Al-Mg-Ti合金资料利用神经网络和回归模型钻研了加强和变形对赤泥纳米颗粒加强铝基复合金资料体积磨损的影响。选取sigmoid函数的激活函数，，RMSE和MAPE, 4个输入参数，，7个和6个神经元的2个隐含层，，1个输出参数，，即124个训练数据和20个测试数据。Al-Mg-Ti合金资料回归模型和人为神经网络模型的R2和MAPE别离为0.9775和0.989,MAPE别离为12.96和7.30%，，人为神经网络模型的RMSE为0.3177。他们观察到，，ANN步骤对复合金资料磨损率的预测与数学回归模型拥有极好的一致性，，能够有效地削减功夫、、精力和成本。

Al-Mg-Ti合金资料选取人为神经网络和统计模型对挤压铸造工艺制备的A413/B4C复合金资料的硬度、、极限抗拉强度和屈服强度进行建模。用18个数据进行测试，，用9个数据进行测试，，用双曲正切函数和线性传递函数作为激活函数，，用算法和梯度降落动量BP算法作为训练算法。Al-Mg-Ti合金资料有三个输入层，，三个输出层和50 + 50个神经元在两个暗藏层。训练和测试前数据在0-1领域内归一化。MSE、、R和预测百分比误差作为系统的机能指标。他们用算法观察到最优的结构是隐含层数和神经元数为2，，了局与尝试值吻合较好。

Al-Mg-Ti合金资料选取33个3个水平3个因子的全设计因子设计输入变量与了局变量之间的联系，，选取方差分析的尝试设计(DOE)来确定各因子对响应的显著性。压力别离为70、、105和140 MPa，，模具预热温度别离为150、、225和300℃，，B4C率别离为4、、8和12 wt.%。R2值为95.25%，，调整后的R2值为93.83%，，批注模型的有效性较高。挤压压力对力学机能影响较大，，贡献约44-46%，，B4C wt.%影响约33-43%，，模具预热温度影响约9-16%。响应的p值均小于0.005。模具的压力、、B4C速度和预热温度的最佳配比别离为140 MPa、、12 wt.%和225℃，，能力获得最大的力学机能。