Las redes neuronales artifciales feedforward y multicapa (RNA-MFF) han demostrado ser de gran alcance en la aproximacion de funciones; sin embargo, su aplicacion en problemas reales a menudo se limita a la experimentacion del usuario, ya que la eleccion de arquitectura adecuada es un proceso que requiere conocimiento y experiencia. En este articulo se demuestra la capacidad de adaptacion de la metodologia del algoritmo de poda para encontrar el numero optimo de neuronas en la capa oculta de una RNA-MFF. La metodologia se probo en dos conjuntos diferentes de problemas de referencia: modelacion de la resistencia y del asentamiento, en hormigon de alto desempeno. Ambos conjuntos se utilizaron para analizar el tamano de la arquitectura inicial de la red neuronal artifcial y para asegurar que el numero superior propuesto de neuronas ocultas se pueda evitar en exceso.AbstractFeedforward and multi-layer artifcial neural networks (RNA-MFF) have been shown to be powerful in the approximation of functions; however, its application to real problems is often limited to user experimentation, since choosing the right architecture is a process that requires knowledge and experience. This article demonstrates the adaptability of the pruning algorithm methodology in fnding the optimal number of neurons in the hidden layer of an RNA-MFF. The methodology was tested on two different sets of reference problems: resistance and settling modeling, in high performance concrete. Both sets were used to analyze the initial architecture size of the artifcial neural network and to ensure that the proposed higher number of hidden neurons can be avoided in excess.Resumo As redes neurais artifciais avancadas e multicamadas feedforward (RNA-MFF) tem demostrado ter grande alcance na aproximacao de funcoes; porem, a aplicacao em problemas reais geralmente e limitada a experimentacao do usuario, dado que escolher a arquitetura adequada e um processo que precisa conhecimento e experiencia. Neste artigo foi demonstrada a adaptabilidade da metodologia do algoritmo de poda para encontrar o numero otimo de neuronios na camada oculta de uma RNA-MFF. A metodologia foi testada em dois conjuntos diferentes de problemas de referencia: modelagem de resistencia e sedimentacao, em concreto de alto desempenho. Ambos os conjuntos foram utilizados para analisar o tamanho da arquitetura inicial da rede neural artifcial e garantir que o maior numero de neuronios ocultos propostos possa ser evitado em excesso.