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.