At present, industries require tremendous new technologies to solve the challenges faced in the production process. In the existing researches, Al7075 is frequently used but Al7050 is rare hence, in this study the effort has been made on the development of Al7050 and Al7075 alloys reinforced with Granite and Silicon carbide particles using stir casting technique. The nine different reinforcing mix ratios are fixed by using the Taguchi method performed in Minitab. Morphology of the reinforced particle is examined under optical microscopy and the mechanical properties such as hardness, impact, and wear of both Al7050 and Al7075 composites are studied. The Brinell hardness test is carried out to assess the hardness of both composites. Besides, Hybrid Deep Neural Network-based Salp Swarm Optimization (DNN-SSO) is performed to forecast and validate the experimented mechanical properties and compared with related neural networks. In which, the proposed DNN-SSO shows better outcomes by providing closer results to the experimented characteristics than the predicted DNN and ANN. From the overall study, in both Al7050 and Al7075 composites, hardness and wear rates are optimal when using 12% of granite and 6% of SiC particles. The optimal impact strength is achieved from 8% of granite and 4% of SiC particles. Besides, the reinforced composite of Al7050 possesses favorable impact energy and Al7075 possesses better hardness and wear rate. The superior mechanical characteristics observed for hardness is 141.22 BHN, wear rate is 0.00125 mm³/m and impact energy is 13.35 J. The predicted characteristics obtained using the proposed hybrid DNN-SSO achieve closer values to the experimented outcomes.

目前，行业需要大量的新技术来解决生产过程中面临的挑战。在现有的研究中，Al7075 经常使用，但 Al7050 很少见，因此在本研究中，努力开发了使用搅拌铸造技术用花岗岩和碳化硅颗粒增强的 Al7050 和 Al7075 合金。通过使用在 Minitab 中执行的 Taguchi 方法来固定九种不同的配筋率。在光学显微镜下检查增强颗粒的形态，并研究了 Al7050 和 Al7075 复合材料的机械性能，如硬度、冲击和磨损。进行布氏硬度测试以评估两种复合材料的硬度。除了，执行基于混合深度神经网络的 Salp Swarm 优化 (DNN-SSO) 来预测和验证实验的机械性能，并与相关的神经网络进行比较。其中，与预测的 DNN 和 ANN 相比，所提出的 DNN-SSO 通过提供与实验特征更接近的结果来显示更好的结果。从整体研究来看，在 Al7050 和 Al7075 复合材料中，当使用 12% 的花岗岩和 6% 的 SiC 颗粒时，硬度和磨损率是最佳的。最佳冲击强度是由 8% 的花岗岩和 4% 的 SiC 颗粒实现的。此外，Al7050增强复合材料具有良好的冲击功，Al7075具有更好的硬度和磨损率。观察到的硬度优异的机械特性为 141.22 BHN，磨损率为 0.00125 mm 与预测的 DNN 和 ANN 相比，提议的 DNN-SSO 通过提供更接近实验特征的结果显示出更好的结果。从整体研究来看，在 Al7050 和 Al7075 复合材料中，当使用 12% 的花岗岩和 6% 的 SiC 颗粒时，硬度和磨损率是最佳的。最佳冲击强度是由 8% 的花岗岩和 4% 的 SiC 颗粒实现的。此外，Al7050增强复合材料具有良好的冲击功，Al7075具有更好的硬度和磨损率。观察到的硬度优异的机械特性为 141.22 BHN，磨损率为 0.00125 mm 与预测的 DNN 和 ANN 相比，提议的 DNN-SSO 通过提供更接近实验特征的结果显示出更好的结果。从整体研究来看，在 Al7050 和 Al7075 复合材料中，当使用 12% 的花岗岩和 6% 的 SiC 颗粒时，硬度和磨损率是最佳的。最佳冲击强度是由 8% 的花岗岩和 4% 的 SiC 颗粒实现的。此外，Al7050增强复合材料具有良好的冲击功，Al7075具有更好的硬度和磨损率。观察到的硬度优异的机械特性为 141.22 BHN，磨损率为 0.00125 mm Al7050增强复合材料具有良好的冲击能量，Al7075具有更好的硬度和磨损率。观察到的硬度优异的机械特性为 141.22 BHN，磨损率为 0.00125 mm Al7050增强复合材料具有良好的冲击能量，Al7075具有更好的硬度和磨损率。观察到的硬度优异的机械特性为 141.22 BHN，磨损率为 0.00125 mm³ /m 和冲击能量为 13.35 J。使用所提出的混合 DNN-SSO 获得的预测特性实现了与实验结果更接近的值。