Las simulaciones de elementos finitos (FE) han sido efectivas en la simulación de procesos de conformado termomecánico, sin embargo, surgen desafíos al aplicarlos a nuevos materiales debido a comportamientos no lineales. Para abordar esto, las técnicas de aprendizaje automático y las redes neuronales artificiales juegan un papel cada vez más vital en el desarrollo de modelos complejos. Este artículo presenta un enfoque innovador para la identificación de parámetros en leyes de flujo, utilizando una red neuronal artificial que aprende directamente de datos de prueba y genera automáticamente un subrutina Fortran para los códigos de elementos finitos estándar o explícitos de Abaqus. Investigamos el impacto de las funciones de activación en la predicción y la eficiencia computacional al comparar Sigmoid, Tanh, ReLU, Swish, Softplus y la menos común función Exponencial. A pesar de su uso poco frecuente, la función Exponencial demuestra un rendimiento notable y tiempos de cálculo reducidos. La validación del modelo implica comparar las capacidades predictivas con datos experimentales de pruebas de compresión, y las simulaciones numéricas confirman la implementación numérica en el código de elementos finitos explícitos de Abaqus.