Lĩnh vực xây dựng đang phát triển nhanh chóng trong thập kỷ qua. Các hoạt động này đòi hỏi một lượng lớn cốt liệu để xây dựng mới và cũng tạo ra một lượng lớn chất thải từ việc phá dỡ các công trình cũ. Để khắc phục điều này, bê tông cốt liệu tái chế (RAC), trong đó cốt liệu tự nhiên được thay thế bằng cốt liệu bê tông tái chế, hiện đang là một hướng nghiên cứu tiềm năng và giúp bảo tồn tài nguyên thiên nhiên, giảm thiểu tác động đến môi trường. Tuy nhiên, việc tối ưu hóa hỗn hợp RAC do thành phần khác nhau của cốt liệu tái chế và việc ước tính cường độ nén đòi hỏi các kỹ thuật mới và phức tạp. Trong nghiên cứu này, mô hình mạng nơ ron nhân tạo với thuật toán Conjugate gradient được đề xuất để dự đoán cường độ nén của RAC. Cơ sở dữ liệu RAC trong nghiên cứu này gồm 650 kết quả thí nghiệm được tổng hợp từ 69 nghiên cứu thử nghiệm. Hiệu suất của mô hình ANN được đánh giá bằng cách sử dụng các tiêu chí thống kê, cụ thể là hệ số tương quan (R), sai số toàn phương trung bình (RMSE), sai số tuyệt đối trung bình (MAE) và sai số phần trăm tuyệt đối trung bình (MAPE). Kết quả cho thấy mô hình ANN đề xuất là một công cụ dự đoán hợp lý và hữu ích cho các kỹ sư, giúp tiết kiệm thời gian, giảm thiểu các thí nghiệm tốn kém., Tóm tắt tiếng anh, The field of construction is evolving rapidly over the past decades. These activities require excessive amounts of aggregates for new construction and generate a large amount of demolition waste. To overcome this problem, recycled aggregate concrete (RAC), in which natural aggregates are replaced with recycled concrete aggregates, is a promising research direction, aiming at conserving natural resources as well as reducing the environmental impacts. However, the determination of the RAC mixture requires novel and sophisticated techniques due to the variability of recycled aggregates and the lack of prediction accuracy in estimating the compressive strength. In this study, an artificial neural network (ANN) model using conjugate gradient (CG) algorithm is proposed to predict the compressive strength of RAC. The RAC database in this study includes 650 experimental results gathered from 69 experimental studies. The performance of the models is assessed using statistical criteria, namely the correlation coefficient (R), root mean square error (RMSE), mean absolute error (MAE), and mean absolute percentage error (MAPE). The results of this study show that the ANN-CG model can accurately predict the compressive strength of RAC, representing a promising and useful alternative design solution for structural engineers.