推導并給出了計算復合金材料磨損體積損失的數學公式。利用所制備的復合材料配方，研究了輸入變量對復合金材料磨損體積損失的影響。復合金材料的磨損體積損失隨滑動距離、刀具橫移和旋轉速度的增加而顯著增加。當夾雜比為50% TiC +50% Al2O3時，復合增強復合金材料的磨損體積損失最小。結果表明，該配方可用于預測復合材料的磨損量，從而降低時間和生產成本。詳細研究了FSP參數和雜化比對Al基5083雜化復合材料抗拉強度的影響。

復合金材料利用一個隱層中不同神經元的數量來確定最優模型結構。采用15個神經元進行優化模型結構。利用MSE、MAE和MAPE作為誤差評估標準，并選擇相關系數(R)來評估所提模型的性能。用15個神經元得到最大R值和最小誤差值。推導出了數學公式，并將試驗結果與模型進行了比較。顯示了復合金材料的誤差率。訓練集平均誤差為11%，測試集平均誤差為4%。這表明該模型的預測能力是可以接受的。在此基礎上，研究了刀具轉動速度、切削速度、碳納米管(CNT)、氧化鋁(Al2O3)、石墨(Gr)、碳化硅(SiC)和氧化鋯(ZrO2)的體積分數等因素對強度的影響。

試驗結果表明，復合金材料的抗拉強度隨碳納米管厚度、刀具旋轉速度和導線速度的增加而顯著增加。此外，還研究了不同體積分數的復合增強劑對5083型amhc的影響。當夾雜比為10% Gr + 5% ZrO2時，復合材料的抗拉強度最高。采用人工神經網絡不同合金元素對Al-Mg2Si復合材料抗拉強度的影響。輸入變量為Al、Mg、Si、銅、錳、鉻、磷、鈹、硼、鋰、釔、鈉wt.%，輸出為UTS，單位為MPa。在一個隱藏層中使用三個不同的神經元編號(12、13和14)。使用訓練數據集70%、驗證數據集15%和測試數據集15%。