推导并给出了推算复合金资料磨损体积损失的数学公式
。利用所造备的复合伙料配方，钻研了输入变量对复合金资料磨损体积损失的影响
。复合金资料的磨损体积损失随滑动距离、刀具横移和旋转速度的增长而显著增长
。当同化比为50% TiC +50% Al2O3时，复合加强复合金资料的磨损体积损失最幼
。了局批注，该配方可用于预测复合伙料的磨损量，从而降低功夫和出产成本
。具体钻研了FSP参数和杂化比对Al基5083杂化复合伙料抗拉强度的影响
。

复合金资料利用一个隐层中分歧神经元的数量来确定最优模型结构
。选取15个神经元进行优化模型结构
。利用MSE、MAE和MAPE作为误差评估尺度，并选择有关系数(R)来评估所提模型的机能
。用15个神经元得到最大R值和最幼误差值
。推导出了数学公式，并将试验了局与模型进行了比力
。显示了复合金资料的误差率
。训练集均匀误差为11%，测试集均匀误差为4%
。这批注该模型的预测能力是能够接受的
。在此基础上，钻研了刀具动弹速度、切削速度、碳纳米管(CNT)、氧化铝(Al2O3)、石墨(Gr)、碳化硅(SiC)和氧化锆(ZrO2)的体积分数等成分对强度的影响
。

试验了局批注，复合金资料的抗拉强度随碳纳米管厚度、刀具旋转速度和导线速度的增长而显著增长
。此表，还钻研了分歧体积分数的复合加强剂对5083型amhc的影响
。当同化比为10% Gr + 5% ZrO2时，复合伙料的抗拉强度最高
。选取人为神经网络分歧合金元素对Al-Mg2Si复合伙料抗拉强度的影响
。输入变量为Al、Mg、Si、铜、锰、铬、磷、铍、硼、锂、钇、钠wt.%，输出为UTS，单元为MPa
。在一个暗藏层中使用三个分歧的神经元编号(12、13和14)
。使用训练数据集70%、验证数据集15%和测试数据集15%
。