Comment le Machine Learning peut-il optimiser les critères d’admissibilité et développer de nouvelles règles analytiques pour l’évaluation de la résistance des structures mécaniques ? Cette étude traite de cette question en montrant comment la combinaison de simulations par éléments finis (EF) et de Machine Learning (ML) a permis d’optimiser les règles actuelles du CODAP ® pour le dimensionnement du raccordement du fond d’un appareil posé sur jupe et d’élaborer de nouvelles règles de vérification de la tenue de ligaments entre tubulures voisines dans des régions critiques d’équipements sous pression (ESP). L’approche s’appuie sur un modèle éléments finis paramétré (AbaqusPython), une campagne de simulation d’une matrice de configurations géométriques variées, et enfin un algorithme de Régression Multifactorielle Récursive (RMR) développé sur la base de la bibliothèque Scikit-Learn. Les résultats mettent en évidence qu’environ un tiers des raccordements classés défaillants par le CODAP® sont en réalité résistants lorsque les résultats EF sont pris comme référence. L’étude a permis non seulement de produire des règles d’expressions littérales permettant une interprétabilité, mais aussi une meilleure adéquation entre les résultats du CODAP ® et ceux obtenus par EF. Cet article présente une synthèse des travaux réalisés, mettant en lumière les applications potentielles de ces nouvelles techniques d’intelligence artificielle dans l’industrie mécanique.