O uso de métodos computacionais de otimização em projetos estruturais, utilizando modelos substitutos baseados em redes neurais artificiais (do inglês, ANN), é uma abordagem promissora para soluções eficientes e com economia de custo computacional, se comparada à otimização tradicional com uso apenas do método de elementos finitos (do inglês, FEM). Esses métodos são particularmente eficazes em estruturas de materiais compósitos, que são adaptáveis a atender diferentes requisitos mecânicos, fabricadas por modelagem por deposição fundida (do inglês, FDM), como a impressão 3D, em função de sua flexibilidade e capacidade de fabricação eficiente de geometrias complexas. Este trabalho visa implementar um algoritmo de otimização numérica, combinado com uma ANN treinada e testada a partir de um banco de dados, para otimizar a haste de sustentação de um veículo aéreo não tripulado (do inglês, UAV), fabricada por FDM. A metodologia foi dividida em duas etapas. A primeira focou no desenvolvimento de um algoritmo em Python para gerar um banco de dados a partir de simulações por FEM no software ABAQUS. Essas simulações consideraram a haste, fabricada em PLA (ácido polilático) como material constituinte, com uma extremidade fixa e outra submetida a uma força de empuxo e a uma torção, replicando as condições de operação do UAV. Foram modificados quatro parâmetros geométricos da haste (altura e largura da estrutura, e espessura e quantidade de células de reforço diagonais), obtendo-se massas e rigidezes para cada configuração. Na segunda etapa, o algoritmo foi aprimorado com três novas variáveis geométricas (espessura das bordas e do reforço inferior e largura do reforço superior), gerando um banco de dados mais amplo. Este foi usado para treinar a ANN, que previu massas e rigidezes com base nas variáveis geométricas. O problema de otimização multiobjetivo foi então definido, utilizando Algoritmo Genético de Ordenação Não Dominada II (NSGA-II), para minimizar a massa e maximizar a rigidez, a partir de restrições sobre as variáveis geométricas, e empregando a ANN na avaliação da função multiobjetivo, em substituição ao FEM. Das soluções encontradas em uma frente de Pareto, uma foi selecionada para validação experimental, e os modelos otimizado e padrão foram desenhados em CAD (computer aided design), fabricados por FDM em PLA e submetidos a ensaios de flexão, de modo a reproduzir as condições implementas nas análises por FEM. Os resultados mostraram que a ANN teve alta acuracidade, com correlações de 0,99 para rigidez e 0,99 para massa, e reduziu o tempo de análise em 99,65% em comparação ao FEM. O modelo otimizado apresentou um aumento em média percentual da rigidez específica em 51.14% e uma redução de 42,13% na massa em relação ao modelo padrão. Por fim, os resultados mostraram que a metodologia proposta é eficiente na determinação de soluções otimizadas e, apesar de a geração do banco de dados consumir expressivo tempo computacional, as análises com a rede neural treinada apresentaram significativa redução de tempo. Além disso, o método proposto é adaptável ao emprego em diferentes projetos de engenharia baseado em materiais compósitos.