امروزه کم و بیش از پی‏های حلقوی برای سازه‏ها بویژه سازه‏هایی که حالت تقارن محوری دارند استفاده می‏شود. در این پژوهش یک مطالعه عددی روی ظرفیت باربری و نشست پی حلقوی انجام شد. برای مدل سازی از نرم‏افزار plaxis استفاده شد. پارامترهای مصالح از مشخصات خاک رس محل ساخت برج‏های خنک کننده سیکل ترکیبی نیروگاه کازرون انتخاب شد. برای مدل سازی مصالح از مدل مور-کولمب استفاده شد. محاسبات ظرفیت باربری در دو حالت پی صاف و پی زبر انجام شد و بر اساس آن ضرایب ظرفیت باربری محاسبه شد. نشست پی حلقوی برج خنک کننده نیروگاه کازرون محاسبه شد. سپس بر اساس محاسبات ظرفیت باربری و نشست، ظرفیت باربری مجاز پی حلقوی نیروگاه کازرون محاسبه شد. از نتایج حاصل مشخص شد که ظرفیت باربری پی زبر به مقدار قابل ملاحظه‏ای از ظرفیت باربری پی صاف بیشتر است. همچنین مشخص شد که با افزایش ri/ro (نسبت شعاع داخلی به شعاع خارجی پی حلقوی) رفتار پی حلقوی به پی نواری نزدیک می‏شود. نتایج بدست آمده از محاسبات ظرفیت باربری و نشست با نتایج تئوری‏ها و روابط موجود مقایسه شده است.

اولین و مهمترین عاملی که در اتخاذ سرمایه گذاری در بورس فراروی سرمایه گذار قرار دارد، عامل قیمت سهام است، که به تبع آن مقوله ارزیابی و پیش بینی قیمت آینده نیز مطرح می شود که تأثیر آن بر سودآوری غیرقابل انکار است. در واقع پیش بینی قیمت سهام در بازارهای مالی یکی از متغیرهای مهم در زمینه تصمیمات سرمایه گذاری، قیمت گذاری اوراق بهادار و مدیریت ریسک است. بازار سهام، پویا، غیرخطی، پیچیده و آشوبناک است و اغلب تحت تأثیر عوامل متعددی همچون مسائل اقتصادی، سیاسی و وضعیت مالی شرکت ها است، لذا بکارگیری مدلی که بتواند همه این عوامل را پوشش داده یا با وجود داده های نادقیق یا حداقلی به جواب بهینه ای دست یابد، ضروری به نظر می رسد. می دانیم شبکه های عصبی مصنوعی، مدل های محاسباتی از شبکه عصبی بیولوژیکی به شمار می روند که بدون نیاز به هرگونه مدل ریاضی و با بهره گیری از الگوریتم های یادگیری، توانایی پردازش موازی داده ها را دارند. از آن سو الگوریتم کنترل فازی، روش موثری در استفاده از حالت تقریبی و غیردقیق دنیای واقعی به شمار می رود، اما دارای توانایی یادگیری نیست. در این تحقیق ما از شبکه های ترکیبی چند هدفی عصبی- فازی(anfis ) که ترکیب این دو روش است جهت پیش بینی قیمت سهام در صنعت سیمان برای ده شرکت نمونه در بازه زمانی سال های 1388 تا 1393 استفاده کردیم. و سه سناریو را پیاده سازی نمودیم: در سناریوی اول از مدل سازی ساده anfis در جعبه ابزار متلب استفاده کردیم که نتیجه آن نسبتا قابل قبول بود. در سناریوی دوم از شبکه عصبی مصنوعی برای مدل سازی بهره جستیم که نتیجه آن در ضریب تعیین 0.0058 r^2= منعکس شده که نتیجه قابل قبولی نبود. لذا در سناریوی سوم از شبکه های ترکیبی چند هدفی عصبی- فازی( anfis) استفاده کردیم که نتیجه آن r^2=0.79 حاصل شد که نتیجه مطلوب تری است. همچنین در این تحقیق از چهار نسبت مالی یعنی سود ناخالص به فروش، بازده دارایی ها، بازدهی سرمایه و گردش موجودی کالا به عنوان متغیرهای مستقل بهره گرفته شد. نتیجه این پژوهش نشان می دهد به کمک شبکه ترکیبی چند هدفی عصبی فازی تطبیق پذیر بهتر می توانیم قیمت سهام را پیش بینی کنیم.