Se construyó un modelo de predicción de aprendizaje automático multicaracterística basado en las curvas de esfuerzo-deformación de ingeniería de polietileno (PE) y polipropileno (PP), así como en el módulo de Young (YM), el alargamiento por rotura (EB) y la resistencia a la tracción (TS), para explorar la influencia de las propiedades del material, el proceso de muestreo y los parámetros de prueba en las propiedades mecánicas. Mediante 7 algoritmos como Lasso, regresión de árbol de decisión (DTR), regresión de bosque aleatorio (RF), junto con validación cruzada de 5 pliegues y optimización de hiperparámetros, se logró una predicción cuantitativa del rendimiento mecánico; basado en el algoritmo de regresión de árboles de gradiente extremo (XGB) se completó un ajuste de alta fidelidad de las curvas esfuerzo-deformación. Los resultados muestran que, aunque la precisión de la predicción del rendimiento mecánico de PE está limitada por la cantidad de datos, la tendencia predicha indica que el método es efectivo; el rendimiento de predicción de YM en el conjunto de datos de PP es óptimo (R² en el conjunto de prueba ≥0,80, algunos modelos superan el 0,90), sin sobreajuste evidente; las predicciones de EB y TS están limitadas por la cantidad de datos, solo los modelos RF, XGB y KNN muestran capacidad predictiva efectiva en el conjunto de PP; bajo condiciones de variables controladas, la predicción de las curvas esfuerzo-deformación de PP tiene un R² mayor a 0,90, reproduciendo con precisión el rendimiento mecánico dependiente de la temperatura. Se demuestra la viabilidad del aprendizaje automático para predecir las propiedades mecánicas de los poliolefinas, brindando soporte técnico para la predicción rápida de las propiedades mecánicas de materiales poliméricos.

curva esfuerzo-deformación; aprendizaje automático; propiedades mecánicas