焊接接头的力学性能是焊接产品质量控制的主要指标之一,目前国内外大多采用拉伸、冲击、弯曲等试验来确定力学性能。这种传统方法对人员、材料及设备都提出了较高要求,从而提高了产品的成本。随着计算机技术的发展,焊接接头力学性能模拟和预测越来越受到关注。本文系统地研究了利用人工神经元网络预测焊接接头力学性能的不同方法和途径,利用遗传算法优化反向传播神经网络实现了焊接接头力学性能的预测。首先,本文广泛收集和整理企业第一线的焊接工艺和焊接接头力学性能数据,建立了相应的数据库,并对这些数据进行了有效地的管理。通过分析大量的数据记录,得出材料成分和焊接规范为影响接头力学性能的主要参数。其次,本文重点分析了BP网路模型特点,研究了其梯度下降训练算法,利用MATLAB和高级语言设计了基于BP网络模型的焊接接头力学性能预测系统,并分别对焊接接头力学性能进行了仿真预测。实现了碳钢、低合金高强钢以及不锈钢的焊接接头力学性能预测,主要包括接头的抗拉强度、屈服强度、延伸率以及断面收缩率,同时分析了各参数变化对接头力学性能的影响。本文进一步通过遗传算法优化了BP神经网络模型,确定了遗传算法编码方案,研究了适应度函数及选择、交差和变异策略,建立了新的神经网路模型—遗传算法优化神经网路模型。研究了该模型的算法学习规则以及拓扑结构,在此基础上设计了基于遗传算法优化神经网路的焊接接头力学性能预测系统。应用该系统预测了TIG焊接头抗拉强度以及手工电弧焊接头延伸率。将经过遗传算法优化的神经网络模型与原神经网络模型进行比较,结果表明,前者的预测精度和预测效率都有所提升。本文所建系统不但实现了模型的训练、测试和预测,而且系统具有较完善的管理体系,可实现模型的添加和删除,随着专家样本的不断积累,可将其它材料的预测模型添加到系统中,充分提升了系统可扩展性。研究表明,该焊接接头力学性能预测系统不但可以提高效率,缩短生产周期,而且可以节约成本。