实验表明粉碎机的工作压力、水喷嘴直径和物料喷嘴直径三种因素，对其产量及产率产生主要影响<4>，故本文首先在正交实验的基础上，选定以粉碎机的工作压力、水喷嘴直径和物料喷嘴直径为输入变量，以粉碎机产量为输出变量，应用Matlab神经网络工具箱（NNT），采用BP网络对样本进行训练，建立了水射流粉碎过程模型；并用该模型对正交实验所得数据进行模拟。然后，应用神经网络对新结构的水射粉碎机的产量和产率进行模拟。目的是为水射流粉碎机的设计提供一种新的方法，同时，尝试应用神经网络技术对复杂非线性系统进行模拟和预测。
取purelin型函数作为输出层的变换函数。输入层和输出层神经元数由实验决定，对本正交实验来说，输入层为3个神经元组成，输入的信息分别为工作压力、水喷嘴直径和物料喷嘴直径；输出层为一个神经元，即粉碎机的产量。隐层神经元数目的选取目前尚无理论指导，但是它的选取将影响网络的收敛性能和预测集的误差，可以通过网络的学习和训练来选择。本网络模型训练函数采用trainlm，学习函数采用learngdm.学习效率选为0.02，动量系数0.95，以避免网络收敛时间太长或者防止网络陷入局部最低，造成网络局部停滞，而达不到收敛目标。
网络的学习和训练网络学习样本来自水力粉碎正交实验<5>，加载到神经网络之前，首先将其归一化（神经网络训练的需要）。数据见所示：正交实验数据压力水喷嘴直径物料喷嘴直径产量可见经过二百余次的训练，达到我们所要求的误差精度。
通过以上的分析、学习和训练，建立了水射流粉碎机产量BP网络模型。该网络如所示：预测水射流粉碎及产量的BP网络应用该网络对未经过学习过的样本点经过归一化处理后，把样本点数据分别送入上述BP网络模型的输入神经元进行预测，所得结果与实测数据如示：实测数据与网络预测值压力水喷嘴直径物料喷嘴直径产量实测值（kg/min）产量预测值表可见，预测值与实测值接近，表明应用神经网络预测水力粉碎机的产量是可行的。
以下应用神经网络对另一新结构的水射流粉碎机的产量和产率进行建模。该网络模型的输入层由四个神经元组成，输入的信息为工作压力、水射流喷嘴直径和物料喷嘴直径的入口和出口直径。输出层由两个神经元组成，为水射流的产量和产率。学习样本数据归一化后如所示：归一化后训练样本压力水喷嘴直径物料喷嘴入口直径物料喷嘴出口直径产率产量。
练误差0.0001，经过学习和训练，当隐层神经元数目为15时，网络输出精度最好。实验样本值与网络输出值比较如所示：样本值与输出值产率实验样本值产率网络输出值产量实验样本值产量网络输出值可以看出，输出值与样本值基本吻合，表明训练后的网络具有很好的拟合性。可以应用其对水射流粉碎机的放大性试验进行预测。
结果本文探讨了应用神经网络来预测水力粉碎机产量的方法，并通过实验对预测结果进行了验证，结果表明，神经网络能够很好地预测水射流粉碎机的产量。同时对水力粉碎机的产量和产率两个目标参数进行了模拟，证明神经网络对于高度非线性系统具有很好的拟合性。水射流粉碎机产量BP网络模型的建立，能够大大减少实验的次数，节省时间和实验经费，从而为化提供了一种简便有效的优化设计方法。