نشست شمع‎ها یکی از مهم ترین ‎مسائلی است که مهندسان به دنبال رسیدن به یک مدل بهینه برای تخمین آن هستند. اغلب روش‎های موجود برای محاسبه نشست شمع‎ها با در نظر گرفتن فرضیاتی که در نشست موثر می‎باشند مسأله را ساده‎تر کرده‎اند. بنابراین، در روش های متفاوت پیش‎بینی نشست، سازگاری وجود ندارد و روش های دیگری مورد نیاز است که بتواند بر محدودیت‎های روش‎های موجود غلبه نموده و دقت کافی را در پیش‎بینی نشست دارا باشد. در این راستا با پیشرفت روش های یادگیری ماشین، علوم مختلف برای مدل سازی دقیق تر پدیده های خود به سمت این روش ها گرایش یافتند که مهندسی ژئوتکنیک نیز از آن دسته مستثنی نبوده است. شبکه های عصبی مصنوعی(ann) و ماشین بردار پشتیبان(svm) از جمله روش هایی هستند که در علوم مختلف، نتایج خوبی از خود نشان داده اند. علاوه بر به کارگیری روش‎های مدل‎سازی متنوع، پارامترهایی که در مدل‎سازی نشست به کار می‎روند نیز در پژوهش‎های مختلف با یکدیگر متفاوت هستند. در این تحقیق مقاومت برشی زهکشی نشده خاک، که یک پارامتر اصلی در مقاومت خاک های چسبنده محسوب می-شود به همراه هندسه شمع و مشخصه خاک به عنوان ورودی های مدل در نظر گرفته شده اند. مدل های طراحی شده از نوع شبکه عصبی پرسپترون دولایه با الگوریتم پس انتشار خطا می باشند که با توابع انتقال سیگموئید و تانژانت هایپربولیک گسترش یافته اند. هم چنین مدل-های ماشین بردار پشتیبان با توابع کرنل پایه شعاعی و چندجمله ای ساده، برای پیش بینی نشست شمع ها بر اساس مقاومت برشی زهکشی نشده خاک ارائه شده اند. این مدل ها بر مبنای 253 داده به دست آمده از نمودارهای بار- تغییرمکان حاصل از 23 آزمایش بارگذاری استاتیکی شمع در مقیاس واقعی، طراحی شده اند. هدف از این تحقیق، استفاده از دو روش از روش های یادگیری ماشین جهت گسترش مدلی برای پیش بینی نشست شمع ها می-باشد. نتایج نشان می‎دهند که مقادیر پیش بینی شده با شبکه عصبی و مقادیر شبیه سازی شده با ماشین بردار پشتیبان به نتایج واقعی نزدیک است و مدل ها کارائی بالایی را از خود نشان می دهند. می توان نتیجه گرفت این دو روش دارای عمل کرد بسیار مناسبی هستند و می توانند به عنوان ابزاری قدرتمند در مدل سازی پدیده های ژئوتکنیکی مورد استفاده قرار گیرند.

هدف اصلی از تحلیل گودها با استفاده از شبکه عصبی مصنوعی به دست آوردن نگاشتی غیر خطی بین پارامترهای ورودی و خروجی مورد نظر می باشد تا با استفاده از آن بتوان رفتار گود را پیش بینی کرد. مطالعات نشان می دهد پارامترهای متعددی بر رفتار گودها تاثیر گذار هستند که از جمله ی مهم ترین آن ها می توان به سختی دیوار، فاصله ی مهارها و سختی آن ها، عرض و عمق گود، مشخصات خاک و روش گودبرداری اشاره کرد. در بسیاری از موارد هندسه گودبرداری و مشخصات خاک قابل دستیابی هستند اما پیش بینی جا به جایی دیواره های گود همیشه با عدم قطعیت مواجه است. در تحلیل با کمک شبکه عصبی این عدم قطعیت در کنار سایر مقادیر پارامترها می باشد بنابراین پیش بینی های مدل قابل اعتمادتر خواهند بود. در این تحقیق از شبکه عصبی مصنوعی mlp برای پیش بینی تغییر مکان جانبی ماکزیمم دیوار حائل بر مبنای دو دسته داده استفاده شده است. در دسته ی اول 47 داده ی واقعی از گود هایی که در خاک های رسی حفر گردیده بود جمع آوری و از آن ها برای طراحی شبکه عصبی استفاده گردید. نمودارهای رگرسیون نشان دادند شبکه به خوبی آموزش دیده و ساختار آن شکل گرفته است. برای انجام تحلیل حساسیت داده ها به سه دسته کلی تقسیم گردیده تا بتوان تغییرات درصد نسبی تغییر مکان جانبی ماکزیمم را برای تک تک داده های ورودی مورد بررسی قرار داد. نتایج بدست آمده عمل کرد صحیح شبکه را تایید کرده و در انتها رابطه ایی برای محاسبه ?h max/h% ارائه گردیده است. دسته دوم داده های ساخته شده بر اساس داده های واقعی و با کمک نرم افزار های مبتنی بر روش fem به دست آمده اند. تحلیل حساسیت داده ها در این شبکه عصبی نیز نشان داد شبکه منطق حاکم بر داده ها را به خوبی آموخته است.

یکی از مسائل اساسی در مهارهای زمینی، پیش بینی حداکثر کشش در مهارها می باشد و تاکنون به منظور پیش بینی حداکثر کشش مهار زمینی، 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 حداکثر کشش مهار زمینی 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، حداکثر کشش مهار زمینی 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 قطر معادل مهار ، طول مدفون ، میانگین مقاومت نوک مخروط ، میانگین اصطکاک جداره در طول مدفون ، روش نصب و ظرفیت کششی مهارهای زمینی 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 چهار روش سنتی و دو روش هوش مصنوعی استفاده شده است. بدین منظور با استفاده از یک تحلیل آماری، نتایج حاصل از مدل ها و روش های مورد اشاره بررسی شده است. نتایج بیانگر آن است که مدل های svm در پیش بینی حداکثر کشش مهار زمینی در محدوده داده هایی که برای گسترش مدل مورد استفاده قرار گرفته اند، با دقت بالاتری نسبت به روش های سنتی و روش هوش مصنوعی عمل نموده اند.

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.