بررسی زلزله های مخربی که درسالهای اخیر رخ داده اند،نشان دهنده این است که اتصالات تیر ستون نقش بسیار مهمی در پایداری سازه های بتنی دارند. از اینرو در سالهای اخیر آیین نامه های معتبر جهانی توجه ویژه ای به طراحی لرزه ای اتصالات بتنی نموده اند. بدون یک طراحی صحیح، اتصالات می توانند آسیب پذیرترین عضو سازه ای باشند و باعث خسارات شدیدی به تیر و ستونها و در نهایت به کل سازه شوند. در گذشته به دلیل کمبود امکانات تحلیلی، فرضیات ساده کننده ای برای انجام محاسبات دستی لازم بود. به عنوان مثال اتصالات را صلب و یا کاملاً مفصلی فرض می نمودند. امروزه با گسترش امکانات تحلیل غیر خطی رایانه ای مشاهده می شود که اتصالات صرفاً صلب یا مفصلی نیستند. از این دیدگاه، منحنی لنگر- دوران در اتصالات، به عنوان مهمترین مشخصه رفتاری اتصالات مورد بررسی قرار می گیرد. تحلیل های انجام شده توسط نرم افزار های اجزاء محدودیجهت بدست آوردن نمودار لنگر-دوران بسیار وقت گیر و زمان بر هستند. راه های مختلفی برای مقاوم سازی اتصال و انتقال مفصل پلاستیک از بر اتصال به فاصله دورتر در تیر ارائه شده، که استفاده از frp بخاطر اجراء ساده تر و هزینه کمتر مورد توجه قرار گرفته است. در این تحقیق ما به بررسی رفتار دو دسته از اتصالات خارجی تیر - ستون بتن مسلح می پردازیم. دسته اول اتصالاتی را در بر می گیرد که بر اساس آیین نامه aci-318 برای حالت شکل پذیری متوسط طراحی شده و هیچ گونه عملیاتی برای تقویت آنها انجام نگرفته است. دسته دوم نیز شامل همین اتصالات می باشد با این تفاوت که برای بهبود در رفتار اتصال و انتقال مفصل پلاستیک از الیاف پلیمرکربن یا همانcfrp استفاده شده است. در مجموع 216 اتصال پس از تایید سازگاری مدل عددی با مدل آزمایشگاهی، با استفاده از نرم افزار abaqus مدل سازی شده، و تحت اثر بارگذاری یک طرفه مورد تحلیل و بررسی قرار می گیرند. سپس اثر مقاوم سازی اتصال با cfrp در پارامتر های لنگر مقاوم نهایی و دوران نهایی اتصال بررسی میگردد. از آنجا که تحلیل های انجام شده توسط نرم افزار های اجزاء محدودی بسیار وقت گیر و نیازمند صرف ساعتها وقت می باشد، از این رو در این تحقیق با نتایج 216 اتصال بهآموزش یک شبکه عصبی پرداخته شده تا رفتار لنگر-دوران هر اتصال عادی و مقاوم سازی شده را پیش بینی نماید. نتایج آموزش شبکه عصبی نشان می دهد که این ابزار رفتار لنگر-دوران یک اتصال را با دقت بسیار خوبی پیش بینی می کند.