Cette étude explore l'utilisation de l'apprentissage automatique, spécifiquement les réseaux de neurones artificiels (RNA), pour prédire la résistance à la compression de mortiers contenant de la poudre de verre recyclé (PVR). En effet, face à l'impact environnemental significatif inhérent à la production du ciment, notamment en termes d'émissions de CO2, l'incorporation de PVR comme substitut partiel du ciment, dans des mélanges cimentaires, se présente comme une approche durable, qui contribue, d’une part, à la réduction des émissions de CO2, et d’autre part, à la valorisation de déchets inertes. L'application des RNA s'avère utile à la compréhension des relations complexes, et non linéaires, entre la composition des matériaux et leurs propriétés mécaniques, en particulier la résistance à la compression. Cette dernière est considérée comme l’un des indicateurs clés de la performance du matériau. Le modèle RNA développé utilise une structure de réseaux « feedforward ». Les résultats mettent en évidence les capacités prédictives des RNA, montrant une relation non linéaire entre la teneur en PVR et la résistance à la compression. Les erreurs de prédiction, quantifiées par la racine de l'erreur quadratique moyenne (REQM) et l’erreur absolue moyenne (EAM), varient selon la teneur en PVR et le type de ciment utilisé. Cela souligne la nécessité d'optimiser le modèle avec davantage de paramètres d'entrée et de collecter plus de données pour améliorer la précision des prédictions.