Розглянуто задачу прогнозування швидкості росту втомних тріщин в алюмінієвому сплаві 2024-T351 з використанням нейронних мереж. Реалізовано два алгоритми методів машинного навчання – генетичний та зворотного поширення помилки. Побудовано криві навчання для обох алгоритмів і отримано числові результати для задачі прогнозування швидкості росту втомних тріщин на основні експериментальних даних про її залежність від коефіцієнту інтенсивності напружень та величини циклічних навантажень. Проведено порівняння цих алгоритмів за значеннями похибки та часу навчання, визначено перевагу алгоритму зворотного поширення помилки у швидкості навчання та збіжності до оптимального результату.