هدف این پروژه استخراج معادله ساختاری رفتار مکانیکی قطعه کار در فرآیند نورد گرم می‏باشد. برای این منظور از دو روش تحلیلی و شبکه عصبی برای بدست آوردن مدل رفتار مکانیکی قطعه در حین تغییر شکل استفاده گردیده است. در روش تحلیلی با استفاده از روابط ریاضی موجود بین پارامترهای تأثیرگذار بر فرآیند و با به‏کارگیری روش تحلیل معکوس مدل مورد بحث به صورت تابعی از کرنش، نرخ کرنش و دمای میانگین هر قفسه ارائه گردیده است. برای دستیابی به مدل دقیق‏تر با درصد خطای محاسباتی کمتر نسبت به روش تحلیلی از شبکه‏های عصبی مصنوعی پیشخور چند لایه با الگوریتم آموزش پس انتشار خطا استفاده شده است. کلیه اطلاعات لازم از خطوط نورد گرم مجتمع فولاد مبارکه به صورت مجموعه داده‏ها، دریافت گردیده است و برنامه‏های کامپیوتری با استفاده از نرم‏افزار matlab برای هر دو روش استفاده شده در این پروژه، نوشته شده است. در روش تحلیلی از روش مینیمم مربعات خطا برای یافتن پارامترهای مجهول مدل پیشنهادی اولیه استفاده گردیده و برای سنجش خطای رابطه پیشنهادی ، با استفاده از خروجی‏های مدل ارائه شده نیروی نورد به عنوان پارامتر پایه که مقدار واقعی آن در اختیار بوده، مجدداً محاسبه گردیده و میانگین خطاهای محاسباتی به عنوان خطای مدل پیشنهادی ارائه شده است. جهت کاهش خطای مدل پیشنهاد شده با استفاده از روابط تحلیلی، از روش شبکه عصبی استفاده گردید. به همین منظور در مدلسازی با استفاده از شبکه‏های عصبی مدل پیشنهادی اولیه همان مدل اولیه استفاده شده در روش تحلیلی در نظر گرفته شد و کرنش، نرخ کرنش و دمای میانگین قفسه‏های نورد و یک ضریب ثابت به عنوان ورودی‏های شبکه و پارامتر تنش سیلان به عنوان خروجی شبکه منظور گردید. جهت یافتن ساختار بهینه شبکه عصبی مورد استفاده پارامترهای مربوط به توپولوژی شبکه همچون الگوریتم‏های آموزش شبکه، تابع محرک و تعداد نرون‏های لایه مخفی در بین حالت‏های ممکن تغییر داده شد و با بررسی خطای خروجی شبکه ، بهترین ساختار شبکه برای مسئله مورد بحث ارائه گردید. با مقایسه نتایج هر دو روش، مشاهده شد که مدل شبکه عصبی ارائه شده خطای کمتری نسبت به مدل تحلیلی ارائه می‏کند. بنابراین با وجود اینکه نتایج مدل تحلیلی نیز در محدوده قابل قبولی قرار داشت، اما مدل شبکه عصبی به عنوان مدل بهتری برای رفتار مکانیکی قطعه‏کار در فرآیند نورد گرم درنظر گرفته شد.