las diferencias en las propiedades físicas y metalúrgicas de los materiales disímiles a soldar generalmente resultan en estructuras más débiles. La falla por fatiga es uno de los modos de falla más comunes de las estructuras soldadas de materiales disímiles. En este estudio, se evaluó la predicción de la vida útil por fatiga de la soldadura de materiales disímiles mediante el método de vida acelerada y el enfoque de red neuronal artificial (ANN). El enfoque de prueba de vida acelerada se evaluó para diferentes distribuciones. La distribución de Weibull fue la distribución más apropiada que se ajusta muy bien a los datos de fatiga. La aceleración de los datos de prueba de vida por fatiga se logró con un 95% de confiabilidad para la distribución de Weibull. La gráfica de probabilidad verificó que las variables de aceleración en cada nivel eran apropiadas. Los datos de prueba experimentales y la vida útil predicha estaban en buen acuerdo entre sí. Se emplearon dos algoritmos de entrenamiento, Regularización bayesiana (BR) y Levenberg-Marquardt (LM), para el entrenamiento de ANN. El algoritmo de entrenamiento de regularización bayesiana mostró un mejor rendimiento que el algoritmo de Levenberg-Marquardt. Los resultados confirmaron que los métodos de evaluación son efectivos para la predicción de la vida útil de las uniones soldadas de materiales disímiles.