در انواع سازه های خاکی و یا مستحدثاتی که بر روی خاک بنا می شوند, مهندسین ژئوتکنیک با طیف متنوعی از خاکها روبرو هستند. این طیف گستره وسیعی از خاکهای چسبنده تا دانه ای را پوشش می دهد به طوری که خاکهائی با خصوصیات بین این دو نوع خاک از وسعت بیشتری در طبیعت برخوردارند. مورن که از مصالح با منشأ یخچالی است مثال مناسبی از مصالح مخلوط می باشد. رسهای مخلوط از انواع دیگر مصالح مخلوط می باشند که دارای دانه بندی گسترده ای بوده و در برگیرنده مصالحی مانند رس، ماسه، شن و حتی قلوه سنگ می باشد. به علت استفاده وسیع از رسهای مخلوط در هسته سدهای خاکی، شفیعی (‎2000) مطالعات جامعی برای تعیین خواص تغییر شکل تناوبی این خاکها انجام داد. این خواص شامل مدول برشی، نسبت میرائی و فشار آب منفذی می باشد. ¬از سوئی دیگر شبکه های عصبی مصنوعی در سالیان اخیر کاربرد های موفقیت آمیزی در حل مسائل مهندسی ژئوتکنیک داشته اند. مروری بر مقالات و تحقیقاتی که در حدود ‎15 سال گذشته انتشار یافته اند گواهی براین عملکرد موفق درطیف وسیعی از مسائل مهندسی ژئوتکنیک می باشد. این طیف شامل پیش بینی ظرفیت شمعها، مدلسازی رفتار خاکها، بررسی پایداری شیبها، نشست فونداسیونها، طبقه بندی خاکها، روانگرائی، طراحی تونلها و بازشوهای زیر زمینی وطراحی سازه های حائل خاک می باشد. در این بین بهترین عملکرد شبکه های عصبی در مورد پیش بینی ظرفیت شمعها، روانگرائی و مدلسازی رفتار خاکها مشاهده شده است. با توجه به پرهزینه بودن و همچنین زمان بر بودن انجام آزمایشات برای تعیین خواص تغییر شکل تناوبی رسهای مخلوط, در این تحقیق بر اساس نتایج آزمایشات شفیعی یک مدل شبکه عصبی برای پیش بینی خواص رسهای مخلوط ارائه شده است. ¬در ابتدا دو مدل با ساختارهای متفاوت برای پیش بینی نسبت میرائی، مدول برشی و فشار آب منفذی ارائه شدند. نوع شبکه مورد استفاده از نوع پرسپترون چند لایه بوده که بیشترین کاربرد را در مسائل مهندسی ژئوتکنیک دارند. در مدل اول ورودی ها عبارتند از درصدرس، تنش همه جانبه اولیه، قطر درشت دانه، دامنه کرنش و شماره سیکل. در مدل دوم علاوه بر ‎5 پارامتر فوق فشار آب منفذی نیز به عنوان ورودی در نظر گرفته شد. خروجی نیز همانگونه که ذکر شد خواص تغییر شکل تناوبی خاکهای رسی مخلوط می باشد که در سطور قبلی شرح داده شد. با توجه به تعداد گره ها و سیناپس های شبکه و همچنین همگرائی سریعتر، از الگوریتم صلونبرگ- مارکواردت استفاده شد که بالاترین سرعت همگرائی را در بین الگوریتم های موجود دارا می باشد. همچنین برای تعمیم پذیری شبکه نیز از روش validation Cross استفاده شد. پس از مقایسه در بین مدلها در نهایت مدلی که بهترین عملکرد را نشان می داد برای انجام تحلیل حساسیت انتخاب شد. در مرحله تحلیل حساسیت نیز، حساسیت پارامتر های خروجی نسبت به ورودی ها مورد ارزیابی قرار گرفت. نتایج حاصل از تحلیل حساسیت مطابقت خوبی با نتایج حاصل از آزمایشات نشان دادند. بررسی مدل گویای این واقعیت است که شبکه ارائه شده توانایی خوبی در پیش‌بینی خواص تغییر شکل تناوبی رسهای مخلوط از خود نشان می‌دهد. بدین‌وسیله می توان از مدل شبکه عصبی ساخته‌شده به خوبی به عنوان ابزاری در جهت تخمین این خواص استفاده کرد.