شبکه های عصبی بعنوان یک ابزار قوی برای مدلسازی مسائل پیچیده مورد استفاده قرار می گیرد. کاربرد شبکه ها عصبی نسبت به روشهای مرسوم برای پیش بینی روانگرایی موفق تر و ساده تر می باشد. تحقیقات اخیر نشان داده است که پیش بینی روانگرایی بوسیله نتایج آزمایش ‏‎cpt‎‏ نسبت به آزمایش ‏‎spt‎‏ بدلیل برتری های آن از ارجحیت برخوردار می باشد. مجموعه داده های قابل اعتمادی از آزمایش ‏‎cpt‎‏ در مناطق روانگرا شده جمع آوری شده است که نسبت به تحقیقات قبلی از حجم بیشتر و محدوده گسترده تری برخوردار می باشد که تاثیر قابل توجهی در اهمیت نسبی پارامترهای نشان میدهد. با استفاده از یک نرم افزار قوی ‏‎(statistica 98)‎‏ حتی با استفاده از مدلها و داده های مشابه نتایجی با دقت بالاتر نسبت به ‏‎‏‎goh‎‏گرفته شد. روش پس انتشار ‏‎(back progation)‎‏ مورد استفاده در این نرم افزار دارای قابلیت مشاهده آنی خطای شبکه در قسمت آموزش و آزمایش در حین آموزش جهت اعمال تغییرات مناسب در پارامترهای کنترلی روش پس انتشار می باشد. در این پایان نامه برای کاهش پارازیت در داده ها، پارامترهای وابسته بکار گرفته نشده اند. با توجه به اینکه ‏‎q‎‏ تحت تاثیر پارامترهای خاک و تنش موجود در لایه خاک می باشد سعی شده است اثرات ای پارامترها مستقیما اعمال شوند که نهایتا باعث کاهش خطای شبکه و کاهش اهمیت نسبی ‏‎q ‎‏ شده است. مدلی قابل اطمینان برای پیش بینی روانگرای با 6 پارامتر ‏‎ , , d , m, a, q ‎‏ ارائه شده است. با بررسی اهمیت نسبی بدست آمده از این مدل دیده می شود که دو پارامتر تنش ( ، ) نقش مهمتری از ‏‎q‎‏ در پدیده روانگرایی ایفا می کنند. با در دست داشتن این ابزار و خصوصیات لرزه ای جنوب تهران (که مستعد وقوع روانگرایی می باشد)، نمودارهای کاربردی برای پیش بینی وقوع روانگرایی در جنوب تهران ارائه شده است.