صافی سطح نقش مهمی در کیفیت قطعات دارد. پیش بینی صافی سطح، موضوعی است که از مدت ها قبل مورد توجه محققان قرار گرفته است. در این پایان نامه مدل هایی برای پیش بینی صافی سطح ارایه شده است. پارامترهایی که در این مدل ها مورد نظر قرار گرفته اند پارمترهای ماشینکاری (سرعت برشی، پیشروی و عمق بار) و مولفه های نیروی ماشینکاری می باشند. 36 آزمایش با ترکیب 4 سطح سرعت برشی، 3 سطح سرعت پیشروی و سه سطح عمق بار انجام گرفت و برای هر مورد، نیروهای ماشینکاری در سه جهت پیشروی، شعاعی و برشی اندازه گیری شد. برای هر قسمت ماشینکاری شده، زیری سطح با زیری سنج سوزنی اندازه گیری شد. سپس اثر پارامترهای ماشینکاری بر زیری سطح مورد بررسی قرار گرفت. با استفاده از داده های تجربی بدست آمده، یک مدل رگرسیون و سه مدل شبکه عصبی برای پیش بینی صافی سطح ایجاد شدند. هدف از ایجاد سه شبکه مختلف، بیان لزوم استفاده از شبکه های با قدرت تعمیم دهی بالا برای داده های نویزی به دست آمده و بیان قدرت بالای شبکه های عصبی در مقایسه با رگرسیون بود. مدل های شبکه عصبی مورد استفاده، شبکه فیدفوروارد با الگوریتم آموزش لونبرگ- مارکوارد بود که در سه حالت مختلف الگوریتم لونبرگ ساده، الگوریتم لونبرگ با ساماندهی بیزین و الگوریتم لونبرگ به همراه روش ارلی استاپینگ مورد استفاده قرار گرفت. کارایی هر کدام از مدل ها، با داده های تست ارزیابی شد. نتایج نشان دادند که برای داده های تجربی بدست آمده، شبکه بیزین بهترین نتایج پیش بینی را در مقایسه با دو مدل دیگر شبکه عصبی و همچنین، مدل رگرسیون می دهد و این امر به خاطر بالا بودن قدرت تعمیم دهی و جلوگیری از فیت شدن نویزها توسط مدل می باشد. میانگین خطای پیش بینی 24/7% ، با این روش به دست آمد که نتیجه کاملا قابل قبولی است. همچنین مشاهده شد که شبکه بیزین به مقادیر اولیه وزن ها و ساختار شبکه حساسیت کمی دارد و این باعث می شود که شبکه نسبت به شبکه های دیگر قابل اعتماد تر باشد.