在平衡狀態(tài)下，液態(tài)物質(zhì)的特性只決定于成分與溫度兩個(gè)參數(shù)(假設(shè)壓力不變)。但是，實(shí)際生產(chǎn)和科學(xué)試驗(yàn)中所碰到的液態(tài)金屬往往是遠(yuǎn)離平衡態(tài)的。因此，經(jīng)常出現(xiàn)成分與溫度相同的液態(tài)金屬，在同樣的凝固條件下得到的組織與性能相差很大的情況。這就提出了非平衡條件下液態(tài)金屬質(zhì)量的表征與評(píng)測(cè)問(wèn)題。如果我們把液態(tài)金屬質(zhì)量定義為對(duì)凝固過(guò)程和凝固組織與性能有影響的特性，那么它就一定會(huì)受以下因素的影響：

　　·熔煉所用的原材料，即所謂的遺傳性；·微量元素，指一般不作分析或難于精確分析的痕量雜質(zhì)元素；·熔煉歷程，包括熔煉過(guò)程所經(jīng)歷的最高溫度及高溫停留時(shí)間；·熔煉方法，高爐，電阻爐，感應(yīng)電爐、電弧爐等；·爐前處理，精練、變質(zhì)處理，球化、孕育處理，電、磁處理等。

　　所有這些影響因素的共同特征是他們都是動(dòng)態(tài)不平衡參量。所以，液態(tài)金屬的質(zhì)量特性不可能用一個(gè)或幾個(gè)平衡參數(shù)來(lái)表示。

　　幾十年來(lái)，人們采用了一系列方法來(lái)評(píng)測(cè)液態(tài)金屬的質(zhì)量，如相同凝固條件下的金相檢測(cè)，液態(tài)金屬的電子輸運(yùn)特性測(cè)量，熱分析等。其中熱分析法具有一系列優(yōu)點(diǎn)，研究最多，發(fā)展也最快。

　　隨著電子技術(shù)的迅速發(fā)展，熱分析法也逐步實(shí)現(xiàn)電子化、數(shù)字化和微機(jī)化。電子式熱分析儀和微機(jī)化熱分析儀等產(chǎn)品的問(wèn)世，大大推動(dòng)了熱分析法的發(fā)展。國(guó)外將計(jì)算機(jī)和熱分析儀結(jié)合起來(lái)，發(fā)展了一種計(jì)算機(jī)輔助熱分析技術(shù)(Computer-Aided Thermal Analysis)，簡(jiǎn)稱CATA，或稱為計(jì)算機(jī)輔助冷卻曲線分析(CA-CCA)。利用這種技術(shù)，人們可以評(píng)測(cè)鐵水的孕育效果。微機(jī)熱分析設(shè)計(jì)接口電路將熱分析儀與微機(jī)連接起來(lái)，通過(guò)微機(jī)能夠方便地根據(jù)現(xiàn)場(chǎng)生產(chǎn)條件和測(cè)試條件方便地修正數(shù)學(xué)模型及其系數(shù)，從而大大提高了熱分析儀的適應(yīng)性和測(cè)試效果。

　　1996年，對(duì)于灰鑄鐵和球墨鑄鐵，國(guó)外發(fā)展了一種基于熱分析并結(jié)合人工智能的系統(tǒng)。這種系統(tǒng)可以根據(jù)穩(wěn)定系統(tǒng)來(lái)分析試樣的凝固過(guò)程并預(yù)測(cè)各種鑄造缺陷的可能性，同時(shí)也可以估計(jì)出物理性能。該系統(tǒng)利用計(jì)算機(jī)輔助熱分析技術(shù)，編制了軟件程序來(lái)評(píng)測(cè)鐵水的微觀結(jié)構(gòu)和孕育效果。研究人員從熱分析曲線的特征值中選擇了10個(gè)作為控制參數(shù)，并且給每一個(gè)參數(shù)都定義了閾值。如果10個(gè)點(diǎn)都滿足閾值要求，則認(rèn)為鐵水質(zhì)量合格。該方法簡(jiǎn)單方便，一目了然。

　　然而，即使隨著熱分析的發(fā)展，選取的特征值數(shù)目由少到多，通過(guò)選取特征值進(jìn)行鐵水質(zhì)量評(píng)估仍然在一定程度上受到主觀因素的影響。這是因?yàn)椋瑹岱治黾夹g(shù)的應(yīng)用只限于更清楚、更直觀地顯示冷卻曲線上的特征值，并在這些特征值與鐵水的預(yù)測(cè)參量之間建立一定的回歸關(guān)系。而熱分析特征值的尋取準(zhǔn)確性和數(shù)學(xué)模型的回歸精度是受到限制的。即使增加一階微分和二階微分，考慮對(duì)結(jié)晶潛熱的分析，其特征值的選取仍是基于現(xiàn)有經(jīng)驗(yàn)及主觀因素之上的。而且對(duì)微分曲線和冷卻曲線進(jìn)行分析需要非常專業(yè)的知識(shí)，更加增加了分析帶來(lái)的難度和主觀因素的作用。

　　目前，國(guó)內(nèi)已有人運(yùn)用人工智能神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)灰鐵鑄件的性能。人工神經(jīng)網(wǎng)絡(luò)是模擬生物神經(jīng)傳遞信息的方法而建立的一種人工智能模式識(shí)別方法，具有并行、適應(yīng)能力強(qiáng)等優(yōu)點(diǎn)。神經(jīng)元作為神經(jīng)網(wǎng)絡(luò)的基本要素，由于計(jì)算速度快而得到廣泛應(yīng)用。由于神經(jīng)網(wǎng)絡(luò)模型良好的自學(xué)習(xí)功能，隨著模式對(duì)樣本的不斷增加與更新，系統(tǒng)具有較強(qiáng)的適應(yīng)性，為此，可以設(shè)計(jì)建立動(dòng)態(tài)綜合數(shù)據(jù)庫(kù)，其中存有大量模式對(duì)，并隨著系統(tǒng)的在線運(yùn)行而不斷存入新的事實(shí)樣本，以此作為新增模式對(duì)而使神經(jīng)網(wǎng)絡(luò)進(jìn)行自學(xué)習(xí)，從而不斷提高神經(jīng)網(wǎng)絡(luò)模型的適應(yīng)性和預(yù)報(bào)命中率。可以將模式識(shí)別方法用于多因素影響的灰鑄鐵的生產(chǎn)過(guò)程；運(yùn)用自組織人工神經(jīng)網(wǎng)絡(luò)對(duì)受到多因素控制的生產(chǎn)過(guò)程進(jìn)行模式識(shí)別與分類，根據(jù)生產(chǎn)狀態(tài)代表點(diǎn)在空間的分布結(jié)構(gòu)，尋找與控制目標(biāo)之間的聯(lián)系，將輸入與輸出間難以描述的函數(shù)關(guān)系轉(zhuǎn)化為對(duì)模式識(shí)別的分類與判別，可以建立對(duì)灰鐵質(zhì)量合格與不合格兩類狀態(tài)進(jìn)行識(shí)別的計(jì)算機(jī)智能專家系統(tǒng)，從而預(yù)測(cè)樣品性能所屬牌號(hào)。上海冶金研究所的張兆春等人利用最小二乘法并結(jié)合預(yù)報(bào)殘差平方和S檢驗(yàn)，從影響鑄件性能的幾個(gè)主要方面(如鐵水化學(xué)成分和澆注工藝參數(shù))抽提出幾個(gè)作為影響鑄件性能的主要因素(CE、Mn、Cr、Sn、Si)，運(yùn)用逆映照方法確定在現(xiàn)有的生產(chǎn)工藝基礎(chǔ)上這幾個(gè)變量的變化趨勢(shì)以及優(yōu)化范圍。以這幾個(gè)影響鑄件性能的主要變量作為人工神經(jīng)網(wǎng)絡(luò)的輸入特征量，經(jīng)已知樣本集訓(xùn)練，可以對(duì)鑄件的兩個(gè)指標(biāo)進(jìn)行雙目標(biāo)預(yù)報(bào)。