The automotive industry is reliant on accurate finite element simulations for developing new parts or machines and to achieve this, accurate material models are essential. Material cards contain input about the material model, and are significant; however, time-consuming to calibrate with traditional methods. Therefore a newer method involving Machine Learning (ML) and Feed-Forward Neural Networks (FFNN) is studied in the thesis. The direct application of calibration with FFNN has never been applied to calibrate the Swift hardening law and Barlat yield 2000 criteria, which is done in this thesis. All steps for calibration are performed to achieve a high-fidelity database capable of training the FFNN. The outline of the thesis involves four different phases; experiments, simulations, building the high-fidelity database, and building and optimizing the FFNN. The experiment phase involves tensile testing of three different types of specimens in three material directions with Digital Image Correlation (DIC) to capture local strain. The simulation phase is to replicate all the experiments in LS-DYNA and perform finite element simulation. The finite element models are simulated 100 times and, respectively, 1000 times with different material parameters within a specific range. This range has a lower and upper bound that covers the experimental results. The database phase involves extracting the data from a huge amount of simulations and then extracting the key characteristics from the force-displacement curve. The last phase is building the FFNN and optimizing the network to find the best parameters. It’s first optimized based on Root Mean Square Error (RMSE) and then points from the Swift hardening curve and Barlat yield 2000 criteria are compared with experimental points. The result shows that the FFNN with the high-fidelity database can predict material parameters with an accuracy of over 99 % for the hardening law at the points chosen for optimization and the anisotropy parameters are optimized to 97 % accuracy for the yielding points and Lankford coefficients. The thesis concludes that the FFNN can accurately predict the material parameters with real experimental data. The effectiveness of using this method is significantly faster than traditional methods because only one type of test is needed. / Bilindustrin är beroende av trovärdiga och noggranna finita element simuleringar för utveckling av nya komponenter eller maskiner, och för det behövs noggranna materialmodeller. Materialkort innehåller information om materialmodellerna och är av stor betydelse, men är tidskrävande att kalibrera med traditionella metoder. Därför är en ny metod som involverar Maskininlärning (ML) och Feed-Forward Neurala Nätverk (FFNN) undersökt i avhandlingen. Applikationen av att kalibrera med FFNN har aldrig blivit undersökt för ”Swift hardening law” och anisotropi kriteriet ”Barlat yield 2000”. Alla steg för att kalibrera materialet är utförda för att uppnå en högkvalitativ databas som är kapabel att träna ett FFNN. Arbetets översikt involverar fyra faser som är; experiment, simulationer, databasensuppbyggnad och utvecklingen samt optimeringen av FFNN. Experimentfasen involverar dragprov för tre olika geometrier i tre materialriktningar tillsammans med Digital Image Correlation (DIC) för att fånga lokala töjningspunkter. Simulationsfasen går ut på att replikera experimentfasen genom finita element simuleringar i LS-DYNA. Finita element modellerna är simulerade 100 respektive 1000 gånger med olika materialparametrar inom ett specifikt intervall med en övre och undre gräns som ska täcka experimentdatan. Databasfasen handlar om att extrahera data från de massiva antalet simuleringar och extrahera nyckelbeteenden från kraft-förflyttningskurvan. Den sista fasen är att bygga FFNN och optimera för att hitta bästa möjliga parametrar. Det är först optimerat baserat på Root Mean Squared Error (RMSE) och sedan punkter från Swift härdningskurvan och beteenden genererat från Barlat yield 2000 som är jämförda med experimentella värden som Lankfordkoefficienter och sträckgränser för rullningsriktningarna. Resultatet visar att ett FFNN med en högkvalitiativ databas kan estimera materialparametrar med en noggrannhet över 99 % för härdningskurvan för jämförelsepunkterna och med en 97 % noggrannhet för anisotropipunkterna som Lankfordkoefficienter och sträckgränser i rullningsriktningarna. Exjobbet avslutas med att dra slutsatsen att FFNN kan estimera riktiga materialparametrar med en viss noggrannhet. Effektiviteten av att använda metoden är betydligt snabbare än traditionella metoder eftersom det endast tar några sekunder att estimera parametrarna när datan är extraherad och enbart en typ av test behövs.