سوپرآلیاژ پایه نیکل به علت پایداری و استحکام در دماهای بالا و همچنین مقاومت زیاد در برابر تغییر شکل، خزش، خوردگی و اکسیداسیون، کاربرد گسترده در صنایع هوایی، نیروگاهی و نظامی و پره کمپرسور توربین گازی دارد که در سال های اخیر مورد توجه مهندسین و صنعتگران قرار گرفته است. سوپر آلیاژ اینکونل 738 یکی از پرکاربردترین سوپرآلیاژهای پایه نیکل در ساخت قطعات توربین های گازی می باشد که ماشنیکاری این سوپرآلیاژ به دلیل نرخ بالای کار سختی، با مشکلاتی همراه است. برای آنکه یک فرآیند فرزکاری از نظر اقتصادی بهینه باشد، باید کیفیت سطح قطعه کار مطلوب و عمر ابزار بیشینه نیروی ماشینکاری حداقل باشد. با توجه به تاثیرگذار بودن پارامترهای فراوان، اصولا وقاعدتا این کار نیازمند ضابطه ی برای بهینه سازی مشخصات خروجی با توجه به پارامترهای ورودی ماشینکاری است. انتخاب پارامترهای ماشینکاری با سعی و خطا ، وقت و هزینه زیادی را می طلبد و ممکن است سطح حاصل از ماشینکاری نیز کیفیت مطلوب را نداشته باشد. در این پژوهش اثر تغییر در پارامترهای ماشینکاری مانند سرعت برشی، نرخ پیشروی، عمق برش محوری، حضور و عدم حضور سیال خنک کننده بر روی اینکونل 738 مورد بررسی قرار گرفته و پس از انجام آزمایشات، نیروی ماشینکاری و زبری سطح به عنوان دو خروجی بسیار مهم فرایند مورد تحلیل قرار گرفته است. امروزه استفاده از هوش مصنوعی برای بهینه سازی و پیش بینی فرایندهای مختلف کاربرد فراوانی پیدا کرده است و نتایج بسیار خوبی را در مقایسه با روش های دیگر از خود نشان داده است. به همین دلیل در این پژوهش با استفاده از الگوریتم ژنتیک پارامترهای بهینه ماشینکاری برای دو متغییر خروجی مشخص گردیده است بطوریکه استفاده از الگوریتم ژنتیک برای بهینه سازی نیرو، کاهش مقدار آن را به میزان 7/6درصد نشان می دهد مقدار بهینه نیروی کلی که توسط برنامه بهینه سازی الگوریتم متلب معرفی شد 3/434 نیوتن می باشد. در صورتی که حداقل نیرو در داده های آزمایش با همان سطوح آزمایش 441است. برای بررسی نهایی پس از انجام تست حاصل از الگوریتم ژنتیک نتیجه نیروی کل این مقدار حاکی از کاهش7/6درصدی در نیروی کل ماشینکاری بوده است . همچنین در پایان مدلسازی نیرو و زبری سطح با شبکه عصبی انجام گرفته و نتایج آن با رگرسیون مقایسه گردیده است. نتایج نشان می دهند که شبکه عصبی دارای نتایج بهتری نسبت به رگرسیون است.