در این رساله نسبت به بررسی شرایط و عوامل مختلف دخیل در فرآیند تولید کاشی و سرامیک با توجه به میزان ضایعات و کیفیت محصولات خروجی با استفاده از الگوریتم gmdh در شبکه عصبی مصنوعی اقدام شده است که در ابتدا بدون در نظر گرفتن میزان اثرگذاری عوامل بر یکدیگر و در نهایت بر روی خروجی مورد نظر و با هدف کاهش ضایعات در عین افزایش میزان تولید و کیفیت، اطلاعات مربوطه دریافت شده که از بین تمامی اطلاعات موجود، تعداد 18 مورد به عنوان اطلاعات ورودی که شامل انواع مواد اولیه مورد استفاده و تنظیمات در بخش های مختلف می باشد، مورد آزمایش و بررسی قرار گرفته است. با توجه به اینکه الگوریتم gmdh نسبت به شناسایی عوامل کلیدی و تأثیرگذار از بین تمامی عامل های موجود و همچنین ارائه شرایط بهینه تنظیمات برای آنها به منظور رسیدن به شرایط مناسب کلی سیستم عمل می نماید و قابلیت پیش بینی شرایط سیستم به صورت کوتاه مدت و بلند مدت به صورت همزمان برخلاف سایر روش های پیش بینی که عمدتاً تنها به صورت پیش بینی فقط کوتاه مدت یا فقط بلند مدت عمل می کنند را دارا می باشد، از آن به عنوان ابزار پایه جهت شناسایی گلوگاهها و عوامل مهم در خط تولید مذکور استفاده شده که در نتیجه 7 عامل را به همراه تنظیمات بهینه مربوطه از بین 18 مورد اشاره شده با درجه اهمیت بالا به عنوان مبنای اعمال تغییرات معرفی نموده و نوع ترکیب آنها در یک شبکه عصبی با 7 ورودی و دولایه پنهان و یک خروجی بدست آمده که میزان ضایعات و مجموع تولید غیر از درجه 1 را از میزان میانگین در حدود 15% به میزان تقریبی 1% کاهش می دهد. بدین منظور در این تحقیق به ترتیب نسبت به شناسایی تمامی عوامل دخیل موجود در خط تولید و جدا نمودن عوامل غیر قابل تغییر و ثابت از بین آنها که با توجه به عدم امکان اعمال تغییر، بررسی آنها تأثیر ثابت بر سیستم می گذارد، دریافت اطلاعات در یک بازه زمانی 6 ماهه و درج در جدول استاندارد به عنوان ورودی الگوریتم، کدنویسی الگوریتم در برنامه matlab و سپس شناسایی عوامل گلوگاهی تأثیرگذار و شرایط بهینه تنظیمات مربوطه با استفاده از الگوریتم gmdh اقدام شده که از 70% اطلاعات به عنوان داده های آموزش شبکه و از 30% به عنوان داده های آزمایش آن استفاده شده است. همچنین تابع ریاضی حاصل شده در این روش به صورت یک سری زمانی از نوع توابع ولترا بوده که ضرایب این سری با استفاده از روش رگرسیون و تحت نرم افزار minitab بدست آمده است. درواقع خروجی شبکه عصبی gmdh، حاصل از محاسبات ناشی از سری زمانی ولترا می باشد.