امروزه استفاده از شمع در ساختمان‌ها جهت مقاوم‌سازی خاک رواج یافته است. آزمایش بارگذاری شمع هزینه‌های زیادی را برای پروژه‌های عمرانی تحمیل کرده و زمان انجام پروژه را نیز طولانی می‌کند. از طرفی، مدل‌سازی با استفاده از شبکه‌های عصبی مصنوعی روشی است که بر اساس داده‌ها و اطلاعات قبلی بوده و نیازی به ساده‌سازی و استفاده از ضرایب اطمینان بالا ندارد. استفاده از شبکه‌های عصبی مصنوعی برای حل مسایل پیچیده، حوزه مطالعاتی است که اخیرا در مهندسی ژئوتکنیک مورد توجه قرار گرفته است. در این پژوهش، از شبکه‌های عصبی مصنوعی پرسپترون چند لایه برای پیش‌بینی ظرفیت باربری شمع‌های فلزی ته باز کوبیده شده در خاک‌های ماسه‌ای استفاده شده است. بدین منظور از داده‌های آزمایشگاهی مرتبط استفاده شده و 5 پارامتر زاویه مقاومت برشی خاک در شفت، زاویه مقاومت برشی خاک در نوک شمع، فشار باربری در نوک شمع، طول شمع و نیز سطح مقطع شمع به عنوان ورودی شبکه عصبی مصنوعی در نظر گرفته شده است. جهت دست‌یابی به بهترین عملکرد شبکه، ابتدا پارامترهای بهینه موثر بر دقت و عملکرد شبکه عصبی شامل: نوع الگوریتم آموزش، تعداد لایه‌ها و تعداد نرون در هر لایه و نیز درصد داده‌های آموزش و تست به روش سعی و خطا تعیین شد. بررسی همگرایی و نتایج عددی نشان می‌دهد که شبکه عصبی مصنوعی دو لایه با الگوریتم آموزش لونبرک-مارکوات بهترین عملکرد را در تخمین ظرفیت بابری شمع داشته است.
