镁铝合金资料在一个暗藏层中使用了三个分歧的神经元数。
。使用训练数据集(70%)、验证数据集(15%)和测试数据集(15%)。
。最优结构为带有逻辑s型传递函数的12-12-1结构。
。用R, MSE和MAE值作为误差准则。
。镁铝合金资料在测试集中得到最小的MSE和MAE，，，最大的R值。
。输入矢量对Al-Mg2Si复合金资料UTS的活络度如图8所示。
？？杉，，，Mg对Al-Mg2Si复合金资料的UTS影响更大，，，镁铝合金资料由于含Mg和Si元素的复合金资料的力学机能与Mg2Si相的尺寸和描摹呈线性关系。
。了局批注，，，所罕见据集拥有较高的有关性和精度，，，因而，，，所提出的数学函数能够用于神经网络的钻研。
。

用镁铝合金资料推算了未细化的Al-Zn-Mg-Cu合金和细化的Al-5Ti-1B和Al-5Zr中央合金的UTS。
。没有明确界说的法式来确定最优的模型结构，，，所以在一个隐含层(5-20)中使用分歧的神经元数与试错步骤。
。这种工作的最优结构是15-17-1与逻辑s型传递函数。
。R, MAE和MSE用于数据集的机能。
。活络度了局显示，，，Mg元素和热处置对Al-Zn-Mg-Cu合金的UTS影响较大。
。

镁铝合金资料由于合金元素与其他金属相互作用，，，形成金属间化合物，，，这些化合物通过热处置析出，，，从而产生高强度。
。得到了推算公式，，，并利用该公式钻研了钪含量和碳含量的影响。
。钪和碳的最佳增长量为0.5 Sc和0.01 C wt.%，，，可获得最大的UTS值。
。所成立的预测模型拥有较高的靠得住性。
。镁铝合金资料用人为神经网络钻研了Al-Mg-Ti合金的UTS、塑性、孔隙率、硬度和密度。
。通度日络度分析检验了输入参数的影响。
。所有输入变量中的Mg元素对合金的ut和硬度的影响最大，，，而Ti元素对合金的密度和延性的影响最大。
。各变量的线性有关值均大于0.91，，，模型精度极度高。
。