鎂鋁合金材料在一個隱藏層中使用了三個不同的神經元數。使用訓練數據集(70%)、驗證數據集(15%)和測試數據集(15%)。最優結構為帶有邏輯s型傳遞函數的12-12-1結構。用R, MSE和MAE值作為誤差準則。鎂鋁合金材料在測試集中得到最小的MSE和MAE，最大的R值。輸入矢量對Al-Mg2Si復合金材料UTS的靈敏度如圖8所示。可見，Mg對Al-Mg2Si復合金材料的UTS影響更大，鎂鋁合金材料因為含Mg和Si元素的復合金材料的力學性能與Mg2Si相的尺寸和形貌呈線性關系。結果表明，所有數據集具有較高的相關性和精度，因此，所提出的數學函數可以用于神經網絡的研究。

用鎂鋁合金材料計算了未細化的Al-Zn-Mg-Cu合金和細化的Al-5Ti-1B和Al-5Zr中間合金的UTS。沒有明確定義的程序來確定最優的模型結構，所以在一個隱含層(5-20)中使用不同的神經元數與試錯方法。這種工作的最優結構是15-17-1與邏輯s型傳遞函數。R, MAE和MSE用于數據集的性能。靈敏度結果顯示，Mg元素和熱處理對Al-Zn-Mg-Cu合金的UTS影響較大。

鎂鋁合金材料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。得到了計算公式，并利用該公式研究了鈧含量和碳含量的影響。鈧和碳的最佳添加量為0.5 Sc和0.01 C wt.%，可獲得最大的UTS值。所建立的預測模型具有較高的可靠性。鎂鋁合金材料用人工神經網絡研究了Al-Mg-Ti合金的UTS、塑性、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。所有輸入變量中的Mg元素對合金的ut和硬度的影響最大，而Ti元素對合金的密度和延性的影響最大。各變量的線性相關值均大于0.91，模型精度非常高。