Цель исследования — разработка и апробация новой расчетной методики для решения задачи аппроксимации кривых деформирования при одноосном растяжении образцов из стали и силумина, позволяющей повысить качество моделирования. Представлена схема испытания на одноосное растяжение образцов из стали и силумина. Эксперимент на одноосное растяжение поставлен в лаборатории механических испытаний кафедры прикладной математики и механики Воронежского государственного технического университета. Экспериментальная кривая деформирования образца из стали аппроксимирована уравнением П. Людвига. Обсуждается вариант прогнозирования зависимости истинного напряжения по логарифмической деформации для рассматриваемой задачи с помощью предварительно обученной искусственной нейронной сети с архитектурой многослойного персептрона. Обучение нейросетевой модели выполнено методом RProp (resilient backpropagation). Программная реализация нейросетевого способа аппроксимации проведена в open source фреймворке для анализа данных — Knime Analytics Platform. Рассмотрена схема проекта для реализации многослойного персептрона, решающего задачу аппроксимации. Выполнено сравнение результатов моделирования по значениям среднеквадратической ошибки аппроксимации. Для образца из стали нейросетевая аппроксимация оказалась на порядок точнее, чем аппроксимация уравнением П. Людвига. Для образца из силумина нейросетевая аппроксимация выполнена с еще меньшим значением среднеквадратической ошибки, чем для образца из стали. Выявлено, что изменение архитектуры искусственной нейронной сети влияет на качество моделирования. При увеличении количества скрытых слоев точность аппроксимации повышается. Нейросетевая аппроксимация представляет собой эффективный способ решения задачи аналитического описания экспериментальных кривых деформирования и оставляет возможность использования универсальной методики для разнообразных материалов и видов испытаний.