использовании нейронных сетей легко исследовать зависимость прогнозируемой величины от независимых переменных. Например, закладывая параметры среды (состав, pH, T), металла, потока и т.д. возможно, используя даже самую простую нейросетевую архитектуру и имеющуюся базу данных, получить работающую систему прогнозирования утонения. Причем учет, или не учет системой внешних параметров будет определяться включением, или исключением соответствующего входа в нейронную сеть (скажем, однофазный или двухфазный поток). Еще одно преимущество нейронных сетей состоит в том, что построение нейросетевой модели происходит адаптивно во время обучения, без участия оператора. При этом нейронной сети предъявляются примеры из базы данных, и она сама подстраивается под эти данные.
Искусственный нейрон, так же как и живой, состоит из синапсов, связывающих входы нейрона – вектор параметров Х(х1, х2, …,хn), например, совокупность параметров состояния среды и металла, − с ядром нейрона, где осуществляется обработка входных сигналов, и аксона, связывающего нейрон с нейронами следующего слоя. Каждый синапс имеет вес, который определяет, насколько соответствующий вход нейрона определяет его состояние. Нейронная сеть состоит из нескольких слоёв нейронов, последовательно связанных друг с другом.