متالورژی فولادهای پر منگنز به خصوص فولادهای تغییر شکل پلاستیکی ناشی از دو قلویی (twip) و استحاله فازی مارتنزیتی (trip) در حال حاضر موضوع علمی مهم و قابل توجه محسوب می شود. این فولادها به علت ساختار شیمیایی مناسب از استحکام و انعطاف پذیری مطلوبی برخوردار هستند. این ویژگی های مکانیکی استثنایی از طریق قابلیت کار سختی بالای این فولاد به دست می آید. از این رودر این پژوهش با استفاده از هوش مصنوعی به پیش بینی خواص مکانیکی فولادهای twip/trip پرداخته میشود. هوش مصنوعی به عنوان روشی برای شبیه سازی سیستم ها، مدل های زیادی را در بر می گیرد. در پژوهش اخیر از دو مدل شبکه عصبی و الگوریتم ژنتیک برای پیش بینی خواص مکانیکی فولادهای پرمنگنز استفاده شده است. متغیرهای ورودی برای شبکه عصبی عبارت از پارامترهای ترکیب شیمیایی (درصدهای وزنی منگنز، آلومینیوم و سیلیسیم) و پارامترهای ترمومکانیکی (دمای آنیل، زمان آنیل و درصد کار سرد) هستند که با استفاده از شبکه عصبی تاثیر آنها بر متغیرهای خروجی استحکام تسلیم، استحکام کششی و درصد ازدیاد طول بررسی شده است. داده های لازم برای بررسی شبکه از مقالات به دست آمد .20 در صد این داده ها برای مرحله تست، 20 درصد برای مرحله اعتبارسنجی و 60 درصد باقیمانده برای آموزش شبکه به کار برده شد. برنامه شبکه عصبی برای هر یک از دو دسته پارامترهای شیمیایی و مکانیکی به طور جداگانه نوشته شد و برای دست یافتن به نتایج دقیق تر برای هر کدام از این پارامترها سه برنامه مجزا طراحی گردید. همچنین در نوشتن شبکه دو روش پس انتشار خطا و شعاع مبنا استفاده گردید. با استفاده از شبکه عصبی به بررسی تاثیر هر یک از پارامترها به طور جداگانه بر خواص مکانیکی پرداخته شد. نتایج نشان داد که مدل آموزش داده شده می تواند حساسیت خواص مکانیکی به متغیرهای ورودی را پیش بینی نماید. در گام بعدی با استفاده از نتایج به دست آمده از شبکه عصبی، معادله ای برای استفاده در مدل الگوریتم ژنتیک حدس زده شد. استفاده از الگوریتم ژنیک باعث گردید تا نتایج به دست آمده از شبکه عصبی بهینه گردد و پیش بینی بهتری را در پی داشته باشد.