تعیین ظرفیت باربری شمع ها از جمله مسائل مهمی است که همواره ذهن مهندسین ژئوتکنیک را به خود معطوف داشته است. اثر عواملی نظیر ناهمسانی محیط خاک در برگیرنده یک شمع، اجرای شمع، جنس شمع و شکل آن، تخمین صحیح ظرفیت باربری یک شمع را با مشکل همراه می سازد. آزمایش بارگذاری شمع به عنوان یک روش قابل اعتماد، میتواند در مراحل مختلف تحلیل، طراحی و اجرای شمع به منظور تعیین ظرفیت باربری محوری شمع به کار رود. از طرفی، آزمایش بارگذاری شمع با وجود دقت بالا، هزینه های زیاد و زمان انجام طولانی را برای پروژه های عمرانی تحمیل می کند و همین مساله باعث ایجاد محدودیت هایی در انجام این آزمایش می شود. بدین ترتیب پذیرش تحلیل های عددی در مسائل ژئوتکنیکی به تدریج در حال افزایش می باشد. در این میان مدل سازی با استفاده از شبکه های عصبی مصنوعی روشی است که بر اساس داده ها و اطلاعات قبلی بوده و نیازی به ساده سازی و استفاده از ضرایب اطمینان بالا ندارد. در این تحقیق از دو نوع شبکه عصبی مصنوعی استفاده شده است. در ابتدا شبکه عصبی چند لایه پرسپترون، یکی از پرکاربردترین شبکه های عصبی، و در ادامه از شبکه های عصبی نروفازی بهره گرفته شد. در تمامی مدل ها از 4 پارامتر طول و قطر شمع، مدول الاستیسیته و زاویه اصطکاک داخلی خاک به عنوان ورودی و از ظرفیت باربری شمع به عنوان خروجی استفاده شده است. مدل ها از موفقیت قابل قبولی در پیش بینی ظرفیت باربری شمع ها بر خوردارند. برای افزایش میزان دقت در پیش بینی ظرفیت باربری، برای آموزش شبکه از آزمایش های واقعی شمع که در مرحله مطالعات ژئوتکنیک حوض خشک منطقه هرمزگان، توسط شرکت مهندسین مشاور پژوهش عمران راهوار صورت گرفته، استفاده شده است. با توجه نیاز به داده های بیشتر برای آموزش و تست شبکه، چندین آزمایش ظرفیت باربری شمع در ابعاد کوچک تر در آزمایشگاه انجام شد. برای انجام این آزمایشها از دستگاه ظرفیت باربری شمع، ساخته شده در دانشگاه تربیت مدرس، استفاده شد. مدل های مبتنی بر شبکه های عصبی، برخلاف مدل های رفتاری مرسوم توضیحی در مورد چگونگی اثر پارامتر های ورودی بر خروجی نمی دهند. در این تحقیق با آنالیز حساسیت بر روی ساختار بهینه مدل های معرفی شده در هر مرحله سعی شده است تا حدودی به این سوال پاسخ داده شود.