El control de sistemas complejos mediante sistemas de control tradicionales a veces puede llevar a resultados subóptimos, ya que los modelos matemáticos a menudo no describen completamente los procesos físicos. Un enfoque alternativo es el uso de un algoritmo de control basado en redes neuronales. Las redes neuronales pueden aproximar cualquier función y, como tal, son capaces de controlar incluso el sistema más complejo. Un desafío de este enfoque es la necesidad de un bucle de entrenamiento de alta velocidad para facilitar suficientes rondas de entrenamiento en un marco de tiempo razonable para generar una red de control viable. Este documento supera este problema mediante el empleo de una segunda red neuronal para aproximar la salida de un modelo de pultrusión 3D-FE relativamente lento. Esta aproximación es por órdenes de magnitud más rápida que el modelo original con solo desviaciones menores del comportamiento de los modelos originales. Este nuevo modelo luego se emplea en un bucle de entrenamiento para entrenar con éxito un algoritmo de control genético basado en NEAT.