در این تحقیق به پیش بینی پتانسیل رمبندگی(collapse potential) خاک ها با استفاده از سیستم های هوشمند پرداخته خواهد شد. بسیاری از تئوری ها و قوانین علم مکانیک خاک بر فرض اشباع بودن کامل خاک استوار شده است. رفتار خاک های غیر اشباع خصوصاً مقاومت و تغییر حجم خاک تحت اثر بارها و تنش ها کاملاً متمایز بوده و به عوامل متعددی بستگی دارد. رمبندگی به کاهش حجم خاک غیر اشباع تحت اثر تنش ثابت و به علت اشباع شدن خاک گفته می شود. تحقیقات انجام شده قبلی در زمینه خاک های رمبنده نشان می دهد که دانه بندی خاک، درصد رطوبت اولیه خاک، وزن مخصوص خشک اولیه خاک و تنش هنگام اشباع عوامل اصلی موثر بر رمبندگی هستند. روابط موجود برای تعیین پتانسیل رمبندگی خاک ها عمدتاً برای یک خاک خاص مورد بررسی قرار گرفته صادق هستند و روابطی هم که با توجه به نتایج آزمایش های مربوط به چند خاک مختلف حاصل شده اند قادر به پیش بینی مناسبی از تغییرات پتانسیل رمبندگی یک خاک متفاوت نمی باشند. سیستم های هوشمند توانایی استنتاج بهتری از نتایج آزمایشگاهی را دارا می باشند، به همین خاطر به این سیستم ها، هوشمند گفته می شود، چرا که بر اساس محاسبات روی داده های عددی یا مثال ها، قوانین کلی را یاد می گیرد و قابلیت پیش بینی در مورد سایر داده ها را دارا می باشند. سیستم های هوشمند علاوه بر پیش بینی رفتار، قابلیت بررسی تغییرات بر حسب پارامترهای اولیه مختلف را نیز دارا می باشند. در این تحقیق نتایج آزمایش های سایر محققین که اندازه گیری مقدار پتانسیل رمبندگی برای 16 خاک متفاوت در شرایط اولیه مختلف را شامل می شود گردآوری شده است. با استفاده از این بانک اطلاعاتی و روش های برنامه نویسی ژنتیک، برنامه نویسی به روش توصیف ژن و سیستم عصبی – فازی به پیش بینی پتانسیل رمبندگی خاک ها پرداخته شد . نتایج نشان دهنده آن است که سیستم عصبی – فازی با خوشه بندی دارای کمترین خطا و دقت قابل قبول در پیش بینی پتانسیل رمبندگی خاک ها می باشد.