پیش بینی پتانسیل روان گرایی در خاک های ماسه ای سست اشباع در طول چهل سال گذشته بسیار مورد توجه مهندسین ژئوتکنیک قرار گرفته است. توسعه ابزارهای محاسباتی منجر به ظهور روش های جدید علمی در ارزیابی پتانسیل روان گرایی شده است. از جمله این روش ها روش شبکه های عصبی مصنوعی و روش ماشین بردار پشتیبان (svm) می باشد. در چند سال اخیر شبکه های عصبی مصنوعی به عنوان ابزاری توانمند در مدل سازی مسائل پیچیده در بسیاری از رشته های مهندسی کاربردهای فراوانی یافته است. هم چنین روش ماشین بردار پشتیبان نیز به عنوان یک روش تشخیص الگوی جدید در مسائل دسته بندی در علوم مختلف دارای کاربرد رو به گسترشی می باشد. تحقیق حاضر یکی از اولین کاربردهای این روش در مهندسی ژئوتکنیک و به خصوص پدیده روان گرایی می باشد. در تحقیق حاضر پس از جمع آوری مجموعه معتبر و نسبتا بزرگ از داده های صحرایی گزارش شده از زلزله های مختلف جهان بر اساس آزمون های نفوذ استاندارد (spt) و نفوذ مخروط (cpt) که در آن ها پدیده روان گرایی مشاهده شده بود، مدل های مجزایی برای هر دو مجموعه داده ها و با استفاده از هر دو روش ذکر شده برای ارزیابی پتانسیل روان گرایی ارائه گردید. پس از بررسی مدل های مختلف با پارامترها و خصوصیات متفاوت، مدل های بهینه شبکه عصبی و ماشین بردار پشتیبان برای هر دو گروه داده ها ارائه شده اند. با انجام تحلیل حساسیت، اهمیت نسبی پارامترها در دو گروه داده ها مشخص و با حذف پارامترهای با اهمیت نسبی پایین در داده های spt نتایج مدل ها بهبود داده شد. مقایسه نتایج با روش های معمول و مشابه در بررسی پتانسیل روان گرایی حاکی از افزایش دقت تخمین در مدل های پیشنهادی است. به ویژه مدل ماشین بردار پشتیبان ارائه شده نتایج بهتری را نسبت به روش شبکه های عصبی مصنوعی که در چند سال اخیر بسیار پر کاربرد بوده است، نشان می دهد.

پیش بینی ظرفیت باربری شمع های تحت اثر بار محوری یکی از مسائل اساسی در مهندسی ژئوتکنیک بوده و تاکنون از روش های گوناگونی برای ارزیابی آن استفاده شده است. از آن جا که این روش ها عموماً با در نظر گرفتن فرضیاتی به ساده سازی مسأله می پردازند، نتایج حاصل از آن ها سازگاری مناسبی با نتایج واقعی ندارد. پیشرفت های گسترده در ابداع رایانه های با قدرت محاسباتی بالا زمینه ساز استفاده از روش های مبتنی بر تکنیک های هوش مصنوعی (یا یادگیری ماشینی) گردیده است. پژوهش های متعددی کاربرد همراه با موفقیت این روش ها را در مدل سازی مسائل مهندسی ژئوتکنیک تأیید کرده اند. از جمله روش های یادگیری ماشین می توان به روش ماشین بردار پشتیبان (svm) اشاره کرد. در این پژوهش از مدل های ماشین بردار پشتیبان مبتنی بر داده های آزمایش نفوذ مخروط (cpt) برای ارزیابی ظرفیت باربری نهایی شمع های تحت اثر بار محوری استفاده شده است. داده های مورد استفاده در این پژوهش، ازمقالات منتشر شده، استخراج شده است و این داده ها شامل نتایج آزمون بارگذاری استاتیکی شمع در مقیاس واقعی، نتایج آزمایش نفوذ مخروط (cpt) در مجاورت آن ها و خواص هندسی شمع می باشد. در این مدل علاوه بر ارزیابی ظرفیت باربری نهایی شمع های تحت اثر بار محوری، به بررسی حساسیت ظرفیت باربری نهایی نسبت به هر یک از پارامتر های موثر، پرداخته شده است. با مقایسه نتایج به دست آمده با مقادیر واقعی، کارایی مناسب مدل های گسترش داده شده در این پژوهش تأئید می شود. برای مقایسه نتایج مدل های ارائه شده با روش های دیگر از سه روش سنتی مبتنی بر cpt استفاده شده است. این مقایسه در قالب یک تحلیل آماری انجام شده و با توجه به معیار های مورد استفاده در این تحلیل، مدل ها و روش های موجود رتبه بندی شده اند. این تحلیل نشان می دهد که مدل های svm ظرفیت باربری شمع ها را با دقت بسیار بالاتری نسبت به روش های سنتی مورد استفاده، در محدوده داده هایی که برای گسترش مدل مورد استفاده قرار گرفته است، پیش بینی می کنند.

در شهر های بزرگ استفاده از خطوط مترو، یکی از مهم ترین روش های حمل و نقل به حساب می آید و با توجه به اینکه معمولاً خطوط مترو در نزدیکی سطح زمین قرار گرفته اند و خاک در این منطقه آبرفتی و دارای مقاومت و چسبندگی کمی می باشند، ایجاد یک فضای خالی در خاک، سبب جابجایی در خاک، انتقال آن به سطح زمین و نشست سطح زمین می شود. زمانی که این نشست به بیش از 10 میلی متر برسد، احتمال آسیب رسیدن به ساختمان ها بیشتر گردیده، از این رو پیش بینی نشست سطح زمین در اثر حفاری های سطحی از اهمیت به سزایی برخوردار است. دهه ی اخیر، در ایران توجه خاصی به توسعه خطوط مترو در شهر هایی چون تهران، مشهد، تبریز، شیراز، اصفهان و ... شده است که طول قابل ملاحظه ای از این خطوط در زیر سطح زمین قرار گرفته است از این رو حفر تونل های مورد نیاز در این خطوط سبب جابجایی خاک اطراف تونل و نشست سطح زمین می گردد. بنابراین پیش بینی نشست سطح زمین در این خطوط امری بسیار مهم می باشد تا اقدامات لازم قبل از حفاری جهت کاهش میزان خسارات جانی و مالی انجام پذیرد. روش های مختلفی جهت برآورد و پیش بینی نشست سطح زمین در اثر حفر تونل وجود دارد که عبارتند از: 1- روش تجربی 2- روش آزمایشگاهی 3- روش عددی 4- شبکه عصبی مصنوعی، روش تجربی که بر اساس ساده سازی در روابط مورد نظر جهت اندازه گیری جابجایی سطح زمین در اثر حفر تونل شامل پارامترهای هندسی تونل و مورد استفاده در شرایط محدود از لحاظ هندسه و شرایط خاص ژئوتکنیکی می باشد، روش آزمایشگاهی که بر اساس ساخت مدلی مشابه با واقعت و اعمال شتاب گرانشی به دست آمده از عملیات آنالیز ابعادی با استفاده از دستگاه سانتریفوژ قرار گرفته است. در حقیقت دستگاه سانتریفیوژ ابزاری ساده برای تولید شتاب گرانشی در یک مدل کوچک است، با توجه به اینکه در اغلب موارد با هندسه و خواص پیچیده تحت بارگذاری های نامنظم روبرو بوده استفاده از روش های کلاسیک سبب یافتن معادلات بسیار پیچیده که حل آن ها به روش تحلیلی غیر ممکن می باشد سبب به وجود آمدن روش های عددی متنوع همانند اجزا محدود، تفاضل محدود و ...شده است و در پایان روش شبکه عصبی مصنوعی که بر پایه پردازش بر روی داده های واقعی و یافتن قانون نهفته در ورای داده های ورودی و انتقال آن به شبکه بنا شده است. این تحقیق با جمع آوری اطلاعات به دست آمده از عملیات اندازه گیری نشست سطح زمین مربوط به قسمتی از مسیر خط 2 متروی مشهد، خط 7 متروی تهران که با روش t.b.m و خط 1 متروی تبریز که با روش natm و tbm حفاری شده است، اقدام به طراحی شبکه عصبی مصنوعی بهینه جهت پیش بینی حداکثر نشست سطح زمین و با ساخت مدل سه بعدی قسمتی از مسیر تونل خط 2 متروی مشهد با استفاده از نرم افزار abaqus 6.11، به بررسی عوامل موثر بر میزان نشست سطح زمین در اثر حفر تونل، پرداخته است.