镁铝合金材料优化的体系结构为带有逻辑s型传递函数的12-12-1体系结构。镁铝合金材料采用R、MSE和MAE值作为误差标准。在测试集中得到最小的MSE和MAE值以及最大的R值。输入矢量对Al-Mg2Si复合材料UTS的灵敏度如图8所示。Mg对Al-Mg2Si复合材料的抗拉强度影响较大，因为镁铝合金材料相的尺寸和形貌与含Mg和Si元素复合材料的力学性能呈线性关系。结果表明，所有的数据集都具有较高的相关性和准确性，因此，所提出的数学函数可以用于神经网络研究。
镁铝合金材料用人工神经网络计算了未精炼Al-Zn-Mg-Cu合金和Al-5Ti-1B和Al-5Zr中间合金精炼后的UTS。没有定义良好的程序来确定最优模型结构，因此在一个隐藏层(5-20)中使用不同的神经元数目与试错方法。该工程的最优结构为带逻辑s型传递函数的15-17-1结构。采用R、MAE和MSE对数据集的性能进行评价。灵敏度结果显示，Mg元素和热处理对Al-Zn-Mg-Cu合金的抗拉强度有较高的影响。因为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理析出，从而产生高强度。
镁铝合金材料并利用该公式研究了钪和碳含量的影响。当钪和碳的添加量分别为0.5 Sc和0.01 C wt.%时，可获得最大的UTS值。所得公式的预测模型具有较高的可靠性。采用神经网络方法研究了Al-Mg-Ti合金的抗拉强度、延性、孔隙率、硬度和密度。通过灵敏度分析，检验了输入参数的影响。镁铝合金材料所有输入变量中的Mg元素对合金的UTS和硬度的影响最大，而Ti元素具有密度和延性。所有变量的线性相关值都高于0.91，模型精度非常高。采用神经网络和回归模型研究了增强和变形对赤泥纳米颗粒增强铝基复合材料体积磨损的影响。
镁铝合金材料采用函数的激活函数、RMSE和MAPE，四个输入参数，两个隐含层，分别包含7个和6个神经元，1个输出参数为容量，训练集124个数据，测试集20个数据。回归和ANN模型的R2和MAPE分别为0.9775和0.989,12.96和7.30%，ANN模型的RMSE为0.3177。结果表明，与数学回归模型相比，人工神经网络方法能较好地预测复合材料的磨损率，并能有效地减少时间、精力和成本。
新时代，新技术层出不穷，我们关注，学习，希望在未来能够与时俱进，开拓创新。