Kaya malzemesi tanjant elastisite modülü kaya mühendisliği tasarım problemlerinin çözümünde önemli bir parametredir. Elastisite modülünün standart laboratuvar deneyleriyle belirlenmesi zor, pahalı ve zaman alıcı bir iştir. Bu durum özellikle ince tabakalı, ileri derecede kırıklı, foliasyonlu, yüksek poroziteli ve zayıf kayalar için geçerlidir. Bu nedenle, araştırmacılar tarafından tanjant elastisite modülünün tahmini için bazı istatiksel modeller geliştirilmiştir. Bu modeldeki korelasyonlar indeks özellikler, petrografik özellikler, Schmidt çekici geri tepme sayısı ve Nokta yük indeksi gibi basit mekanik deneylerle ilgilidir. Ancak, bu korelasyonlar genel amaçlı kullanıma uygun değildir ve basit mekanik deneyler bazı zorluklara ve kısıtlamalara sahiptir. Son birkaç yıl içinde, bu geleneksel yönteme ek olarak, tanjant elastisite modülünün tahmini için yeni teknikler büyük ilgi toplamıştır. Bu yeni teknikler yapay sinir ağları (ANN), genetik algoritma (GA), ilgililik vektör makineleri (RVM) ve destek vektör makineleri (SVM) gibi esnek hesaplama yöntemleridir. Bu çalışmada, kaya malzemesi tanjant elastisite modülünün (Et) tahmininde En Küçük Kareler Destek Vektör Makinesi (LS-SVM) yönteminin uygulanabilirliği ve yeteneği incelenmiştir ve yöntemin performansı yapay sinir ağları (ANN) modeli ile karşılaştırılmıştır. İncelenen örnekler Gümüşhane, Giresun ve Rize’de (KD Türkiye) yüzeylenen volkanik kayaçlardan alınmıştır. Bu modellerin girdi parametreleri efektif porozite ve P-kararlılık indeksidir. ANN ve LS-SVM modellerinin performanslarını belirlemek için Performans İndeksi (PI) kullanılmıştır. Bu iki yöntem güçlü esnek hesaplama teknikleri olmasına rağmen, LSSVM daha yüksek doğruluk ve daha hızlı sonuçlar üretmektedir. Bu çalışma sonuçlarına göre, incelenen volkanik kayaç örnekleri için, LS-SVM modelinin ANN modeline göre daha iyi genelleme yeteneğine sahip olduğu söylenebilir.