La produzione di componenti in materiale composito comporta fenomeni termomeccanici complessi, responsabili della generazione di tensioni residue e della comparsa di difetti geometrici, quali lo spring-in, in particolare nei componenti con sezione a L. La previsione accurata di tali effetti risulta cruciale per garantire l’affidabilità strutturale e per ridurre i costi derivanti da iterazioni sperimentali e progettuali. In questo lavoro di tesi si propone un approccio di Machine Learning basato su Gaussian Process Regression (GPR), sviluppato in Python ed applicato a modelli numerici di analisi strutturale e di curing. Il modello è stato inizialmente validato su casi di travi sottoposte ad analisi statica e successivamente impiegato per lo studio del processo di curing su componenti con sezione a L, con l’obiettivo di prevedere spostamenti, tensioni residue e angoli di spring-in a partire da caratteristiche geometriche e meccaniche.