ز جمله مسائل اساسی در محاسبات شمع ها، پیش بینی میزان نشست و ظرفیت باربری شمع ها می باشد. تاکنون به منظور پیش بینی میزان نشست و ظرفیت باربری شمع ها، روش های تجربی پیشنهاد شده است. این روش ها با در نظر گرفتن فرضیاتی به ساده سازی محاسبات اقدام نموده اند لیکن در پیش بینی میزان نشست شمع ها نتایج حاصل از دقت قابل قبولی در محاسبات برخوردار نمی باشد. از سوی دیگر پیشرفت های گسترده در ابداع رایانه های با قدرت محاسباتی بالا زمینه ساز استفاده از روش های مبتنی بر تکنیک های هوش محاسباتی شده است. کاربرد هوش محاسباتی در علم مهندسی مکانیک خاک در پژوهش های متعددی بررسی شده است. از جمله این روش ها می توان به الگوریتم بهینه سازی ذرات (pso) و درخصوص روش های یادگیری ماشین به ماشین بردار پشتیبان (svm) اشاره نمود. در این تحقیق با استفاده از ماشین بردار پشتیبان و به کمک الگوریتم بهینه سازی ازدحام ذرات و بر اساس نتایج حاصل از داده های آزمون نفوذ مخروط (cpt)، نشست شمع ها تحت اثر بار محوری مدل سازی شده است. مدل سازی با استفاده از زبان برنامه نویسی matlab و توسط داده های استخراج شده از مقالات صورت گرفته است. داده های مذکور شامل نتایج آزمون بارگذاری استاتیکی شمع در مقیاس واقعی، نتایج آزمون نفوذ مخروط مجاور شمع و خواص هندسی شمع می باشد. در این تحقیق با مقایسه نتایج حاصل از مدل ها با مقادیر واقعی، کارایی مناسب مدل ها بررسی و در نهایت تعدادی از مدل ها به عنوان مدل بهینه انتخاب شده است. به منظور مقایسه نتایج مدل ها با روش های مرسوم از دو روش سنتی استفاده شده است. بدین منظور با استفاده از یک تحلیل آماری، نتایج حاصل از مدل ها و روش های مورد اشاره بررسی شده است. در نهایت باتوجه به معیارهای مورد استفاده در این تحلیل، مدل ها و روش های موجود رتبه بندی شده است. نتایج بیانگر آن است که مدل های svm در پیش بینی نشست شمع ها در محدوده داده هایی که برای گسترش مدل مورد استفاده قرار گرفته اند، با دقت بالاتری نسبت به روش های سنتی عمل نموده اند.

چکیده ندارد.

چکیده ندارد.

چکیده ندارد.