Foi desenvolvido um modelo preditivo de aprendizado de máquina com múltiplas características baseado nas curvas tensão-deformação do polietileno (PE) e do polipropileno (PP), bem como no módulo de Young (YM), alongamento na ruptura (EB) e resistência à tração (TS), para investigar o impacto das propriedades do material, processos de preparação de amostras e parâmetros de teste no desempenho mecânico. Usando 7 algoritmos, incluindo Lasso, regressão de árvore de decisão (DTR), regressão de floresta aleatória (RF), combinados com validação cruzada de 5 dobras e otimização de hiperparâmetros, foi alcançada a predição quantitativa do desempenho mecânico; com o algoritmo XGB de gradient boosting extremo foi realizada a ajustagem de alta fidelidade da curva tensão-deformação. Os resultados indicam que a predição do desempenho mecânico do PE é limitada pela quantidade de dados, embora a tendência preditiva demonstre a eficácia do método; a predição do YM no conjunto de dados PP foi a melhor (R²≥0,80 no conjunto de teste, alguns modelos excederam 0,90), sem overfitting evidente; as predições de EB e TS são limitadas pela quantidade de dados, apenas os modelos RF, XGB e KNN mostraram capacidade preditiva eficaz no conjunto PP; sob condições de variáveis controladas, a predição da curva tensão-deformação do PP (R²>0,90) reproduziu com precisão o desempenho mecânico dependente da temperatura. Isso prova a viabilidade do aprendizado de máquina na predição do desempenho mecânico de poliolefínicos e pode fornecer suporte técnico para a predição rápida do desempenho mecânico de materiais poliméricos.

curva tensão-deformação; aprendizado de máquina; desempenho mecânico