Al-Mg-Ti合金材料利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金材料體積磨損的影響。采用sigmoid函數的激活函數，RMSE和MAPE, 4個輸入參數，7個和6個神經元的2個隱含層，1個輸出參數，即124個訓練數據和20個測試數據。Al-Mg-Ti合金材料回歸模型和人工神經網絡模型的R2和MAPE分別為0.9775和0.989,MAPE分別為12.96和7.30%，人工神經網絡模型的RMSE為0.3177。他們觀察到，ANN方法對復合金材料磨損率的預測與數學回歸模型具有極好的一致性，可以有效地減少時間、精力和成本。

Al-Mg-Ti合金材料采用人工神經網絡和統計模型對擠壓鑄造工藝制備的A413/B4C復合金材料的硬度、極限抗拉強度和屈服強度進行建模。用18個數據進行測試，用9個數據進行測試，用雙曲正切函數和線性傳遞函數作為激活函數，用算法和梯度下降動量BP算法作為訓練算法。Al-Mg-Ti合金材料有三個輸入層，三個輸出層和50 + 50個神經元在兩個隱藏層。訓練和測試前數據在0-1范圍內歸一化。MSE、R和預測百分比誤差作為系統的性能指標。他們用算法觀察到最優的結構是隱含層數和神經元數為2，結果與實驗值吻合較好。

Al-Mg-Ti合金材料采用33個3個水平3個因子的全設計因子設計輸入變量與結果變量之間的聯系，采用方差分析的實驗設計(DOE)來確定各因子對響應的顯著性。壓力分別為70、105和140 MPa，模具預熱溫度分別為150、225和300℃，B4C率分別為4、8和12 wt.%。R2值為95.25%，調整后的R2值為93.83%，表明模型的有效性較高。擠壓壓力對力學性能影響較大，貢獻約44-46%，B4C wt.%影響約33-43%，模具預熱溫度影響約9-16%。響應的p值均小于0.005。模具的壓力、B4C速率和預熱溫度的最佳配比分別為140 MPa、12 wt.%和225℃，才能獲得最大的力學性能。