Alüminyum alaşımlar endüstride oldukça sık tercih edilen malzemelerdendir. Alüminyumun en önemli özelliklerinden biri yoğunluklarının düşük olmasıdır. Bu sayede otomotiv sektörü de dahil olmak üzere birçok sektörde önemli bir mühendislik malzemesi olarak yerini almıştır. Otomotiv sektöründe kullanılan alüminyum alaşımlardan bir tanesi de 6082 serisi alüminyum alaşımıdır. Tekrarlı yüklere maruz kalan makine parçalarında zamanla mikro çatlaklar oluşarak birikir ve bu çatlaklar ani kırılmalara sebep olur. Malzemelerde yorulma olarak bilinen bu olgunun anlaşılması ve yorulma deneylerinin yapılarak kırılma çevrim sayılarının belirlenmesi büyük önem taşır. Bu çalışmada 6082 alüminyum alaşımının yorulma testleri sırasında DCPD (Direct Current Potential Drop) tekniğiyle numune üzerinden akım ve gerilim değerleri toplanırken, uygulanan kuvvet ve meydana gelen deplasman verileri de eş zamanlı olarak kaydedilmiştir. Daha sonra bu veriler karar ağacı, ekstra ağaçlar, rastgele orman, XGBoost (Aşırı Gradyan Arttırma) ve KNN (K-En Yakın Komşu) olmak üzere 5 farklı makine öğrenmesi algoritmasına girdi olarak verilmiş ve çevrim sayıları tahmin edilmiştir. Test edilen modeller arasında R-kare (R2) ve ortalama mutlak yüzde hata (MAPE) değerleri baz alındığında en iyi performansı karar ağacı ve ekstra ağaçlar makine öğrenmesi modelleri göstermiştir.