A partir de los años noventa, el interés que los aceros TRIP despiertan en la industria ha producido un incremento considerable de su estudio y aplicación. En este trabajo, aprovechando la flexibilidad que las redes neuronales proporcionan para la modelización de propiedades complejas, se ha abordado el problema de la determinación de la austenita retenida en los aceros TRIP. Una combinación de dos algoritmos de aprendizaje (retropropagación y búsqueda aleatoria progresiva) de la red neuronal ha permitido crear un modelo que predice la cantidad de austenita retenida en aceros multifase con bajo contenido en aluminio y silicio en función de los parámetros de procesado.