Las pruebas de laboratorio para la estimación de los parámetros de compactación, a saber, la densidad seca máxima (MDD) y el contenido óptimo de humedad (OMC) son laboriosas y costosas. Por lo tanto, este artículo emplea la técnica de redes neuronales artificiales para la predicción del OMC y MDD para la base de agregado a partir de pruebas de propiedades índice relativamente más sencillas. La distribución del tamaño de grano, el límite plástico y los límites líquidos se utilizan como entradas para el desarrollo de las RNA. En este estudio, se prueban múltiples RNA (240 RNA) para elegir la RNA óptima que produzca las mejores predicciones. Este artículo se centra en estudiar el impacto de tres funciones de activación diferentes: el número de capas ocultas, el número de neuronas por capa oculta en las predicciones, y se generan mapas de calor para comparar el rendimiento de cada RNA con diferentes configuraciones. Los resultados muestran que los hiperparámetros óptimos de la RNA cambian dependiendo del parámetro predicho. Además, la activación de tangente hiperbólica es la función de activación más eficiente, ya que supera a las otras dos funciones de activación. Adicionalmente, las arquitecturas de RNA más simples resultan en las mejores predicciones, ya que el rendimiento de las RNA se deteriora con el aumento en el número de capas ocultas o el número de neuronas por capas ocultas.