近年来神经网络等智能化方法在焊接接头力学性能预测中得到了广泛应用，并且取得了较好的结果。例如文献[8]依据熔化极气体保护焊(GMAW)焊接时对焊缝熔深的影响因素，结合遗传算法，建立以焊接电流、焊接电压、焊接速度和焊缝熔宽为输入、以熔深为输出的BP神经网络焊缝熔深预测模型。仿真试验和结果分析表明: 使用遗传算法能得到神经网络较好的初始权值和阈值，能显著提高网络性能; 所建模型符合已有的焊接熔深理论研究，并且预测误差较小，具有较好的泛比能力和较高的预测准确性，对工程实际具有一定的指导意义。7069
文献[9]通过对TC4钛合金进行TIG焊,并测定接头的抗拉强度、抗弯强度和断后伸长率,获得网络仿真所需的数据。结合使用BP算法与最小二乘相结合的混合算法,建立了用于焊接接头力学性能预测的自适应模糊神经网络模型。利用该模型进行仿真,其平均误差远小于7 %。结果表明,该模型可根据焊接工艺参数对焊接接头的抗拉强度、抗弯强度和断后伸长率等力学性能进行较为准确的预测,并且具有建模快、模型简单、预测速度快、预测精度高,泛化能力强的优点,从而为焊接接头力学性能预测提供了一条有效的途径。文献[10]探讨一种自适应模糊神经网络(adaptive fuzzy neural networks, ANFIS) 预测焊接接头力学性能的方法。通过测定TC4钛合金TIG焊接头的抗拉强度、抗弯强度和延伸率,结合焊接工艺参数建立了用于焊接接头力学性能预测的自适应模糊神经网络模型。利用该模型, 并使用BP算法和BP算法与最小二乘相结合的混合算法, 采用不同的输入变量隶属度函数、模糊子集数、迭代次数, 对焊接接头力学性能进行了ANFIS仿真。结果表明, 当采用混合算法, 且模糊子集数为3时, 网络训练和预测结果平均误差均远小于7%, 能够满足实际生产的要求。使用MATLAB 和Visual C++混合编程开发了基于ANFIS焊接接头力学性能预测软件, 可根据焊接工艺参数对焊接接头的抗拉强度、抗弯强度和延伸率等力学性能进行较为准确地预测, 为焊接接头的质量预测与控制提供了一条简捷、有效的新途径。
文献[11]基于建立的反向传播(back propagation ,BP)神经网络焊接接头力学性能预测模型,并综合运用遗传算法(genetic algorithm ,GA)来优化BP 神经网络连接权的方法,对模型预测性能进行了有效的改进,提高了神经网络模型的预测精度和泛化能力。对模型性能的分析表明,焊接接头力学性能预测模型的预测规律符合已有研究结论,预测误差小于5%。随着样本数据的不断充实,样本覆盖空间的不断扩大,力学性能预测模型的应用范围将不断扩大,其实际应用价值也必将越来越高。文献[12]基于神经网络建立焊接接头力学性能预测平台，可实现合金钢、钛合金及铝合金焊接接头力学性能预测。预别内容包括抗拉强度、屈服强度、伸长率以及断面收缩率等。同时可以分析参数变化对接头力学性能的影响。算法核心主要是应用遗传算法优化Back—Propagation神经网络连接权，其具有很好的全局搜索特性以及不易陷入局部最优化．同时应用既有高斯一牛顿法的快速收敛特性，也有梯度下降法的局部搜索特性的LM算法．使预测结果具有很好的泛化性能和较高的预测精度。
文献[13]为了获得反映焊条原材料成分与其熔敷金属力学性能之间映射关系的预测模型，该文对E4303 碳钢焊条进行配方设计和堆焊试验，测定其熔敷金属的抗拉强度、屈服强度、延伸率、冲击功4项力学性能指标。采用自适应模糊神经网络方法建立了直接由焊条原材料成分预测焊条力学性能的模糊神经网络模型。用该模糊神经网络模型对训练样本以外的试验数据进行预测。结果表明，抗拉强度和屈服强度的预测平均相对误差在5%以内，延伸率指标预测平均绝对误差仅为0.021，冲击功指标预测效果与BP网络相比有明显改善，说明该模糊神经网络预测模型能够直接根据焊条原材料成分较准确地预测其熔敷金属的力学性能。TWI和不少焊接研究机构都开展过将神经网络技术引入到焊接工程方面的研究。其中英国剑桥大学的Harry Bhadeshia教授等人利用神经网络针对合金钢、不锈钢和镍基合金钢进行了研究，建立了这些材料及焊接接头力学性能的神经网络模型。美国NA Technologies公司利用神经网络为美困海军和福特公司提供了焊接工程的技术支持 遗传算法与神经网络在焊接方面的国内外研究现状:http://www.youerw.com/yanjiu/lunwen_4833.html