Un modèle de prédiction par apprentissage automatique à caractéristiques multiples a été construit à partir des courbes contrainte-déformation de polyéthylène (PE) et de polypropylène (PP), ainsi que du module de Young (YM), de l'allongement à la rupture (EB) et de la résistance à la traction (TS), afin d'explorer l'influence des propriétés des matériaux, du procédé d'échantillonnage et des paramètres de test sur les performances mécaniques. En utilisant 7 algorithmes tels que la régression Lasso, la régression par arbre de décision (DTR), la régression par forêt aléatoire (RF), combinés à une validation croisée à 5 plis et à l'optimisation des hyperparamètres, une prédiction quantitative des performances mécaniques a été réalisée; l'ajustement à haute fidélité des courbes contrainte-déformation a été effectué avec l'algorithme de régression par gradient boosting extrême (XGB). Les résultats montrent que malgré les limites de précision dues à la quantité de données, la prédiction des performances mécaniques du PE s'avère efficace; la prédiction du YM sur le jeu de données PP est optimale (R²≥0.80 sur le jeu de test, certains modèles dépassant 0.90), sans surapprentissage apparent; les prédictions EB et TS sont limitées par la quantité de données, seuls les modèles RF, XGB et KNN montrent une capacité prédictive efficace sur le jeu PP; sous conditions de variables contrôlées, le R² de la prédiction des courbes contrainte-déformation du PP est supérieur à 0.90, reproduisant précisément la dépendance mécanique à la température. Ce travail prouve la faisabilité de la prédiction des performances mécaniques des polyoléfines par apprentissage automatique, offrant un support technique pour une prédiction rapide des propriétés mécaniques des matériaux polymères.

courbe contrainte-déformation; apprentissage automatique; propriétés mécaniques