مشاهده متن پیش بینی ظرفیت باربری شمع های تحت بار جانبی یکی از مسائل اساسی در مهندسی ژئوتکنیک است و تاکنون روش های متفاوتی برای ارزیابی آن ارائه شده است. ماشین بردار پشتیبان (SVM) یک روش نسبتا جدید هوش مصنوعی است که در بسیاری از مسائل ژئوتکنیکی به طور موفقیت آمیزی مورد استفاده قرار گرفته است. این مقاله کاربرد مدل SVM برای پیش بینی ظرفیت باربری جانبی شمع ها در خاک های رسی را شرح می دهد. از نتایج مدل های کوچک مقیاس آزمایشگاهی شمع های صلب در خاک های رسی با پارامترهای ورودی قطر شمع (D)، طول مدفون شمع (L)، خروج از مرکز بار (e) و مقاومت برشی زهکشی نشده خاک (Su) برای توسعه و ارزیابی مدل استفاده شده است. ظرفیت باربری جانبی پیش بینی شده توسط مدل پیشنهادی با نتایج حاصل از مدل شبکه عصبی مصنوعی (ANN) و همچنین روش های تحلیلی Broms و Hansen مقایسه شده است. نتایج نشان از کارایی بهتر مدل SVM نسبت به روش های مذکور دارد. این مطالعه نشان می دهد که روش SVM یک ابزار جایگزین برای مهندسین ژئوتکنیک به منظور پیش بینی ظرفیت باربری جانبی شمع ها ارائه می دهد.