Traditional modeling of mechanical energy absorption due to compressive loadings in expanded polystyrene foams involves mathematical descriptions that are derived from stress/strain continuum mechanics models. Nevertheless, most of those models are either constrained using the strain as the only variable to work at large deformation regimes and usually neglect important parameters for energy absorption properties such as the material density or the rate of the applying load. This work presents a neural-network-based approach that produces models that are capable to map the compressive stress response and energy absorption parameters of an expanded polystyrene foam by considering its deformation, compressive loading rates, and different densities. The models are trained with ground-truth data obtained in compressive tests. Two methods to select neural network architectures are also presented, one of which is based on a Design of Experiments strategy. The results show that it is possible to obtain a single artificial neural networks model that can abstract stress and energy absorption solution spaces for the conditions studied in the material. Additionally, such a model is compared with a phenomenological model, and the results show than the neural network model outperforms it in terms of prediction capabilities, since errors around 2% of experimental data were obtained. In this sense, it is demonstrated that by following the presented approach is possible to obtain a model capable to reproduce compressive polystyrene foam stress/strain data, and consequently, to simulate its energy absorption parameters.

由于膨胀聚苯乙烯泡沫中的压缩载荷引起的机械能吸收的传统建模涉及源自应力/应变连续介质力学模型的数学描述。然而，这些模型中的大多数要么使用应变作为在大变形状态下工作的唯一变量进行约束，并且通常忽略能量吸收特性的重要参数，例如材料密度或施加载荷的速率。这项工作提出了一种基于神经网络的方法，该方法产生的模型能够通过考虑其变形、压缩载荷率和不同密度来绘制膨胀聚苯乙烯泡沫的压缩应力响应和能量吸收参数。这些模型使用在压缩测试中获得的真实数据进行训练。还介绍了两种选择神经网络架构的方法，其中一种基于实验设计策略。结果表明，可以获得单个人工神经网络模型，该模型可以为材料中研究的条件抽象应力和能量吸收解空间。此外，将这种模型与现象学模型进行比较，结果表明神经网络模型在预测能力方面优于它，因为获得了大约 2% 的实验数据误差。从这个意义上讲，证明通过遵循所提出的方法可以获得能够重现压缩聚苯乙烯泡沫应力/应变数据的模型，从而模拟其能量吸收参数。其中之一是基于实验设计策略。结果表明，可以获得单个人工神经网络模型，该模型可以为材料中研究的条件抽象应力和能量吸收解空间。此外，将这种模型与现象学模型进行比较，结果表明神经网络模型在预测能力方面优于它，因为获得了大约 2% 的实验数据误差。从这个意义上讲，证明通过遵循所提出的方法可以获得能够重现压缩聚苯乙烯泡沫应力/应变数据的模型，从而模拟其能量吸收参数。其中之一是基于实验设计策略。结果表明，可以获得单个人工神经网络模型，该模型可以为材料中研究的条件抽象应力和能量吸收解空间。此外，将这种模型与现象学模型进行比较，结果表明神经网络模型在预测能力方面优于它，因为获得了大约 2% 的实验数据误差。从这个意义上讲，证明通过遵循所提出的方法可以获得能够重现压缩聚苯乙烯泡沫应力/应变数据的模型，从而模拟其能量吸收参数。结果表明，可以获得单个人工神经网络模型，该模型可以为材料中研究的条件抽象应力和能量吸收解空间。此外，将这种模型与现象学模型进行比较，结果表明神经网络模型在预测能力方面优于它，因为获得了大约 2% 的实验数据误差。从这个意义上讲，证明通过遵循所提出的方法可以获得能够重现压缩聚苯乙烯泡沫应力/应变数据的模型，从而模拟其能量吸收参数。结果表明，可以获得单个人工神经网络模型，该模型可以为材料中研究的条件抽象应力和能量吸收解空间。此外，将这种模型与现象学模型进行比较，结果表明神经网络模型在预测能力方面优于它，因为获得了大约 2% 的实验数据误差。从这个意义上讲，证明通过遵循所提出的方法可以获得能够重现压缩聚苯乙烯泡沫应力/应变数据的模型，从而模拟其能量吸收参数。结果表明，神经网络模型在预测能力方面优于它，因为获得了大约 2% 的实验数据误差。从这个意义上讲，证明通过遵循所提出的方法可以获得能够重现压缩聚苯乙烯泡沫应力/应变数据的模型，从而模拟其能量吸收参数。结果表明，由于获得了大约2％的实验数据误差，因此神经网络模型在预测能力方面胜过其模型。从这个意义上讲，证明通过遵循所提出的方法可以获得能够重现压缩聚苯乙烯泡沫应力/应变数据的模型，从而模拟其能量吸收参数。