鎂鋁合金材料優化的體系結構為帶有邏輯s型傳遞函數的12-12-1體系結構。鎂鋁合金材料采用R、MSE和MAE值作為誤差標準。在測試集中得到最小的MSE和MAE值以及最大的R值。輸入矢量對Al-Mg2Si復合材料UTS的靈敏度如圖8所示。Mg對Al-Mg2Si復合材料的抗拉強度影響較大，因為鎂鋁合金材料相的尺寸和形貌與含Mg和Si元素復合材料的力學性能呈線性關系。結果表明，所有的數據集都具有較高的相關性和準確性，因此，所提出的數學函數可以用于神經網絡研究。

鎂鋁合金材料用人工神經網絡計算了未精煉Al-Zn-Mg-Cu合金和Al-5Ti-1B和Al-5Zr中間合金精煉后的UTS。沒有定義良好的程序來確定最優模型結構，因此在一個隱藏層(5-20)中使用不同的神經元數目與試錯方法。該工程的最優結構為帶邏輯s型傳遞函數的15-17-1結構。采用R、MAE和MSE對數據集的性能進行評價。靈敏度結果顯示，Mg元素和熱處理對Al-Zn-Mg-Cu合金的抗拉強度有較高的影響。因為合金元素與其他金屬相互作用，形成金屬間化合物，這些化合物通過熱處理析出，從而產生高強度。

鎂鋁合金材料并利用該公式研究了鈧和碳含量的影響。當鈧和碳的添加量分別為0.5 Sc和0.01 C wt.%時，可獲得最大的UTS值。所得公式的預測模型具有較高的可靠性。采用神經網絡方法研究了Al-Mg-Ti合金的抗拉強度、延性、孔隙率、硬度和密度。通過靈敏度分析，檢驗了輸入參數的影響。鎂鋁合金材料所有輸入變量中的Mg元素對合金的UTS和硬度的影響最大，而Ti元素具有密度和延性。所有變量的線性相關值都高于0.91，模型精度非常高。采用神經網絡和回歸模型研究了增強和變形對赤泥納米顆粒增強鋁基復合材料體積磨損的影響。

鎂鋁合金材料采用函數的激活函數、RMSE和MAPE，四個輸入參數，兩個隱含層，分別包含7個和6個神經元，1個輸出參數為容量，訓練集124個數據，測試集20個數據。回歸和ANN模型的R2和MAPE分別為0.9775和0.989,12.96和7.30%，ANN模型的RMSE為0.3177。結果表明，與數學回歸模型相比，人工神經網絡方法能較好地預測復合材料的磨損率，并能有效地減少時間、精力和成本。