به روزرسانی مدل اجزاء محدود را می توان در زمره حل مسایل معکوس تلقی نمود. در حالی که در شاخه ارتعاشات خطی، تعیین پاسخ های سازه بر اساس ضرایب ماتریسی جرم، سختی و میراثی، حل یک مسیله مستقیم است، تعیین این ضرایب ماتریسی بر اساس پاسخ های آزمایشگاهی مدال حل یک مسیله معکوس می باشد. با توسعه و پیشرفت تکنیک های هوش مصنوعی، استفاده از این روش ها در شاخه های مختلف علوم گسترش فراوانی یافته است. به طوری در یک دهه گذشته، دامنه ای استفاده از این روش در به روز رسانی مدل اجزاء محدود مورد توجه محققان قرار گرفته است. افزایش چشم گیر زمان محاسباتی به دلیل افزایش پارامترهای به روزرسانی مدل اجزاء محدود از مهم ترین مشکلات استفاده از روش شبکه عصبی می باشد. هدف از این مطالعه بررسی استفاده مجدد از روش شبکه عصبی برای به روزرسانی و تعمیم توانایی آن از طریق کاهش زمانی محاسباتی، همراه با حفظ دقت و کیفیت نتایج حاصله می باشد. این کاهش زمان از طریق کم شدن تعداد الگوهای آموزشی شبکه عصبی صورت می گیرد.که به منظور حفظ دقت در نتایج، لازم است، توزیع همگنی از الگوهای آموزشی در فضای چند بعدی پارامترهای به روزرسانی مدل اجزاء محدود بوجود آید. به عبارت دیگر هدف از این رهیافت، ایجاد توزیع همگنی از الگوهای آموزشی کم شده در فضای پارامترهای به روزرسانی می باشد. بدین ترتیب در زمان محاسباتی آموزش شبکه عصبی و حل مستقیم مدل اجزاء محدود، کاهش قابل ملاحظه ای صورت می گیرد. کارایی روش ارایه شده، توسط مثال عددی و نتایج آزمایش مودال مورد بررسی قرار گرفته و با روش مرسوم توزیع تصادفی الگوهای آموزشی مقایسه شده است. تنتایج بدست آمده صحت توانایی روش ارایه شده را تصدیق می کنند. ضمنا در این مطالعه از نتایج پاسخ فرکانسی سازه به عنوان نقاط مرجع استفاده شده است. به منظور انتخاب نقاط فرکانسی از این منحنی ها روش آنالیز مولفه های اساسی مورد استفاده قرار گرفته است.