La composición del hormigón autocompactante (HAC) contiene 60-70% de áridos gruesos y finos, que son reemplazados por residuos de construcción, como áridos reciclados (AR). Sin embargo, la complejidad de su estructura requiere un diseño mixto que consume tiempo. Actualmente, muchos investigadores están estudiando la predicción de las propiedades del hormigón utilizando técnicas de computación suave, lo que eventualmente reducirá la degradación ambiental y otros desperdicios de materiales. Ha habido estudios muy limitados y contradictorios sobre la predicción utilizando diferentes algoritmos de ANN. Este documento tuvo como objetivo predecir la resistencia a la tracción por flexión a los 28 días del HAC con AR utilizando la técnica de redes neuronales artificiales al comparar los siguientes algoritmos: Levenberg-Marquardt (LM), regularización bayesiana (BR) y retropropagación de gradiente conjugado escalado (SCGB). Ha habido estudios muy limitados y contradictorios sobre la predicción mediante el uso y la comparación de diferentes algoritmos de ANN, por lo que se recopilaron un total de 381 muestras de varias revistas publicadas. Las variables de entrada fueron cemento, aditivo, agua, áridos finos y gruesos, y superplastificante; los datos se dividieron aleatoriamente en tres conjuntos: entrenamiento (60%), validación (10%) y prueba (30%); con 10 neuronas en la capa oculta. Los modelos fueron evaluados por el error cuadrático medio (MSE) y el coeficiente de correlación (R). Los resultados indicaron que los tres modelos tienen una precisión óptima; sin embargo, BR tuvo el mejor rendimiento (R = 0.91 y MSE = 0.2087) en comparación con LM y SCG. BR fue el mejor modelo para predecir la TS a los 28 días para el HAC con AR. El análisis de sensibilidad indicó que el cemento (30.07%) fue la variable que más contribuyó a la predicción de la TS a los 28 días para el HAC con AR, y el agua (2.39%) contribuyó menos.