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.