انتخاب روش مناسب آزمون غیرمخرب (NDT) برای بازرسی جوش، نقش مهمی در ارتقاء کیفیت فرایند بازرسی، کاهش خطاهای انسانی و بهینه سازی هزینه های عملیاتی در صنایع مختلف از جمله انرژی، حمل ونقل، خودروسازی، هوافضا و نفت و گاز دارد. در این پژوهش، با بهره گیری از رویکرد یادگیری ماشین که یکی از اجزاء هوش مصنوعی است، یک مدل ترکیبی داده محور و طبقه بندی طراحی شده است که توانایی پیش بینی روش بهینه آزمون غیرمخرب (NDT) را برای هر نمونه جوش، بر اساس مجموعه ای از ویژگی های فنی نظیر نوع جوش، ضخامت، جنس فلز پایه، ساختار قطعه و میزان دسترسی به ناحیه جوش دارد. برای طراحی این مدل، تعداد 500 رکورد داده معتبر شامل نتایج آزمون های رایج مانند UT، MT، RT، PT و ET گردآوری شده و پس از انجام مراحل پیش پردازش، از جمله بررسی داده های گمشده، نرمال سازی و کدگذاری متغیرهای طبقه ای، از الگوریتم های متنوع شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM)، نزدیک ترین همسایه (KNN) و XGBoost در محیط برنامه نویسی Python برای مدل سازی استفاده شد. فرایند ارزیابی مدل ها با بهره گیری از تکنیک اعتبارسنجی متقابل 10 لایه ای (10-fold cross-validation) و تنظیم بهینه فراپارامترها از طریق روش جستجوی شبکه ای (GridSearchCV) انجام گرفت. نتایج نشان داد مدل XGBoost با دقت 90 درصد و میانگین شاخص های صحت، پوشش و امتیاز F1 بالاتر از سایر مدل ها، عملکرد قابل توجهی داشته و در برخی موارد، حتی از پیش بینی های کارشناسان انسانی نیز دقیق تر عمل کرده است. همچنین، خروجی مدل با استانداردهای صنعتی نظیر ASME Section V و ASTM E-Series در زمینه بازرسی جوش کاملاً هم راستا بوده و دارای اعتبار و کاربردپذیری عملی بالایی است.