金属塑性阻力是表征金属加工性能的基本物理量，是计算压力加工过程中变形力和变形功的主要参数，是制定合理的工艺规程和设计轧钢设备必不可少的数据。金属塑性阻力的大小，决定于金属的化学成分、金属的组织，变形速度、变形程度以及与这些相关的各个过程，如加工硬化、再结晶、动态恢复、静态恢复等。
人工神经网络是一种人工智能模式识别方法，具有自学习功能、联想存储功能，并有高速寻找优化解的能力等；可以逼近任意复杂的非线性关系，尤其擅长表达输入输出关系不明确的高度非线性关系。近年，在塑性加工领域，神经网络预测模型已在金属变形阻力、轧制工艺中的轧件宽展以及轧制力等许多方面得到广泛应用，与传统方法相比，预测精度有显著提高。然而一般还只应用单一网络进行预测，没有对已有的多种可行的神经网络作对比，寻找最优网络。本文尝试用BP、ElMAN、RBF以及GRNN网络，分别建立热轧铬镍钢变形阻力的预测模型，并对预测过程和结果进行对比。
1)运用神经网络的方法对热轧铬镍钢变形阻力预测可行有效，与传统的方法相比，预测精度高出很多。
2)为寻找最佳网络，本文用4种不同网络对本文塑性变形阻力热轧模型进行训练和预测。通过比较，分析认为，虽然RBF网络结构较复杂，但网络逼近能力强，训练过程稳定，预测精度高，为最佳网络；Elman网络优于BP网络；而GRNN网络不适合类似本文所建模型。
3)当遇到类似本文模型的实际问题时，可以优先选择RBF网络；如若模型网络结构很复杂，而且要求预测精度不是太高时，可以尝试Elman网络。
（来源：塑性工程学报）
