In the XXI century, neural networks are widely used in various fields, including computer simulation and mechanics. This popularity is due to the factthat they give high precision, work fast and have a very wide range of settings. The purpose of creating a software product using elements of artificialintelligence, for interpolation and approximation of experimental data. The software should work correctly, and yield results with minimal error. Thedisadvantage of using mathematical approaches to calculating and predicting hysteresis loops is that they describe unloading rather poorly, thus, weobtain incorrect data for calculating the stress-strain state of a structure. The solution tool use of elements of artificial intelligence, but rather neuralnetworks of direct distribution. The neural network of direct distribution has been built and trained in this work. It has been trained with a teacher (ateacher using the method of reverse error propagation) based on a learning sample of a pre-experiment. Several networks of different structures werebuilt for testing, which received the same dataset that was not used during the training, but was known from the experiment, thus finding a networkerror in the amount of allocated energy and in the mean square deviation. The article describes in detail the mathematical interpretation of neuralnetworks, the method for training them, the previously conducted experiment, structure of network that was used and its topology, the training method,preparation of the training sample, and the test sample. As a result of the robots carried out, the software was tested in which an artificial neuralnetwork was used, several types of neural networks with different input data and internal structures were built and tested, the error of their work wasdetermined, the positive and negative sides of the networks that were used were formed., В ХХІ веке нейронные сети часто используются в разных сферах, в том числе и компьютерном моделировании, и механике. Такаяпопулярность, потому что, они дают высокую точность, быстро работают и имеют очень обширный̆ спектр настроек. Целью работыявляется создание программного продукта с использованием элементов искусственного интеллекта, для интерполяции и аппроксимацииэкспериментальных данных. Программное обеспечение должно корректно работать, и давать результаты с минимальной̆ ошибкой̆.Недостатком использования математических подходов к расчетам и прогнозированию петель гистерезиса есть то, что они достаточно плохоописывают разгрузку, таким образом, получаем не корректные данные для расчетов напряженно-деформированного состояния конструкции.Инструментом для решения было использовано элементы искусственного интеллекта, а точнее нейронные сети прямого распространения. Вроботе построена и обучена нейронная сеть прямого распространения. Она обучалась с учителем (учитель с использованием методаобратного распространения ошибки) на основе обучающей̆выборки предварительно проведенного эксперимента. Для тестирования былопостроено несколько сетей̆ разной̆ структуры, которые на вход получали одинаковый̆ набор данных, который не использовался приобучении, но был известен из эксперимента, таким образом была найдена ошибка сети по количеству выделенной̆ энергии и посреднеквадратическому отклонению. В статье подробно описывается математическая интерпретация нейронных сетей, способ их обучения,предварительно проведенный эксперимент, архитектура сети и ее топология, метод обучения, подготовка обучающей̆выборки, и выборкитестирования. В результате проведенной̆роботы было построено и протестировано программное обеспечение, в котором использоваласьискусственная нейронная сеть, было построено и протестировано несколько типов нейронных сетей с разными входными данными ивнутренними структурами, определена ошибка их работы, сформированы позитивные и негативные стороны сетей, которые использовались., У ХХІ сторіччі нейронні мережі широко використовуються в різних сферах, в тому числі в комп’ютерному моделюванні і в механіці. Такапопулярність через те, що вони дають високу точність, швидко працюють та мають дуже широкий спектр налаштувань. Мета роботистворення програмного продукту з використанням елементів штучного інтелекту, для інтерполяції та апроксимації експериментальнихданих. Програмне забезпечення повинно коректно працювати, та давати результати з мінімальною похибкою. Недоліком використанняматематичних підходів до обчислення та прогнозування петель гістерезису є те шо вони досить погано описують розвантаження, такимчином отримуємо не коректі данні для розрахунків напружено-деформованого стану конструкції. Інструментом вирішення буловикористання елементів штучного інтелекту, а точніше нейронних мереж прямого поширення. В роботі збудована та навчена нейроннамережа прямого поширення. Вона була навчена вчителем (вчитель з використанням метода зворотного розповсюдження похибки) на основінавчаючої вибірки попередньо проведеного експерименту. Для тестування було побудовано декілька мереж різної структури, якіотримували на вхід однаковий набір даних який не використовувався при навчанні, але був відомий з експерименту, таким чином булазнайдена похибка мережі за кількістю виділеної енергії та за середньо-квадратичним відхиленням. У статті детально описуєтьсяматематична інтерпретація нейронних мереж, спосіб їх навчання, попередньо проведений експеримент, архітектура мережі та її топологія,метод навчання, підготовки навчаючої вибірки та вибірки тестування. В результаті проведеної роботи було збудоване та протестованепрограмне забезпечення в якому використовувалась штучна нейронної мережа, було побудовано та протестоване декілька типів нейроннихмереж з різними вхідними даними та внутрішніми структурами, визначені їх похибки, сформовані позитивні та негативні якості мереж яківикористовувались.