Las redes neuronales artificiales (ANN) tienen una gran promesa en la predicción de la capacidad de carga de las estructuras de edificios. El propósito de este trabajo fue desarrollar modelos de ANN para determinar la carga última de columnas tubulares de acero rellenas de concreto (CFST) comprimidas excéntricamente con secciones transversales circulares, que operaran en el rango más amplio posible de parámetros de entrada. Se consideraron columnas cortas para las cuales la cantidad de deflexión no afecta el momento de flexión. Se seleccionó una red de retroalimentación como el tipo de red neuronal. Los parámetros de entrada de las redes neuronales fueron el diámetro exterior de las columnas, el grosor de la pared del tubo, la resistencia a la fluencia del acero, la resistencia a la compresión del concreto y la excentricidad relativa. Las redes neuronales artificiales fueron entrenadas con datos sintéticos generados a partir de un modelo teórico del equilibrio límite de las columnas CFST. Se crearon dos modelos de ANN. Al entrenar el primer modelo, se determinaron las cargas últimas a una excentricidad dada de la fuerza axial sin tener en cuenta la excentricidad aleatoria adicional. Al entrenar el segundo modelo, se tuvo en cuenta la excentricidad aleatoria adicional. El volumen total del conjunto de datos de entrenamiento fue de 179,025 muestras. Nunca se había utilizado un tamaño de conjunto de datos de entrenamiento tan grande. El conjunto de datos de entrenamiento abarca un amplio rango de cambios en las características del metal del tubo y del concreto del núcleo, diámetros de tubos y grosores de pared, así como excentricidades de la fuerza axial. Los modelos entrenados se caracterizan por altos puntajes de error cuadrático medio (MSE). Los coeficientes de correlación entre los valores predichos y los valores objetivo están muy cerca de 1. Los modelos de ANN fueron probados con datos experimentales para 81 muestras comprimidas excéntricamente presentadas en cinco trabajos diferentes y 265 muestras comprimidas centralmente presentadas en veintiséis artículos.