پیش بینی رفتار سایش در مواد مهندسی به دلیل تعاملات پیچیده و غیرخطی بین خواص ریزساختاری ، ترکیب شیمیایی و شرایط عملیاتی، همچنان یک چالش بزرگ است. مدل های تحلیلی یا تجربی سنتی اغلب در به تصویر کشیدن این پیچیدگی ها شکست می خورند و شکافی برای رویکردهای تطبیقی تر و دقیق تر ایجاد می کنند. در این مطالعه، یک چارچوب پیش بینی مبتنی بر یادگیری ماشین برای تخمین نرخ سایش فولاد دوفازی با استفاده از ترکیبی از داده های تجربی و نمونه های مصنوعی تقویت شده توسعه داده شد . این روش شامل پیش پردازش داده های ساختاریافته، نرمال سازی، کدگذاری وان-هات برای ورودی ها ی دسته بندی شده و یک استراتژی تقویت داده چند مرحله ای برای جبران مجموعه داده های بسیار محدود بود. تکنیک های تقویت مانند تزریق نویز، درون یابی و بسط چندجمله ای برای گسترش فضای آموزش اعمال شدند. چهار مدل پیش بینی، شبکه عصبی پیش خور کاملاً متصل، جنگل تصادفی، رگرسیون تقویت گرادیان و رگرسیون ریج بیزی، توسعه داده و ارزیابی شدند. دقت مدل با استفاده از معیارهای آماری شامل MAE ، RMSE ، MAPE ، RMSLE و ضریب همبستگی، در کنار تحلیل باقیمانده ها و تشخیص بصری ارزیابی شد . نتایج نشان داد که GBR با دقت پیشبینی تقریباً کامل ) MAE = 0.0003 ، RMSE = 0.0004 ، R² = 1.0000 ) از سایر مد ل ها بهتر عمل کرد و حتی مقادیر سایش شدید را با دقت زیر میلی گرم ثبت کرد. شبکه عصبی همچنین در محدوده های کم تا متوسط (R = 0.9971) عملکرد خوبی داشت، اگرچه نرخ های اوج سایش را کمی کمتر از حد پیش بینی کرد. مدل RF عملکرد متعادلی را نشان دا د، با این حال، از طریق تحلیل اهمیت ویژگی، قابلیت تفسیر را به سیستم اضافه کرد. BRR ، اگرچه دقت کمتری داشت، اما یک معیار احتمالی خطی ارائه داد. رتبه بندی ویژگی ها به طور مداوم فاصله لغزش، سختی و کسر مارتنزیت را به عنوان تأثیرگذارترین متغیرها شناسایی و نقش های حیاتی آنها را در فرآیندهای سایش را پررنگ کرد. این تحقیق نشان می دهد که مد لهای غیرخطی مبتنی بر گروه، به ویژه تقویت گرادیان، راه حل های بسیار مؤثر و قابل تعمیمی برای مدلسازی رفتار سایش در فولادهای دوفازی ارائه می دهند.
