Studies on the development of energy absorbing systems that minimize vehicle chassis damage in traffic accidents are increasing day by day. Many designs have been made in the studies on crushboxes used to absorb the energy released in the event of an accident. These design works are quite costly and take a long time. In this study, to design crushboxes faster and more economically was estimated using artificial neural network. The input layer of the artificial neural network model consists of three different materials, thicknesses (between 0.8 and 2.2 mm) and three different initial speeds. In the artificial neural network model, 42 different models were created by changing the different training functions (training, trainlm and trainrp), transfer functions (tansig and logsig) and the number of neurons in the hidden layer (between 9 and 33). R2 and root mean square error (RMSE) methods were used to evaluate the efficiency of artificial neural network models. The training function was found to be highly accurate (R2: 0.99999 and root mean square error: 0.314727E-05) when the training function was "trainlm" and the number of neurons in the hidden layer was 33. The training and testing results of the artificial neural network model show that artificial neural networks can be used to estimate the specific energy absorption/energy/peak crush force value of crushboxes.,Studien zur Entwicklung von energieabsorbierenden Systemen, die die Sch & auml;den am Fahrzeugchassis bei Verkehrsunf & auml;llen minimieren sollen, nehmen von Tag zu Tag zu. In den Untersuchungen zu Schockabsorbersystemen, die dazu dienen, die bei einem Unfall freigesetzte Energie zu absorbieren, wurden viele Entw & uuml;rfe erstellt. Diese Konstruktionsarbeiten sind recht kostspielig und zeitaufwendig. In dieser Studie wurde mithilfe eines k & uuml;nstlichen neuronalen Netzwerks eine schnellere und wirtschaftlichere Konstruktion von Absorbersystemen ermittelt. Die Eingabeschicht des k & uuml;nstlichen neuronalen Netzwerkmodells besteht aus drei verschiedenen Werkstoffen, Dicken (zwischen 0,8 und 2,2 mm) und Anfangsgeschwindigkeiten. Im k & uuml;nstlichen neuronalen Netzwerkmodell wurden 42 verschiedene Modelle erstellt, indem die verschiedenen Trainingsfunktionen (training, trainlm und trainrp), die & Uuml;bertragungsfunktion (tansig und logsig) und die Anzahl der Neuronen in der versteckten Schicht (zwischen 9 und 33) variiert wurden. Zur Bewertung der Leistung der k & uuml;nstlichen neuronalen Netzwerkmodelle wurden die Methoden R2 und Wurzel der mittleren Fehlerquadratsumme (RMSE) verwendet. Die Trainingsfunktion erwies sich als sehr genau (R2: 0,99999 und RMSE: 0,314727E-05), wenn die Trainingsfunktion ' trainlm ' war und die Anzahl der Neuronen in der versteckten Schicht 33 betrug. Die Trainings- und Testergebnisse des k & uuml;nstlichen neuronalen Netzwerkmodells zeigen, dass k & uuml;nstliche neuronale Netzwerke zur Absch & auml;tzung von spezifischer Energieabsorption und von Energie/Spitzenquetschkraftswert von Absorbersystemen verwendet werden k & ouml;nnen.